پایگاه دانش هوش مصنوعی چیست و چگونه ساخته می‌شود؟

پایگاه دانش هوش مصنوعی مجموعه‌ای مدیریت‌شده از اطلاعات واقعی کسب‌وکار است که ایجنت هنگام پاسخ‌گویی در آن جست‌وجو می‌کند. این دانش می‌تواند شامل محصولات، قیمت‌ها، قوانین، فایل‌های PDF، سؤال‌های متداول و صفحات وب باشد. کیفیت پاسخ به تازگی اطلاعات، ساختار منابع، قوانین استفاده و کنترل مدیر وابسته است.

یک مدل هوش مصنوعی عمومی، کسب‌وکار شما را نمی‌شناسد. نمی‌داند کدام محصولات موجودند، شرایط بازگشت کالا چیست، یک خدمت چقدر زمان می‌برد یا تیم شما در چه موقعیتی باید گفتگو را به اپراتور منتقل کند.

اگر از چنین مدلی بخواهید مستقیم به مشتری پاسخ دهد، ممکن است پاسخ آن از نظر نگارشی خوب اما از نظر عملی اشتباه باشد. پاسخ سریع با قیمت قدیمی، قانون نادرست یا وعده‌ای که کسب‌وکار نمی‌تواند اجرا کند، ارزش چندانی ندارد.

پایگاه دانش هوش مصنوعی این فاصله را کمتر می‌کند. اطلاعات تأییدشده کسب‌وکار در یک فضای قابل جست‌وجو قرار می‌گیرند و ایجنت هنگام دریافت سؤال، بخش مرتبط را پیدا می‌کند. سپس پاسخ را با استفاده از همان اطلاعات و قوانین تعریف‌شده می‌سازد.

بااین‌حال، بارگذاری چند فایل به‌تنهایی کافی نیست. منابع باید مرتب، قابل‌فهم، به‌روز و متناسب با سؤال‌های واقعی مشتریان باشند. همچنین باید مشخص شود ایجنت هنگام نبود پاسخ چه کاری انجام دهد و چه کسی تغییرات دانش را تأیید کند.

پایگاه دانش هوش مصنوعی چیست؟

پایگاه دانش هوش مصنوعی مجموعه‌ای از داده‌ها، اسناد و اطلاعات سازمان‌یافته است که یک سیستم هوشمند برای پاسخ به سؤال، بازیابی اطلاعات یا انجام وظیفه از آن استفاده می‌کند.

این پایگاه می‌تواند شامل منابعی مانند موارد زیر باشد:

• سؤال‌های متداول
• توضیحات محصول
• قیمت و موجودی
• قوانین فروش و ارسال
• مستندات پشتیبانی
• فایل‌های PDF و CSV
• صفحات وب
• کاتالوگ خدمات
• شرایط رزرو
• دستورالعمل‌های داخلی
• پاسخ‌های تأییدشده مدیر

در بسیاری از سیستم‌های جدید، برای استفاده از این منابع از روشی به نام بازیابی تقویت‌شده با تولید یا RAG استفاده می‌شود.

در RAG، مدل قرار نیست تمام اطلاعات کسب‌وکار را از قبل در حافظه خود داشته باشد. ابتدا بخش‌های مرتبط از منابع خارجی بازیابی می‌شوند و سپس مدل با استفاده از آن اطلاعات، پاسخ مناسب را تولید می‌کند. Google Cloud نیز RAG را روشی برای ترکیب مدل زبانی با پایگاه‌های دانش خارجی معرفی می‌کند.

به زبان ساده، مسیر پاسخ می‌تواند این‌گونه باشد:

سؤال مشتری → جست‌وجو در دانش کسب‌وکار → یافتن اطلاعات مرتبط → اعمال قوانین پاسخ‌گویی → ساخت پاسخ

پایگاه دانش باعث نمی‌شود مدل همیشه بدون خطا پاسخ دهد. نتیجه همچنان به کیفیت منابع، روش بازیابی، دستورها و محدودیت‌های سیستم وابسته است.

پایگاه دانش چگونه به پاسخ تبدیل می‌شود؟

فرایند فنی می‌تواند میان ابزارهای مختلف متفاوت باشد، اما مسیر کلی معمولاً چند مرحله دارد.

۱. اطلاعات وارد سیستم می‌شوند

ابتدا فایل‌ها، متن‌ها، صفحات وب یا داده‌های کسب‌وکار به سیستم اضافه می‌شوند.

