OCR برای برنامه‌نویسان و متخصصان داده: مفاهیم، انواع و کاربردهای واقعی

در دنیای امروز که سرعت پردازش داده و دقت در تصمیم‌گیری اهمیت حیاتی دارد، هنوز بخش بزرگی از اطلاعات ما در قالب اسناد چاپی یا تصویر ذخیره می‌شود. از قراردادهای مالی گرفته تا فاکتورها، رسیدها و فرم‌های کاغذی، همه حاوی داده‌هایی هستند که بدون تبدیل دیجیتال، عملا قابل تحلیل یا استفاده در نرم‌افزارها نیستند. فناوری تشخیص نوری کاراکتر پاسخی هوشمند به این چالش است. OCR با تبدیل تصویر به متن قابل‌خواندن توسط ماشین، پل ارتباطی میان دنیای کاغذ و دنیای دیجیتال ایجاد می‌کند.

در این مقاله، با شیوه‌ی عملکرد OCR، تاریخچه و انواع آن و همچنین کاربردهای متنوعش در صنایع مختلف آشنا می‌شویم. اگر توسعه‌دهنده هستید و با داده‌های غیرساختاریافته سروکار دارید، درک عمیق از OCR می‌تواند نقش مهمی در بهینه‌سازی فرایندهای کاری و ساخت ابزارهای هوشمند برای شما داشته باشد.

OCR یا تشخیص نوری کاراکتر چیست؟

تشخیص نوری کاراکتر (Optical Character Recognition یا به اختصار OCR) فرایندی است که تصویر شامل متن را به یک فرمت متنی قابل‌خواندن برای ماشین تبدیل می‌کند.

برای مثال، وقتی فرمی یا رسیدی را اسکن می‌کنید، فایل خروجی به‌صورت تصویر ذخیره می‌شود. در این حالت نمی‌توانید با ویرایشگر متن، محتوای تصویر را جست‌وجو، ویرایش یا حتی تعداد کلمات آن را بشمارید. اما با استفاده از فناوری OCR، می‌توان همان تصویر را به یک فایل متنی تبدیل کرد که محتوای آن به‌صورت داده‌ متنی ذخیره می‌شود.

چرا OCR اهمیت دارد؟

بسیاری از فرایندهای کاری در سازمان‌ها هنوز با اطلاعات چاپی سروکار دارند. فرم‌های کاغذی، فاکتورها، اسناد قانونی اسکن‌شده و قراردادهای چاپی همگی بخشی از جریان کاری روزمره کسب‌وکارها هستند. حجم بالای این مدارک، زمان و فضای زیادی برای ذخیره‌سازی و مدیریت نیاز دارد. هرچند حرکت به سمت مدیریت بدون کاغذ هدف مطلوبی است اما صرفا اسکن کردن اسناد و ذخیره آن‌ها به‌صورت تصویر مشکلات جدیدی ایجاد می‌کند؛ زیرا این فرایند معمولا دستی، کند و وقت‌گیر است.

از طرفی، دیجیتالی‌کردن اسناد به‌صورت تصویر باعث می‌شود متن درون آن‌ها برای نرم‌افزارهای پردازش متن قابل‌دسترسی نباشد. متن موجود در تصاویر را نمی‌توان مانند فایل‌های متنی پردازش، جست‌وجو یا تحلیل کرد. فناوری OCR این مشکل را برطرف می‌کند؛ با تبدیل تصاویر متنی به داده‌های واقعی متن، امکان استفاده از آن اطلاعات در نرم‌افزارهای دیگر فراهم می‌شود.

در نتیجه، داده‌ها قابل تحلیل می‌شوند و می‌توان از آن‌ها برای تحلیل داده‌ها، بهینه‌سازی عملیات، خودکارسازی فرایندها و افزایش بهره‌وری استفاده کرد.

مزایای استفاده از OCR

فناوری OCR مزایای زیادی برای کسب‌وکارها و تیم‌های فنی به همراه دارد. در ادامه به مهم‌ترین آن‌ها اشاره می‌کنیم:

۱- متن قابل جست‌وجو

با استفاده از OCR، سازمان‌ها می‌توانند اسناد قدیمی و جدید خود را به آرشیوی از دانش قابل‌جست‌وجو تبدیل کنند. این یعنی محتوای متنی که پیش‌تر در قالب تصویر ذخیره شده بود، حالا به‌صورت داده در دسترس است و می‌توان با استفاده از ابزارهای تحلیل داده، آن را پردازش، فیلتر و تحلیل کرد. در نتیجه، بازیابی و مدیریت دانش سازمانی بسیار سریع‌تر و موثرتر انجام می‌شود.

