نوسازی سرفصل‌های دانشگاهی با GPT-4o و داده‌های اشتغال

تحلیل و نوسازی سرفصل‌های دانشگاهی با GPT-4o و داده‌های اشتغال

این Workflow از GPT-4o و داده‌های اشتغال برای تحلیل و نوسازی سرفصل‌های دانشگاهی استفاده می‌کند. این سیستم آمار اشتغال فارغ‌التحصیلان، الگوهای ثبت‌نام و اسناد سرفصل در قالب PDF را ادغام کرده تا یک طرح جامع نوسازی سرفصل تولید کند. این فرآیند از معماری هوش مصنوعی چند عاملی در n8n، با استفاده از مدل‌های OpenAI و یک پایگاه دانش معنایی بهره می‌برد.

این Workflow و موارد بیشتر را در کاتالوگ Axeto کاوش کنید: https://axeto.ai/n8n

نمای کلی Workflow

این Workflow وظایف کلیدی زیر را انجام می‌دهد:

1. دریافت ورودی و بارگذاری منبع: جمع‌آوری داده‌های اشتغال فارغ‌التحصیلان، الگوهای ثبت‌نام و اسناد سرفصل.

2. ساخت پایگاه دانش: ایجاد یک فروشگاه برداری در حافظه از محتوای سرفصل برای جستجوی معنایی.

3. ابزارهای تخصصی تحلیل سرفصل: ارائه ابزارهایی برای جستجوی معنایی، ارزیابی بار شناختی و پرس‌وجو از داده‌های اشتغال.

4. تحلیل چند عاملی: استفاده از دو عامل هوش مصنوعی تخصصی برای تحلیل نتایج یادگیری در برابر طبقه‌بندی بلوم و پیش‌بینی تقاضای صنعت.

5. ترکیب و ذخیره‌سازی ناظر: یک عامل ناظر یافته‌ها را تجمیع کرده و یک استراتژی نوسازی ساختاریافته تولید می‌کند که سپس ذخیره می‌شود.

---

۱. ورود داده و آماده‌سازی

این بخش مراحل اولیه راه‌اندازی Workflow و بارگذاری منابع داده ضروری را پوشش می‌دهد.

۱.۱ راه‌انداز Workflow

• Node: n8n-nodes-base.manualTrigger (راه‌انداز دستی)
• هدف: اجرای دستی Workflow را آغاز می‌کند.
• پیکربندی: هیچ پارامتر خاصی تنظیم نشده است؛ این گره به عنوان نقطه ورود عمل می‌کند.
• اتصالات: خروجی به گره‌های بارگذاری داده.

۱.۲ بارگذاری منابع داده اصلی

این گره‌ها مجموعه داده‌های اولیه مورد نیاز برای تحلیل را بازیابی می‌کنند.

• Node: n8n-nodes-base.dataTable (بارگذاری داده‌های اشتغال فارغ‌التحصیلان)

* هدف: بازیابی داده‌های اشتغال فارغ‌التحصیلان از یک جدول داده n8n.

* پیکربندی: از operation: get با یک شناسه جایگزین برای جدول اشتغال فارغ‌التحصیلان (graduate_employment_table) استفاده می‌کند.

* اتصالات: ورودی را از راه‌انداز دستی دریافت کرده و به گره ادغام داده خروجی می‌دهد.

• Node: n8n-nodes-base.dataTable (بارگذاری الگوهای ثبت‌نام)

* هدف: بازیابی داده‌های روند ثبت‌نام از یک جدول داده n8n.

* پیکربندی: از operation: get با یک شناسه جایگزین برای جدول الگوهای ثبت‌نام (enrollment_patterns_table) استفاده می‌کند.

* اتصالات: ورودی را از راه‌انداز دستی دریافت کرده و به گره ادغام داده خروجی می‌دهد.

• Node: n8n-nodes-base.extractFromFile (استخراج سرفصل‌های دوره)

* هدف: استخراج محتوای متنی از فایل‌های سرفصل PDF.

* پیکربندی: از operation: pdf با گزینه‌های استخراج پیش‌فرض استفاده می‌کند.

* اتصالات: ورودی را از راه‌انداز دستی دریافت کرده و به گره ادغام داده خروجی می‌دهد.

---

۲. ساخت پایگاه دانش

این بخش جزئیات فرآیند ساخت پایگاه دانش معنایی از اسناد سرفصل را شرح می‌دهد.