برای مثال، یک فروشگاه ممکن است این منابع را وارد کند:

• کاتالوگ محصولات
• راهنمای انتخاب سایز
• شرایط ارسال
• قوانین تعویض
• سؤال‌های متداول
• توضیحات خدمات پس از فروش

۲. محتوای منابع پردازش می‌شود

اسناد بزرگ معمولاً به بخش‌های کوچک‌تر تقسیم می‌شوند تا سیستم بتواند قسمت مرتبط را راحت‌تر پیدا کند.

برای نمونه، یک فایل PDF پنجاه‌صفحه‌ای ممکن است شامل قوانین ارسال، پرداخت، مرجوعی و ضمانت باشد. هنگام سؤال درباره مرجوعی، لازم نیست تمام پنجاه صفحه در اختیار مدل قرار بگیرد؛ فقط بخش‌های مرتبط باید بازیابی شوند.

۳. اطلاعات قابل جست‌وجو می‌شوند

سامانه‌های Retrieval می‌توانند برای منابع یک نمایه جست‌وجو بسازند. در برخی پیاده‌سازی‌ها، اطلاعات در Vector Store ذخیره می‌شوند تا جست‌وجوی معنایی روی آن‌ها انجام شود.

جست‌وجوی معنایی فقط به تطابق دقیق کلمات وابسته نیست. برای مثال، سؤال «تا چند روز فرصت تعویض دارم؟» می‌تواند به بخشی با عنوان «مهلت بازگشت کالا» مرتبط تشخیص داده شود.

مستندات رسمی OpenAI نیز Retrieval را مبتنی بر Vector Store و جست‌وجوی معنایی در داده‌های واردشده توضیح می‌دهد.

۴. بخش مرتبط بازیابی می‌شود

وقتی مشتری سؤال می‌پرسد، سیستم تلاش می‌کند چند بخش مرتبط از منابع را پیدا کند.

برای مثال:

ارسال به شهرستان چند روز طول می‌کشد؟

ممکن است بخش‌های مرتبط زیر بازیابی شوند:

• زمان پردازش سفارش
• روش‌های ارسال
• زمان تقریبی تحویل شهرستان
• استثناهای روزهای تعطیل

۵. مدل بر اساس اطلاعات بازیابی‌شده پاسخ می‌سازد

مدل سؤال مشتری، بخش‌های بازیابی‌شده، لحن برند و قوانین پاسخ‌گویی را کنار یکدیگر قرار می‌دهد.

در یک طراحی مناسب، ایجنت باید بداند:

• فقط از منابع معتبر استفاده کند.
• اطلاعات ناموجود را حدس نزند.
• میان زمان قطعی و زمان تقریبی تفاوت بگذارد.
• در موارد حساس به اپراتور ارجاع دهد.
• وعده‌ای خارج از قوانین کسب‌وکار ندهد.

پایگاه دانش با FAQ و آموزش مدل چه تفاوتی دارد؟

پایگاه دانش، FAQ و آموزش مدل مفاهیم یکسانی نیستند.

FAQ می‌تواند بخشی از پایگاه دانش باشد، اما کل پایگاه دانش نیست.

همچنین افزودن اطلاعات کسب‌وکار به یک سیستم RAG معمولاً به معنی آموزش دوباره مدل پایه نیست. اطلاعات بیرونی در زمان پاسخ‌گویی بازیابی می‌شوند و در اختیار مدل قرار می‌گیرند.

این تفاوت برای اطلاعاتی مانند قیمت، موجودی و قوانین بسیار مهم است. چنین داده‌هایی ممکن است مرتب تغییر کنند و بهتر است از منبع قابل‌به‌روزرسانی دریافت شوند، نه اینکه در نسخه‌ای ثابت از مدل قرار بگیرند.

چه اطلاعاتی باید وارد پایگاه دانش شوند؟

هر اطلاعاتی که در شرکت وجود دارد، الزاماً برای ایجنت مناسب نیست. منابع باید بر اساس وظیفه ایجنت انتخاب شوند.