۲- افزایش بهره‌وری عملیاتی

OCR باعث می‌شود اسناد کاغذی به‌صورت خودکار وارد جریان‌های کاری دیجیتال شوند و نیاز به ورود داده‌ی دستی کاهش پیدا کند. برای نمونه:

• فرم‌های دست‌نویس می‌توانند بدون نیاز به وارد کردن دستی اطلاعات، اسکن و به‌صورت خودکار برای بررسی، ویرایش یا تحلیل داده‌ها پردازش شوند.
• می‌توان بدون نیاز به گشتن در پوشه‌ها یا بایگانی فیزیکی، تنها با جست‌وجوی یک عبارت در پایگاه داده، سند مورد نظر را پیدا کرد.
• حتی می‌توان یادداشت‌های دست‌نویس را به متنی قابل‌ویرایش تبدیل کرد تا در ابزارهای دیجیتال و نرم‌افزارهای کاری استفاده شوند.

این فرایندها به شکل چشم‌گیری زمان، هزینه و خطای انسانی را کاهش می‌دهند و جریان کاری تیم‌ها را بهبود می‌بخشند.

۳- کاربرد در راهکارهای هوش مصنوعی

OCR تنها برای اسناد اداری نیست؛ بلکه بخشی از بسیاری از راهکارهای هوش مصنوعی نیز محسوب می‌شود. برای مثال:

• در خودروهای خودران، OCR تابلوهای راهنمایی و شماره‌پلاک‌ها را می‌خواند.
• در شبکه‌های اجتماعی، برای تشخیص لوگوی برندها در تصاویر به کار می‌رود.
• در حوزه‌ تبلیغات، برای شناسایی بسته‌بندی محصولات در عکس‌ها مورد استفاده قرار می‌گیرد.

این کاربردها به شرکت‌ها کمک می‌کنند تا تصمیم‌های دقیق‌تر و مبتنی بر داده بگیرند، هزینه‌ها را کاهش دهند و تجربه‌ بهتری برای مشتریان خلق کنند.

تاریخچه و تکامل فناوری OCR

آغاز راه

یکی از نخستین تلاش‌ها در زمینه‌ OCR به دهه‌ ۱۹۲۰ و دستگاهی برمی‌گردد که ایمانوئل گلدبرگ (Emanuel Goldberg) طراحی کرده بود. این دستگاه قادر بود کاراکترها را بخواند و آن‌ها را به کد تلگراف تبدیل کند؛ اقدامی که پایه‌های اولیه‌ «خواندن ماشینی» را شکل داد.

پذیرش اولیه

در دهه‌ ۱۹۵۰، OCR به‌عنوان یک فناوری تجاری در حال شکل‌گیری بود. شرکت‌هایی مانند RCA سیستم‌هایی ساختند که می‌توانستند فونت‌های خاصی را برای کاربردهای بانکی و پستی بخوانند. این سیستم‌ها در آن زمان برای پردازش خودکار چک‌ها و دسته‌بندی نامه‌ها به کار می‌رفتند؛ حوزه‌هایی محدود اما بسیار موثر.

در دهه‌ ۱۹۶۰ نیز دو فونت معروف OCR-A و OCR-B طراحی شدند تا هم برای انسان و هم برای ماشین قابل‌خواندن باشند. معرفی این فونت‌ها باعث شد فناوری OCR در صنایع مالی و دولتی استانداردتر و قابل‌اعتمادتر شود.

گسترش و پیشرفت

با پیشرفت اسکنرها و الگوریتم‌های نرم‌افزاری، OCR کم‌کم به ابزاری کاربردی در محیط‌های کاری تبدیل شد. برنامه‌های اولیه می‌توانستند متون چاپ‌شده را اسکن و به متن قابل ویرایش تبدیل کنند، هرچند دقت آن‌ها محدود بود.

در دهه‌ ۲۰۰۰، ظهور شبکه‌های عصبی و یادگیری ماشین باعث شد OCR از محدودیت فونت‌ها و چیدمان‌های ثابت فراتر رود. سیستم‌های مدرن توانستند دست‌خط‌ها، اسکن‌های بی‌کیفیت و ساختارهای پیچیده‌ متنی را با دقت بسیار بالاتری تشخیص دهند.

