هزینه یک پروژه هوش مصنوعی از چه تشکیل میشود؟
وقتی دربارهٔ هزینه هوش مصنوعی صحبت میشود، بحث معمولاً روی نرخ استفاده از مدل متمرکز میماند. در یک پروژه واقعی، این معمولاً کوچکترین قلم است.
ساختار هزینه
آمادهسازی داده. جمعآوری اسناد، تشخیص نسخه معتبر، خارجکردن منسوخها، استخراج متن از اسکن، و پاکسازی. در پروژههای سازمانی این معمولاً بزرگترین قلم است و کمترین دیدهشدن را دارد.
ساخت سامانه. بازیابی، اتصال به مدل، رابط کاربری، سطح دسترسی و لاگ.
ارزیابی. ساختن مجموعه پرسش آزمون و سنجیدن مکرر. اگر این در برآورد نیست، پروژه معیاری برای «بهتر شد» ندارد.
یکپارچهسازی. اتصال به پرتال، سامانه تیکت یا هر جایی که دستیار باید در آن بنشیند.
مصرف مدل. نرخ استفاده، یا هزینه سختافزار در حالت داخلی.
نگهداری. بهروزنگهداشتن نمایه با تغییر اسناد، پایش کیفیت، و تعویض مدل.
فرمول برآورد مصرف
اگر از سرویس بیرونی استفاده میکنید، هزینه بر مبنای حجم متن ورودی و خروجی حساب میشود:
هزینه ماهانه ≈ تعداد پرسش × (طول ورودی + طول خروجی) × نرخ واحد
نکتهای که برآوردها را چند برابر خطا میکند: در یک سامانه RAG، ورودی فقط سؤال کاربر نیست. قطعههای سند بازیابیشده و دستور سامانه هم جزو ورودیاند. اگر هر پرسش پنج قطعه متن همراهش برود، ورودی واقعی چند برابر طول سؤال است.
پس فرمول عملیتر:
طول ورودی ≈ دستور سامانه + (تعداد قطعه × اندازه قطعه) + سؤال + تاریخچه گفتوگو
آن قلم آخر هم اثر دارد: در گفتوگوی چندمرحلهای، تاریخچه در هر نوبت دوباره فرستاده میشود و ورودی بهتدریج بزرگ میشود.
برای برآورد سالانه، این را در تعداد پرسش ضرب کنید — و تعداد پرسش را از داده واقعی خودتان بگیرید، مثلاً تعداد تیکتهای ماهانه، نه از حدس.
در حالت استقرار داخلی
فرمول عوض میشود: هزینه دیگر بهازای پرسش نیست، سرمایهای و ثابت است.
هزینه = سختافزار (یا اجاره ماهانه) + برق و فضا + زمان نگهداری
نقطه سربهسر جایی است که هزینه ثابت داخلی از هزینه متغیر سرویس بیرونی کمتر شود. یعنی هرچه حجم پرسش بیشتر، استقرار داخلی بهصرفهتر — و برعکس، برای حجم کم، پرداخت بهازای مصرف ارزانتر است.
البته در بسیاری از پروژههای ایرانی این محاسبه اصلاً تعیینکننده نیست، چون محرمانگی داده یا محدودیت دسترسی، انتخاب را از قبل کرده است.
چهار اهرم که هزینه مصرف را کم میکنند
اندازه و تعداد قطعه. فرستادن سه قطعه دقیق بهتر از ده قطعه تقریبی است — هم ارزانتر و هم باکیفیتتر. کیفیت بازیابی مستقیماً هزینه را کم میکند.
مدل متناسب با کار. برای دستهبندی و استخراج، مدل کوچک کافی است. استفاده از بزرگترین مدل برای همهکار، رایجترین منبع هدررفت است.
حافظه پاسخ. پرسشهای پرتکرار جواب یکسان دارند. نگهداشتن پاسخهای آماده برای پرتکرارترینها، بخش قابل توجهی از بار را برمیدارد.
کوتاهکردن تاریخچه. بهجای فرستادن کل گفتوگو، خلاصهاش را نگه دارید.
اقلامی که در پیشنهادها دیده نمیشوند
اگر پیشنهادی گرفتهاید، اینها را جدا بپرسید:
آمادهسازی اسناد — با شماست یا با پیمانکار؟ اگر با شماست، چند نفر-روز از تیم خودتان میگیرد؟
ساخت مجموعه آزمون — پنجاه پرسش با جواب درست، کار کارشناسان شماست.
نگهداری نمایه — وقتی سندی عوض شود، چه اتفاقی میافتد و هزینهاش با کیست؟
تعویض مدل — مدلها بهتر میشوند؛ تعویض یک پروژه کوچک است.
آموزش کاربران و پایش کیفیت پس از راهاندازی.
هزینهای که در هیچ فاکتوری نیست
پروژهای که به تولید نمیرسد. بیشترین هدررفت در این حوزه، نمونههای اولیهای هستند که کار میکنند و هیچکس جرئت نمیکند به تولید ببرد. دلیلش تقریباً همیشه یکی است: معیار مکتوبی برای «بهاندازه کافی خوب» تعریف نشده بود. تفصیلش در از نمونه اولیه تا محصول.
پاسخ غلط. اگر دستیار به مشتری چیزی بگوید که تعهد بسازد، هزینهاش از کل پروژه بیشتر است.
چطور برآورد بگیرید
بودجه را از دامنه تعیین نکنید؛ از یک حوزه مشخص شروع کنید و برآورد همان را بخواهید: یک دسته پرسش، یک مجموعه سند، یک مجموعه آزمون.
با نتیجه آن مرحله، هم عدد واقعی مصرف را دارید و هم میدانید آمادهسازی داده در سازمان شما چقدر طول میکشد. آن دو عدد، برآورد مرحله بعد را از حدس به محاسبه تبدیل میکنند.
نرخ روز نیروی متخصص و نرخ مصرف مدل را میتوانید در یک جلسه مشاوره رایگان بگیرید و در همین فرمولها بگذارید. عدد ریالی اینجا ننوشتهایم چون نرخها مرتب تغییر میکنند و آنچه پایدار است، ساختار محاسبه است.