متن و سؤال‌های متداول

برای پاسخ به سؤال‌های مشخص و پرتکرار مناسب‌اند:

• ساعات کاری
• روش ثبت سفارش
• محدوده خدمات
• شرایط پرداخت
• نحوه پیگیری
• شرایط لغو

پاسخ‌ها باید واضح و بدون تناقض باشند. اگر برای یک سؤال سه پاسخ متفاوت در منابع وجود داشته باشد، ایجنت ممکن است پاسخ ناهماهنگ تولید کند.

فایل‌های PDF

PDF می‌تواند برای این منابع مناسب باشد:

• کاتالوگ
• راهنمای محصول
• دستورالعمل
• قوانین
• بروشور خدمات
• مستندات پشتیبانی

فایل‌های اسکن‌شده، جدول‌های بسیار پیچیده یا صفحاتی که بیشتر از تصویر تشکیل شده‌اند، ممکن است به پردازش بیشتری نیاز داشته باشند.

فایل‌های CSV و داده‌های ساختاریافته

CSV برای اطلاعاتی مانند فهرست محصولات، دسته‌بندی‌ها، ویژگی‌ها یا قیمت‌ها قابل استفاده است.

بااین‌حال، داده‌های دائماً متغیر مانند موجودی لحظه‌ای بهتر است در صورت امکان از سیستم اصلی محصول یا فروشگاه همگام شوند.

صفحات وب

صفحات راهنما، قوانین، مقاله‌ها و معرفی خدمات می‌توانند بخشی از دانش باشند.

پیش از افزودن کل سایت بررسی کنید:

• آیا صفحات قدیمی هنوز در دسترس‌اند؟
• آیا اطلاعات تکراری وجود دارد؟
• آیا صفحات آزمایشی یا موقت ایندکس شده‌اند؟
• آیا اطلاعات عمومی و داخلی باید از هم جدا شوند؟

اطلاعات محصولات و خدمات

برای یک ایجنت فروش، این اطلاعات اهمیت زیادی دارند:

• نام
• توضیحات
• قیمت
• موجودی
• مشخصات
• دسته‌بندی
• تصویر
• وضعیت فعال یا غیرفعال

در راهکار ووکامرس ویجنت، محصولات، قیمت، موجودی، سفارش‌ها و محتوای سایت می‌توانند با ایجنت همگام شوند تا پاسخ از داده‌های فروشگاه ساخته شود.

قوانین و محدودیت‌های پاسخ‌گویی

این بخش مشخص می‌کند ایجنت چگونه از دانش استفاده کند.

نمونه قوانین:

• موجودی را فقط از کاتالوگ فعال اعلام کن.
• تخفیف خارج از فهرست تأییدشده پیشنهاد نده.
• درباره نتیجه درمان یا خدمات تخصصی وعده نده.
• در نبود پاسخ معتبر، گفتگو را به اپراتور بسپار.
• اطلاعات داخلی شرکت را برای مشتری نمایش نده.

دانش می‌گوید چه اطلاعاتی وجود دارد؛ قوانین مشخص می‌کنند این اطلاعات چگونه استفاده شوند.

چگونه یک پایگاه دانش هوش مصنوعی بسازیم؟

ساخت پایگاه دانش بهتر است با یک مسئله مشخص آغاز شود، نه با بارگذاری تمام فایل‌های شرکت.

۱. وظیفه ایجنت را مشخص کنید

ابتدا تعیین کنید ایجنت قرار است چه کاری انجام دهد:

• پاسخ به سؤال‌های فروش
• پشتیبانی محصول
• معرفی خدمات
• رزرو نوبت
• پیگیری سفارش
• راهنمای استفاده

ورودی: هدف کسب‌وکار خروجی: محدوده روشن موضوعات قابل پاسخ

اشتباه رایج این است که از یک ایجنت انتظار داشته باشید بدون مرزبندی به تمام سؤال‌های فروش، پشتیبانی، منابع انسانی و امور مالی پاسخ دهد.

۲. سؤال‌های واقعی مشتریان را جمع‌آوری کنید

گفتگوهای اینستاگرام، واتساپ، تلگرام، تماس‌های پشتیبانی و تیکت‌ها را بررسی کنید.

سؤال‌ها را در گروه‌های مشخص قرار دهید:

• قیمت و موجودی
• شرایط خرید
• مقایسه
• راهنمای استفاده
• خطا و مشکل
• ارسال و تحویل
• لغو و بازگشت
• درخواست اپراتور

این دسته‌بندی نشان می‌دهد کدام اطلاعات باید زودتر وارد دانش شوند.