امروز

امروزه OCR از یک ابزار خاص به فناوری‌ای زیرساختی در تحول دیجیتال تبدیل شده است. این فناوری در همه‌چیز، از اپلیکیشن‌های موبایل گرفته تا پلتفرم‌های اتوماسیون سازمانی، حضور دارد.

سیستم‌های مدرن OCR از زبان‌های مختلف پشتیبانی می‌کنند و قادرند تصاویر را به‌صورت بلادرنگ و با درک بافت موقعیت (context-aware) پردازش کنند. به بیان دیگر، OCR اکنون بخش جدایی‌ناپذیری از هوش مصنوعی و اتوماسیون هوشمند است.

کاربردهای OCR در پردازش اسناد

فناوری OCR بخش مهمی از جریان‌های کاری در پردازش اسناد سازمانی است. در ادامه به چند مورد از مهم‌ترین کاربردهای آن اشاره می‌کنیم:

۱- جست‌وجوی هوشمند در آرشیو اسناد

OCR با استخراج متن از فایل‌های تصویری یا PDF، امکان ساخت آرشیو دیجیتال قابل‌جست‌وجو را فراهم می‌کند. پس از تشخیص متن، داده‌ها ایندکس می‌شوند و می‌توان از آن‌ها در سیستم‌های جست‌وجوی هوشمند مبتنی بر هوش مصنوعی استفاده کرد.

به این ترتیب، کاربران قادرند بدون نیاز به دسته‌بندی دستی اسناد، در میان حجم زیادی از فایل‌ها به‌سرعت جست‌وجو کنند و نتایج دقیق‌تری به‌دست آورند.

برای مثال، جست‌وجوی نام یک مشتری در سیستم، تمام سفارش‌ها، فاکتورها و فرم‌هایی را که در ابتدا به‌صورت کاغذی ارسال شده‌اند نمایش می‌دهد.

در واقع، کسب‌وکارها می‌توانند اسناد چاپی موجود و جدید خود را به پایگاه دانشی قابل‌جست‌وجو تبدیل کنند و با ابزارهای تحلیل داده، این اطلاعات را به‌صورت خودکار پردازش و تحلیل کنند.

۲- پردازش زبان طبیعی (NLP)

OCR متن را در سطوح مختلف، از کلمه و خط گرفته تا سلول‌های جدول، تشخیص و استخراج می‌کند. این قابلیت کنترل دقیقی بر نحوه‌ آماده‌سازی داده برای وظایف مختلف پردازش زبان طبیعی (NLP) فراهم می‌کند؛ مانند طبقه‌بندی اسناد، خلاصه‌سازی، تحلیل احساسات، مدل‌سازی موضوع، یا شناسایی موجودیت‌ها (NER).

به‌عنوان مثال، در خلاصه‌سازی متن، استخراج داده‌ها به‌صورت پاراگرافی مناسب‌تر است اما در شناسایی موجودیت‌ها بهتر است داده‌ها به‌صورت کلید–مقدار (مثلا در قالب JSON) استخراج شوند تا قابل‌تحلیل‌تر باشند.

۳- استانداردسازی داده‌ها

در بسیاری از جریان‌های کاری، داده‌ها از منابع و قالب‌های مختلف می‌آیند و ساختار یکسانی ندارند. OCR با استخراج متن و جداول از اسناد متنوع، مانند صورت‌های مالی، گزارش‌های فنی یا یادداشت‌های پزشکی به یکپارچه‌سازی و نرمال‌سازی داده‌ها کمک می‌کند.

نتیجه‌ این کار، پردازش سریع‌تر و هماهنگی بیشتر داده‌ها در سیستم‌های مختلف سازمان است.

۴- خودکارسازی پردازش فرم‌ها

یکی از کاربردهای مهم OCR، اتوماسیون در پردازش فرم‌ها است. این فناوری می‌تواند فیلدهای موجود در فرم‌ها را شناسایی کرده و داده‌های ساختاریافته را مستقیما استخراج کند. در نتیجه، کسب‌وکارها می‌توانند اطلاعات را بدون ورود دستی، مستقیما به پایگاه داده منتقل کنند؛ کاری که هم سرعت را افزایش می‌دهد و هم خطا را کاهش می‌دهد.