۲.۱ تجمیع داده

• Node: n8n-nodes-base.merge (ترکیب منابع داده)

* هدف: ادغام جریان‌های داده از اشتغال فارغ‌التحصیلان، الگوهای ثبت‌نام و استخراج سرفصل.

* پیکربندی: برای دریافت سه ورودی تنظیم شده است.

* اتصالات: ورودی‌ها را از سه گره بارگذاری داده دریافت کرده و داده‌های ترکیبی را به خط لوله ساخت پایگاه دانش خروجی می‌دهد.

۲.۲ پردازش اسناد سرفصل

این گره‌ها محتوای سرفصل را برای نمایه‌سازی معنایی آماده می‌کنند.

• Node: @n8n/n8n-nodes-langchain.textSplitterRecursiveCharacterTextSplitter (تقسیم متن سرفصل)

* هدف: تقسیم متن سرفصل استخراج شده به بخش‌های کوچک‌تر و قابل مدیریت برای جاسازی.

* پیکربندی: از پارامترهای پیش‌فرض تقسیم‌بندی استفاده می‌کند.

* اتصالات: بخش‌های متن را به بارگذار سند خروجی می‌دهد.

• Node: @n8n/n8n-nodes-langchain.documentDefaultDataLoader (بارگذاری اسناد سرفصل)

* هدف: تبدیل بخش‌های متن به قالبی مناسب برای پردازش LangChain.

* پیکربندی: برای تقسیم‌بندی متن سفارشی پیکربندی شده است و انتظار ورودی از گره تقسیم‌کننده را دارد.

* اتصالات: بخش‌های متن را دریافت کرده و اسناد LangChain را به فروشگاه برداری خروجی می‌دهد.

۲.۳ تولید جاسازی

• Node: @n8n/n8n-nodes-langchain.embeddingsOpenAi (تولید جاسازی)

* هدف: ایجاد جاسازی‌های برداری برای بخش‌های سند سرفصل با استفاده از مدل‌های OpenAI.

* پیکربندی: از گزینه‌های جاسازی پیش‌فرض استفاده می‌کند و به اعتبارنامه API OpenAI معتبر نیاز دارد.

* اتصالات: جاسازی‌ها را به فروشگاه برداری در حافظه خروجی می‌دهد.

۲.۴ فروشگاه برداری در حافظه

• Node: @n8n/n8n-nodes-langchain.vectorStoreInMemory (پایگاه دانش سرفصل)

* هدف: ذخیره اسناد سرفصل جاسازی شده در یک فروشگاه برداری در حافظه برای بازیابی معنایی کارآمد.

* پیکربندی: در حالت insert با کلید حافظه vector_store_key عمل می‌کند.

* اتصالات: داده‌های ترکیبی، جاسازی‌های سند و اسناد سرفصل را دریافت می‌کند. به عامل ناظر خروجی می‌دهد و به عنوان پایه ابزار بازیابی معنایی عمل می‌کند.

---

۳. ابزارها و تحلیل عامل هوش مصنوعی

این بخش ابزارهای در دسترس عامل‌های هوش مصنوعی و خود عامل‌ها را شرح می‌دهد.

۳.۱ ابزارهای بازیابی و پرس‌وجو

این گره‌ها قابلیت‌هایی را برای تعامل عامل‌های هوش مصنوعی با داده‌ها ارائه می‌دهند.

• Node: @n8n/n8n-nodes-langchain.embeddingsOpenAi (جاسازی پرس‌وجو)

* هدف: تولید جاسازی برای پرس‌وجوهای ورودی برای استفاده با ابزار بازیابی معنایی.

* پیکربندی: از گزینه‌های پیش‌فرض و اعتبارنامه‌های OpenAI استفاده می‌کند.

* اتصالات: جاسازی‌های پرس‌وجو را به ابزار بازیابی معنایی خروجی می‌دهد.

• Node: @n8n/n8n-nodes-langchain.vectorStoreInMemory (ابزار بازیابی معنایی)

* هدف: به عنوان ابزاری برای انجام جستجوهای معنایی در پایگاه دانش سرفصل پیکربندی شده است.

* پیکربندی: در حالت retrieve-as-tool با کلید حافظه curriculum_semantic_search و توضیحات ابزار سفارشی عمل می‌کند.

* اتصالات: جاسازی‌های پرس‌وجو را دریافت کرده و نتایج جستجو را به عامل‌های هوش مصنوعی خروجی می‌دهد.