۳. منبع معتبر هر پاسخ را تعیین کنید

برای هر دسته مشخص کنید پاسخ صحیح از کجا می‌آید.

اگر منبع حقیقت مشخص نباشد، احتمال تناقض بالا می‌رود.

۴. اطلاعات قدیمی و تکراری را حذف کنید

پیش از ورود منابع، موارد زیر را بررسی کنید:

• نسخه‌های قدیمی فایل‌ها
• قیمت‌های منقضی‌شده
• قوانین لغوشده
• محصولات غیرفعال
• پاسخ‌های متناقض
• پیش‌نویس‌های داخلی
• اطلاعاتی که نباید در دسترس مشتری قرار گیرند

افزودن فایل بیشتر الزاماً کیفیت را افزایش نمی‌دهد. منابع نامرتبط می‌توانند بازیابی را دشوارتر کنند.

۵. محتوا را واضح و قابل بازیابی بنویسید

اطلاعات هر بخش باید مستقل و روشن باشد.

نمونه ضعیف:

در این مورد مانند قبل عمل شود.

نمونه بهتر:

سفارش‌های ثبت‌شده تا ساعت ۱۴ در همان روز پردازش می‌شوند. سفارش‌های بعد از ساعت ۱۴ در روز کاری بعد پردازش خواهند شد.

عبارت‌هایی مانند «طبق روال»، «در صورت نیاز» یا «شرایط معمول» برای ایجنت مبهم هستند، مگر اینکه تعریف دقیق آن‌ها نیز در دانش وجود داشته باشد.

۶. رفتار هنگام ندانستن پاسخ را تعیین کنید

ایجنت باید در نبود اطلاعات معتبر یکی از اقدامات مشخص را انجام دهد:

1. سؤال تکمیلی بپرسد.
2. اعلام کند اطلاعات کافی در دسترس نیست.
3. گفتگو را به اپراتور منتقل کند.
4. سؤال را برای بررسی مدیر ثبت کند.

عبارت «پاسخی بساز که منطقی به نظر برسد» برای محیط فروش و پشتیبانی خطرناک است.

۷. با سؤال‌های واقعی آزمایش کنید

فقط سؤالات دقیق و رسمی را تست نکنید. مشتریان ممکن است پیام‌هایی مانند این ارسال کنند:

• «این هنوز هست؟»
• «چنده با ارسال؟»
• «همونی که تو استوری بود رنگ دیگه هم داره؟»
• «قبلاً گفتین تعویض میشه، الان چرا نمیشه؟»
• «منظورم مدل قبلیه»

در آزمایش، این موارد را بررسی کنید:

• آیا منبع درست بازیابی شد؟
• آیا پاسخ با منبع هماهنگ بود؟
• آیا اطلاعاتی اضافه یا حدس زده شد؟
• آیا سؤال تکمیلی لازم بود؟
• آیا گفتگو باید به انسان منتقل می‌شد؟

۸. مسئول به‌روزرسانی تعیین کنید

هر بخش دانش باید مالک مشخصی داشته باشد.

برای مثال:

• محصولات: مدیر فروشگاه
• قوانین ارسال: مدیر عملیات
• پاسخ‌های پشتیبانی: مسئول پشتیبانی
• خدمات و زمان‌ها: مدیر مجموعه
• تخفیف‌ها: مدیر فروش

پایگاه دانش بدون مسئول نگهداری، به‌مرور به آرشیوی از اطلاعات قدیمی تبدیل می‌شود.

چگونه پایگاه دانش را با ویجنت یکپارچه کنیم؟

در ویجنت، کسب‌وکار می‌تواند منابع مختلفی مانند متن، FAQ، PDF، CSV، صفحات وب، کاتالوگ، قوانین فروش و مستندات پشتیبانی را به ایجنت متصل کند. ایجنت هنگام پاسخ، اطلاعات مرتبط را پیدا می‌کند و پاسخ را بر اساس دانش واقعی کسب‌وکار می‌سازد.