۵- قابلیت داخلی در نرم‌افزارها

OCR را می‌توان مستقیما درون برنامه‌های سازمانی یا اپلیکیشن‌های تجاری تعبیه کرد تا کاربران بتوانند استخراج متن در لحظه (real-time) را خودشان انجام دهند.

این کار حجم پردازش داده در مراحل بعدی را کاهش می‌دهد، چون اطلاعات از همان ابتدا به‌درستی جمع‌آوری و ساختارمند می‌شوند.

کاربرد OCR در صنایع مختلف

فناوری OCR در حوزه‌های گوناگون صنعتی به کار گرفته می‌شود و نقش مهمی در خودکارسازی فرایندها و افزایش دقت داده‌ها دارد. در ادامه، چند نمونه از کاربردهای مهم آن را بررسی می‌کنیم:

۱- بانکداری

در صنعت بانکداری، OCR برای پردازش و تایید اسناد مالی مانند فرم‌های وام، چک‌های سپرده و سایر تراکنش‌های بانکی استفاده می‌شود. این فناوری با کاهش تقلب و افزایش امنیت تراکنش‌ها، بخش مهمی از اتوماسیون سیستم‌های بانکی را تشکیل می‌دهد.
برای مثال، شرکت BlueVine که در حوزه‌ی فین‌تک (فناوری مالی) فعالیت می‌کند، از سرویس Amazon Textract، یک سرویس OCR ابری، استفاده کرد تا محصولی برای کسب‌وکارهای کوچک و متوسط در ایالات متحده توسعه دهد.

این سیستم به شرکت‌ها کمک کرد تا بتوانند در قالب طرح حمایتی وام‌های PPP (در دوران کرونا)، سریع‌تر وام‌های خود را دریافت کنند. Amazon Textract روزانه ده‌ها هزار فرم PPP را به‌صورت خودکار پردازش و تحلیل می‌کرد و در نتیجه، BlueVine توانست به هزاران کسب‌وکار کوچک در تامین مالی کمک کند؛ اقدامی که به حفظ بیش از ۴۰۰ هزار شغل انجامید.

۲- سلامت و درمان

در حوزه‌ سلامت، OCR برای پردازش سوابق بیماران شامل پرونده‌های درمانی، نتایج آزمایش، سوابق بستری و پرداخت‌های بیمه‌ای کاربرد دارد. این فناوری باعث می‌شود جریان کاری در بیمارستان‌ها سریع‌تر و کارامدتر شود و حجم کار دستی کاهش پیدا کند، در حالی که پرونده‌ها همیشه به‌روز باقی می‌مانند.

به‌عنوان نمونه، شرکت nib Group که بیش از یک میلیون نفر در استرالیا را تحت پوشش بیمه درمانی قرار داده، روزانه هزاران درخواست بازپرداخت هزینه‌ درمان دریافت می‌کند. کاربران می‌توانند با اپلیکیشن موبایل nib، عکس فاکتور درمانی خود را ارسال کنند و OCR (توسط Amazon Textract) به‌صورت خودکار اطلاعات را استخراج و پردازش می‌کند. نتیجه این است که بررسی و تایید درخواست‌ها بسیار سریع‌تر انجام می‌شود.

۳- لجستیک و حمل‌ونقل

در صنعت لجستیک، OCR برای پیگیری برچسب بسته‌ها، فاکتورها، رسیدها و سایر اسناد مورد استفاده قرار می‌گیرد. این کار باعث افزایش سرعت، دقت و هماهنگی میان سیستم‌های مختلف می‌شود.

برای نمونه، شرکت Foresight Group از Amazon Textract برای اتوماسیون پردازش فاکتورها در سیستم SAP استفاده می‌کند. پیش از آن، ورود داده‌های تجاری به‌صورت دستی انجام می‌شد؛ کاری زمان‌بر و مستعد خطا، به‌ویژه چون کارکنان باید اطلاعات را در چند سیستم حسابداری وارد می‌کردند. با بهره‌گیری از OCR، نرم‌افزار Foresight می‌تواند کاراکترها را در قالب‌ها و ساختارهای مختلف به‌دقت بخواند، که در نهایت باعث افزایش چشمگیر بهره‌وری عملیاتی می‌شود.

