فصل 5: مدیریت پروژه، امکان‌سنجی، ارزیابی مالی و عملیات یادگیری ماشین

تفاوت بنیادین مهندسی نرم‌افزار سنتی با هوش مصنوعی، چرخه ۶ فازی CRISP-DM، مدیریت رانش مفهوم و داده و الگوهای استقرار کم‌ریسک Canary و Shadow.

منشور ۴ بعدی امکان‌سنجی (فنی، داده، کسب‌وکار و انطباق)، خطای بهینه بیز، سنجش عملکرد در سطح انسان (HLP)، مقایسه PoC و MVP و تحلیل خط مبنا.

محاسبه ساختار کل هزینه مالکیت (TCO)، هزینه‌های پنهان پردازش ابری و سرورها (Dark OpEx)، ماتریس هزینه خطای مدل، تنزیل جریانات نقدی، NPV و IRR.

چارچوب مرجع NIST AI RMF، ماتریس ریسک سیستم‌های هوشمند، شناسایی حملات تخاصمی (Adversarial Attacks)، طراحی سوئیچ اضطراری Kill Switch و تیم قرمز.

هرم سه‌لایه سنجه‌های کسب‌وکار، سیستم و الگوریتم، ارزیابی مدل‌های زبانی با RAGAS، اندازه‌گیری تأخیر صدک‌های بالا (p95 و p99) و زمان اولین توکن TTFT.

چرخه یکپارچه MLOps: آموزش مداوم (CT)، پایگاه ویژگی (Feature Store)، ابزارهای نسخه‌بندی داده DVC و MLflow، و پیشگیری از انحراف Training-Serving Skew.

فرمول‌های محاسبه دقیق ROI ساده و سالانه، دوره بازگشت سرمایه (Payback Period)، تحلیل منحنی افت و جهش ارزش (J-Curve) و ارزش زمانی پول.