یک جریان فرضی برای فروشگاه پوشاک می‌تواند به این شکل باشد:

پیام مشتری در اینستاگرام → تشخیص محصول و سؤال → جست‌وجو در کاتالوگ و قوانین → بررسی قیمت و موجودی → ساخت پاسخ → ثبت گفتگو → انتقال به اپراتور در صورت نبود اطلاعات

برای مثال، مشتری می‌پرسد:

این مانتو برای قد ۱۶۵ مناسبه و رنگ کرم سایز ۴۰ دارید؟

ایجنت می‌تواند اطلاعات محصول و راهنمای سایز را پیدا کند. اگر موجودی سایز در کاتالوگ ثبت شده باشد، همان اطلاعات را اعلام می‌کند. اگر داده موجودی در دسترس نباشد، باید از حدس‌زدن خودداری کرده و موضوع را برای بررسی به اپراتور بسپارد.

ویجنت همچنین یادگیری کنترل‌شده را در نظر می‌گیرد. سؤال‌هایی که پاسخ مناسبی برای آن‌ها وجود ندارد در بخش یادگیری نمایش داده می‌شوند. هوش مصنوعی می‌تواند پاسخ پیشنهادی تولید کند، اما اطلاعات جدید بدون تأیید مدیر وارد دانش نمی‌شوند.

این ویژگی کمک می‌کند فرایند توسعه دانش قابل بازبینی باقی بماند:

سؤال بدون پاسخ → پیشنهاد AI → بررسی مدیر → ویرایش → تأیید → اضافه‌شدن به دانش

همان دانش می‌تواند در کانال‌های مختلف مانند اینستاگرام، واتساپ، تلگرام، بله، روبیکا، ویجت وب‌سایت و لینک چت استفاده شود. در نتیجه، پاسخ‌ها از یک منبع مشترک ساخته می‌شوند و احتمال ناهماهنگی میان کانال‌ها کمتر می‌شود.

برای درک بهتر نقش ایجنت، راهنمای AI Agent چیست و چگونه کار می‌کند؟ را مطالعه کنید. همچنین در مقاله پاسخ خودکار کامنت اینستاگرام می‌بینید که دانش چگونه در یک سناریوی واقعی اینستاگرام استفاده می‌شود.

۶ اشتباهی که پایگاه دانش را غیرقابل اعتماد می‌کند

۱. بارگذاری تمام فایل‌ها بدون انتخاب

فایل‌های زیاد، قدیمی و نامرتبط می‌توانند اطلاعات متناقض وارد سیستم کنند.

راه اصلاح: فقط منابع مرتبط با وظیفه ایجنت را انتخاب کنید و برای هر منبع مالک مشخصی داشته باشید.

۲. یکی‌دانستن دانش با پرامپت

نوشتن چند پاراگراف طولانی در دستور ایجنت جایگزین پایگاه دانش قابل نگهداری نیست.

راه اصلاح: هویت، لحن و قوانین را از اطلاعات محصول، مستندات و محتوای قابل تغییر جدا کنید.

۳. واردکردن قیمت و موجودی قدیمی

ایجنت ممکن است همان اطلاعاتی را اعلام کند که در منبع وجود دارد، حتی اگر منبع منقضی شده باشد.

راه اصلاح: داده‌های متغیر را به منبع قابل همگام‌سازی وصل کنید یا برنامه به‌روزرسانی منظم داشته باشید.

۴. نداشتن رفتار مشخص هنگام نبود پاسخ

بدون قانون روشن، مدل ممکن است پاسخی تولید کند که منطقی به نظر می‌رسد اما در دانش کسب‌وکار وجود ندارد.

راه اصلاح: اعلام عدم اطمینان، سؤال تکمیلی و انتقال به اپراتور را تعریف کنید.

۵. اضافه‌کردن اطلاعات بدون تأیید مدیر

هر پاسخ اپراتور یا پیشنهاد AI الزاماً درست و قابل استفاده عمومی نیست.

راه اصلاح: دانش جدید باید پیش از انتشار بررسی، ویرایش و تأیید شود.

۶. آزمایش فقط با سؤال‌های ساده

پاسخ صحیح به «ساعات کاری چیست؟» نشان نمی‌دهد ایجنت در سؤال‌های مبهم یا متناقض نیز درست عمل می‌کند.

راه اصلاح: غلط املایی، تغییر موضوع، اطلاعات ناقص، اعتراض مشتری و درخواست خارج از محدوده را نیز آزمایش کنید.