OCR چگونه کار می‌کند؟

موتور یا نرم‌افزار OCR از چند مرحله‌ اصلی برای شناسایی و استخراج متن استفاده می‌کند. این مراحل شامل دریافت تصویر، پیش‌پردازش، شناسایی متن و پس‌پردازش هستند.

۱. دریافت تصویر

در این مرحله، یک اسکنر یا دوربین، سند را می‌خواند و آن را به داده‌های باینری تبدیل می‌کند. سپس نرم‌افزار OCR تصویر اسکن‌شده را تحلیل کرده و بخش‌های روشن را به‌عنوان پس‌زمینه و بخش‌های تیره را به‌عنوان متن تشخیص می‌دهد.

۲- پیش‌پردازش

پیش‌پردازش برای تمیزکردن تصویر و حذف نویزها پیش از مرحله‌ شناسایی انجام می‌شود تا دقت OCR افزایش یابد. برخی از مهم‌ترین تکنیک‌های مورد استفاده عبارت‌اند از:

• Deskewing: اصلاح زاویه‌ سند برای برطرف کردن مشکل کج‌شدن در هنگام اسکن
• Despeckling: حذف نقاط اضافی و لکه‌های دیجیتال و صاف‌کردن لبه‌های حروف
• Line & Box Cleanup: حذف خطوط یا کادرهای اضافی در تصویر، به‌ویژه در فرم‌ها یا جدول‌ها
• Script Recognition: در سیستم‌های چندزبانه، تشخیص نوع زبان یا اسکریپت (مثلا فارسی، لاتین، چینی) پیش از پردازش

۳- شناسایی متن

در این مرحله، موتور OCR از دو روش اصلی برای تشخیص حروف و کاراکترها استفاده می‌کند: الگوریتم تطبیق الگو (Pattern Matching) و استخراج ویژگی‌ها (Feature Extraction).

• تطبیق الگو (Pattern Matching)
  • در این روش، نرم‌افزار هر کاراکتر را به‌صورت یک تصویر مجزا (به نام glyph) جدا می‌کند و آن را با نمونه‌های ذخیره‌شده از همان کاراکتر مقایسه می‌کند.
  • این روش زمانی بهترین عملکرد را دارد که فونت و اندازه‌ متن ورودی با الگوهای ذخیره‌شده مشابه باشند؛ برای مثال، در اسناد تایپ‌شده با فونت‌های استاندارد.
• استخراج ویژگی‌ها (Feature Extraction)
  • در روش استخراج ویژگی، سیستم به‌جای مقایسه‌ مستقیم تصویر حروف، آن‌ها را به مجموعه‌ای از ویژگی‌ها مانند خطوط، انحناها، حلقه‌های بسته، جهت خطوط و نقاط تقاطع تجزیه می‌کند. سپس با استفاده از این ویژگی‌ها، نزدیک‌ترین تطبیق را از میان کاراکترهای شناخته‌شده پیدا می‌کند.
  • این روش نسبت به تطبیق الگو انعطاف‌پذیرتر است و در مواجهه با فونت‌های ناشناخته یا تصاویر باکیفیت پایین عملکرد بهتری دارد.

۴- پس‌پردازش

پس از شناسایی کاراکترها، نرم‌افزار OCR داده‌های متنی استخراج‌شده را به یک سند متنی قابل‌خواندن توسط ماشین تبدیل می‌کند.

برخی سیستم‌های پیشرفته حتی نسخه‌ حاشیه‌نویسی‌شده (annotated PDF) تولید می‌کنند که شامل تصویر اصلی و متن استخراج‌شده به‌صورت هم‌زمان است. این ویژگی به کاربر امکان می‌دهد ظاهر سند اصلی را حفظ کند و در عین حال بتواند متن آن را جست‌وجو یا ویرایش کند.

انواع فناوری‌های OCR

دانشمندان داده (Data Scientists) فناوری‌های OCR را بر اساس نوع استفاده و کاربردشان دسته‌بندی می‌کنند. در ادامه با رایج‌ترین انواع آن‌ها آشنا می‌شویم:

۱- نرم‌افزار OCR ساده

در مدل‌های ساده‌ی OCR، موتور نرم‌افزار مجموعه‌ای از فونت‌ها و الگوهای تصویری حروف را به‌صورت قالب در پایگاه داده‌ی خود ذخیره می‌کند. سپس با استفاده از الگوریتم‌های تطبیق الگو (Pattern Matching)، تصویر هر کاراکتر را با الگوهای موجود مقایسه کرده و در صورت تطبیق، آن را تشخیص می‌دهد.