• Node: n8n-nodes-base.dataTableTool (ابزار پرس‌وجوی داده اشتغال)

* هدف: ارائه داده‌های اشتغال فارغ‌التحصیلان به عنوان ابزاری برای پرس‌وجوی عامل‌های هوش مصنوعی.

* پیکربندی: از operation: get و همان شناسه جایگزین graduate_employment_table استفاده می‌کند.

* اتصالات: ابزار پرس‌وجوی داده اشتغال را به عامل پیش‌بینی تقاضای صنعت خروجی می‌دهد.

• Node: @n8n/n8n-nodes-langchain.toolCode (محاسبه‌گر بار شناختی)

* هدف: ارائه ابزاری مبتنی بر جاوا اسکریپت برای محاسبه بار شناختی بر اساس طبقه‌بندی بلوم.

* پیکربندی: از یک تابع جاوا اسکریپت برای انجام محاسبه استفاده می‌کند.

* اتصالات: ابزار محاسبه‌گر بار شناختی را به عامل هم‌ترازی نتایج یادگیری خروجی می‌دهد.

۳.۲ عامل‌های هوش مصنوعی تخصصی

این عامل‌ها وظایف تحلیلی خاصی را انجام می‌دهند.

• Node: @n8n/n8n-nodes-langchain.agent (عامل هم‌ترازی نتایج یادگیری)

* هدف: تحلیل نتایج یادگیری، نگاشت آن‌ها به طبقه‌بندی بلوم، تشخیص افزونگی و ارزیابی بار شناختی.

* پیکربندی: از GPT-4o، تجزیه‌کننده‌های خروجی ساختاریافته استفاده می‌کند و با ابزار بازیابی معنایی و محاسبه‌گر بار شناختی ارائه شده است.

* اتصالات: ورودی را از ناظر دریافت کرده و تحلیل خود را به ناظر خروجی می‌دهد.

• Node: @n8n/n8n-nodes-langchain.agent (عامل پیش‌بینی تقاضای صنعت)

* هدف: تحلیل داده‌های اشتغال و روندهای تقاضای مهارت برای شناسایی شکاف‌های سرفصل و فرصت‌های بازطراحی.

* پیکربندی: از GPT-4o، تجزیه‌کننده‌های خروجی ساختاریافته استفاده می‌کند و با ابزار بازیابی معنایی و ابزار پرس‌وجوی داده اشتغال ارائه شده است.

* اتصالات: ورودی را از ناظر دریافت کرده و تحلیل خود را به ناظر خروجی می‌دهد.

---

۴. ترکیب و خروجی

مرحله نهایی شامل تجمیع یافته‌های عامل‌ها و ذخیره نتایج است.

۴.۱ ترکیب ناظر

• Node: @n8n/n8n-nodes-langchain.agent (ناظر نوسازی سرفصل)

* هدف: هماهنگی عامل‌های تخصصی، ترکیب یافته‌های آن‌ها و تولید یک استراتژی نوسازی یکپارچه.

* پیکربندی: از GPT-4o و تجزیه‌کننده‌های خروجی ساختاریافته استفاده می‌کند. ورودی‌ها را از هر دو عامل تخصصی دریافت می‌کند.

* اتصالات: تحلیل را از عامل هم‌ترازی نتایج یادگیری و عامل پیش‌بینی تقاضای صنعت دریافت کرده و طرح نهایی نوسازی را خروجی می‌دهد.

۴.۲ ذخیره‌سازی داده

• Node: n8n-nodes-base.dataTableTool (ذخیره طرح نوسازی)

* هدف: ذخیره طرح نهایی نوسازی سرفصل در یک جدول داده n8n.

* پیکربندی: از operation: set برای نوشتن نتایج تجزیه و تبدیل شده در جدول داده هدف استفاده می‌کند.

* اتصالات: طرح تجمیع شده را از عامل ناظر دریافت می‌کند.

---

الزامات فنی

• نسخه n8n: سازگار با نسخه‌های اخیر n8n.
• بسته‌های Node:

* n8n-nodes-base

* @n8n/n8n-nodes-langchain

• کلید API OpenAI: برای مدل‌های GPT-4o و جاسازی مورد نیاز است.
• جداول داده: جداول داده n8n از پیش پیکربندی شده برای اشتغال فارغ‌التحصیلان و الگوهای ثبت‌نام.
• اسناد PDF: اسناد سرفصل در قالب PDF.