سؤالات متداول

آیا پایگاه دانش همان FAQ است؟

خیر. FAQ فقط مجموعه‌ای از سؤال‌ها و پاسخ‌های پرتکرار است و می‌تواند یکی از منابع پایگاه دانش باشد. پایگاه دانش گسترده‌تر است و می‌تواند اسناد، صفحات وب، محصولات، قوانین، قیمت‌ها و مستندات پشتیبانی را نیز شامل شود. ایجنت از میان این منابع، اطلاعات مرتبط با سؤال را بازیابی می‌کند.

آیا با بارگذاری یک PDF، ایجنت همه‌چیز را یاد می‌گیرد؟

خیر. نتیجه به کیفیت PDF، ساختار متن، خوانایی، تازگی اطلاعات و روش پردازش بستگی دارد. فایل‌های اسکن‌شده، جدول‌های پیچیده یا اسناد دارای اطلاعات متناقض ممکن است به آماده‌سازی بیشتری نیاز داشته باشند. پس از بارگذاری نیز باید پاسخ ایجنت با سؤال‌های واقعی آزمایش شود.

آیا RAG از پاسخ اشتباه هوش مصنوعی جلوگیری می‌کند؟

RAG می‌تواند پاسخ را به اطلاعات خارجی و مرتبط متصل کند، اما تضمین نمی‌کند تمام پاسخ‌ها درست باشند. ممکن است منبع اشتباه بازیابی شود، اطلاعات قدیمی باشند یا مدل برداشت نامناسبی داشته باشد. کنترل منبع، قوانین پاسخ‌گویی، ارزیابی و انتقال به اپراتور همچنان ضروری هستند.

اطلاعات پایگاه دانش هر چند وقت یک‌بار باید به‌روزرسانی شوند؟

زمان به‌روزرسانی به نوع اطلاعات بستگی دارد. قیمت و موجودی ممکن است به همگام‌سازی مداوم نیاز داشته باشند، درحالی‌که قوانین عمومی کمتر تغییر می‌کنند. بهتر است برای هر منبع، مسئول، تاریخ آخرین بازبینی و دوره مشخصی برای بررسی مجدد تعیین شود.

اگر ایجنت پاسخ سؤال را در دانش پیدا نکند چه می‌شود؟

رفتار صحیح باید از قبل تعریف شود. ایجنت می‌تواند سؤال تکمیلی بپرسد، اعلام کند اطلاعات کافی ندارد یا گفتگو را به اپراتور منتقل کند. در ویجنت، سؤال‌های بدون پاسخ مناسب می‌توانند برای بررسی در بخش یادگیری نمایش داده شوند و فقط پس از تأیید مدیر به دانش اضافه شوند.

آیا اطلاعات محصولات باید در فایل PDF باشند؟

الزامی نیست. محصول می‌تواند از کاتالوگ، CSV، فروشگاه ووکامرسی یا سیستم دیگری وارد شود. برای قیمت و موجودی متغیر، اتصال به منبع به‌روز معمولاً مناسب‌تر از PDF ثابت است. PDF بیشتر برای راهنما، مشخصات، قوانین و اطلاعاتی مناسب است که کمتر تغییر می‌کنند.

جمع‌بندی

پایگاه دانش هوش مصنوعی زمانی مفید است که اطلاعات واقعی، مرتبط و به‌روز کسب‌وکار را در اختیار ایجنت قرار دهد. برای ساخت آن باید سه موضوع را جدی بگیرید:

1. منبع حقیقت هر پاسخ مشخص باشد.
2. اطلاعات قدیمی، تکراری و محرمانه حذف شوند.
3. رفتار ایجنت هنگام ندانستن و فرایند تأیید دانش تعریف شود.

هدف فقط بارگذاری فایل نیست. پایگاه دانش باید به بخشی زنده از عملیات کسب‌وکار تبدیل شود؛ بخشی که محصولات، قوانین، مستندات و سؤال‌های واقعی مشتریان را به پاسخ‌هایی قابل‌کنترل متصل می‌کند.

برای شروع، یک مسئله محدود مانند پاسخ به سؤال‌های قیمت، خدمات یا شرایط ارسال را انتخاب کنید. منابع مربوط به همان مسئله را آماده کنید، ایجنت را با پیام‌های واقعی آزمایش کنید و پس از اطمینان، دامنه دانش را گسترش دهید.

برای اجرای این فرایند می‌توانید قابلیت‌های ویجنت و تعرفه‌های ویجنت را بررسی کرده و یک پایگاه دانش آزمایشی با اطلاعات واقعی کسب‌وکار خود بسازید.