اگر سیستم به‌جای حروف، واژه‌ها را به‌صورت کامل تطبیق دهد، این فرایند تشخیص نوری واژه (Optical Word Recognition) نامیده می‌شود.

محدودیت اصلی این روش در این است که تعداد فونت‌ها و سبک‌های دست‌خط بسیار زیاد است و نمی‌توان تمام آن‌ها را در پایگاه داده ذخیره کرد. به همین دلیل، دقت این نوع OCR معمولا به کیفیت تصویر و نوع متن وابسته است.

۲- نرم‌افزار تشخیص هوشمند کاراکتر

در سیستم‌های مدرن، فناوری ICR به کار می‌رود که تلاش می‌کند متن را مانند انسان‌ها بخواند. این سیستم‌ها از یادگیری ماشین و شبکه‌های عصبی برای آموزش مدل استفاده می‌کنند تا بتوانند ساختار و ویژگی‌های حروف را در سطوح مختلف تحلیل کنند.

در ICR، تصویر چندین بار در لایه‌های مختلف شبکه پردازش می‌شود تا ویژگی‌هایی مانند منحنی‌ها، خطوط، تقاطع‌ها و حلقه‌ها شناسایی شوند. سپس نتایج این لایه‌ها ترکیب شده و خروجی نهایی با دقت بالا تولید می‌شود.

گرچه ICR معمولا هر کاراکتر را به‌صورت جداگانه تحلیل می‌کند اما به لطف قدرت پردازش شبکه‌های عصبی، این کار در چند ثانیه انجام می‌شود.

۳- تشخیص هوشمند واژه

فناوری IWR بر پایه‌ی همان اصول ICR ساخته شده است، با این تفاوت که به‌جای پردازش تک‌تک حروف، کل واژه‌ها را به‌صورت یک تصویر واحد پردازش می‌کند. این روش در متونی با دست‌خط‌های غیرمنظم یا ترکیبی از چاپ و دست‌نویس دقت بالاتری دارد و معمولا در سیستم‌های فرم‌خوانی و اتوماسیون اداری استفاده می‌شود.

۴- تشخیص علائم نوری

فناوری OMR برای شناسایی نمادها، لوگوها، واترمارک‌ها یا علامت‌های خاص درون اسناد به کار می‌رود.

این نوع سیستم‌ها معمولا در فرم‌های آزمون (مثلا برگه‌های تستی)، فرم‌های نظرسنجی یا اسناد رسمی دارای مهر و نشان استفاده می‌شوند.

نتیجه‌گیری

فناوری OCR مسیر طولانی‌ای را از ماشین‌های مکانیکی دهه‌ی ۱۹۲۰ تا سیستم‌های مبتنی بر یادگیری عمیق امروز طی کرده است. این تحول، OCR را از یک ابزار محدود برای اسکن اسناد به بخشی کلیدی از زیرساخت‌های هوش مصنوعی و اتوماسیون سازمانی تبدیل کرده است.

امروزه OCR نه‌تنها اسناد را دیجیتالی می‌کند، بلکه داده‌های متنی را به شکلی ساختاریافته در اختیار سیستم‌های تحلیلی و مدل‌های زبانی قرار می‌دهد. از پردازش چک‌های بانکی گرفته تا استخراج داده از فاکتورها یا تشخیص متون در تصاویر شبکه‌های اجتماعی، OCR پایه‌ی بسیاری از راهکارهای هوشمند امروزی است.

برای توسعه‌دهندگان، درک نحوه‌ی کار OCR و ادغام آن با الگوریتم‌های NLP یا مدل‌های یادگیری ماشین، فرصتی است برای ساخت ابزارهایی که بتوانند داده‌های خام را به بینش قابل استفاده تبدیل کنند؛ گامی مهم در جهت خودکارسازی و هوشمندسازی فرایندهای دیجیتال آینده.

منابع

aws.amazon.com

مطالب مرتبط

مدل‌های متن بسته (Closed-Source Models) در هوش مصنوعی اکوسیستم ابزارهای هوش مصنوعی: رویکرد چندمدلی و مقایسه مدل‌ها راهنمای کامل موتور توصیه‌گر: انواع، مزایا، چالش‌ها و کاربردها