2⃣ لوپ Refresh Old SEO Article

این مقاله قدیمی را refresh کن، اما فقط در محدوده همین search intent.

ورودی‌ها:
- متن فعلی مقاله
- keyword هدف
- search intent
- لینک‌های داخلی پیشنهادی
- قوانین لحن برند
- CTA محصول یا lead magnet

در هر دور بررسی کن:
1. آیا intro سریع و واضح مسئله را باز می‌کند؟
2. آیا ساختار H2 با search intent می‌خواند؟
3. آیا ادعاهای قدیمی یا بی‌منبع دارد؟
4. آیا مثال کافی دارد؟
5. آیا internal linkهای درست اضافه شده؟
6. آیا CTA با موضوع مقاله مرتبط است؟
7. آیا متن خواناست؟

قوانین:
- آمار نساز.
- هر ادعای بی‌منبع را با [نیازمند منبع] علامت بزن.
- مقاله را از intent اصلی خارج نکن.
- چیزی را منتشر نکن؛ فقط نسخه آماده بررسی بده.

حداکثر ۵ دور اصلاح کن.
وقتی همه معیارها پاس شد، خروجی نهایی بده.
اگر نشد، بگو دقیقاً کدام بخش هنوز مشکل دارد.

3⃣ لوپ Landing Page Improvement

این نمونه برای #CRO خیلی کاربردیه. AdLume می‌گه به جای «landing page را بهتر کن»، باید ورودی‌هایی مثل copy صفحه، traffic source، مخاطب هدف، CTA اصلی، objectionها و proof points را بدهی. بعد مدل باید headline clarity، problem relevance، offer promise، proof، objection handling، CTA specificity و mobile readability را بررسی کند. خروجی هم باید top 5 conversion issues، hero بازنویسی‌شده، CTA جدید، proofهای missing و approval checklist باشد.

این landing page را برای افزایش conversion بررسی و اصلاح کن.

ورودی‌ها:
- متن فعلی صفحه
- منبع ترافیک
- مخاطب هدف
- CTA اصلی
- objectionهای رایج
- proofهای موجود

در هر دور این موارد را چک کن:
1. آیا headline دقیقاً می‌گوید این صفحه برای کی و چه مشکلی است؟
2. آیا offer promise واضح است؟
3. آیا proof کافی داریم؟
4. آیا objectionهای اصلی جواب داده شده؟
5. آیا CTA مشخص و کم‌اصطکاک است؟
6. آیا متن برای موبایل قابل اسکن است؟

قوانین:
- کل صفحه را بی‌دلیل بازنویسی نکن.
- CTA اصلی را عوض نکن، مگر اینکه دلیل بدهی.
- facts را از assumptions جدا کن.
- صفحه را publish نکن.

حداکثر ۴ بار اصلاح کن.
خروجی نهایی:
- ۵ مشکل اصلی conversion
- نسخه پیشنهادی hero
- CTA پیشنهادی
- proofهای کم‌داریم
- before/after rationale
- چک‌لیست تأیید انسانی

4⃣ لوپ Paid Ads Weekly Readout

این برای گزارش کمپین عالیه. ورودی: export کمپین، baseline هفته قبل، KPI هدف، tracking caveats، تغییرات بودجه و campaign notes. مدل باید spend، conversions، CPA/ROAS، CTR، CPC، conversion rate و lead quality را تحلیل کند. ولی حق ندارد از یک metric ادعای causality کند یا تغییر spend پیشنهاد بدهد بدون approval.

گزارش هفتگی تبلیغات را به یک decision-ready readout تبدیل کن.

ورودی‌ها:
- export کمپین
- baseline هفته قبل
- KPI هدف
- تغییرات بودجه
- نکات کمپین
- caveatهای tracking
- اگر هست: lead quality signal

تحلیل کن:
1. spend
2. conversions
3. CPA یا ROAS
4. CTR
5. CPC
6. conversion rate
7. lead quality

قوانین:
- از یک metric نتیجه قطعی نگیر.
- facts، hypotheses و missing data را جدا کن.
- tracking issueها را واضح علامت بزن.
- بدون تأیید انسانی تغییر بودجه پیشنهاد نده.

حداکثر ۴ دور اصلاح کن تا خروجی شامل این‌ها باشد:
- خلاصه ۵ bulletی
- جدول metricها
- چه چیزی تغییر کرده
- توضیح‌های احتمالی
- ریسک‌ها
- next action پیشنهادی
- approval gate برای هر تغییر بودجه یا campaign action

5⃣ لوپ Ad Pacing + Creative Fatigue

هر روز وضعیت pacing و creative fatigue کمپین‌ها را بررسی کن.

ورودی‌ها:
- Google / Meta / LinkedIn account IDs یا exportها
- بودجه ماهانه هر پلتفرم
- KPI هدف
- threshold خستگی creative
- threshold انحراف spend

کارها:
1. spend دیروز و spend ماه تا امروز را محاسبه کن.
2. pacing را با بودجه ماهانه مقایسه کن.
3. creativeهایی را که frequency بالا و CTR افت‌کرده دارند مشخص کن.
4. کمپین‌هایی را که CPA/ROAS از target دور شده‌اند flag کن.
5. فقط پیشنهاد بده؛ هیچ تغییری اعمال نکن.

شرط توقف:
- گزارش pacing ساخته شد
- لیست creativeهای نیازمند refresh آماده شد
- anomalyها با دلیل احتمالی مشخص شدند

خروجی:
- وضعیت pacing
- anomalyها
- creativeهای خسته
- پیشنهاد اقدام
- موارد نیازمند approval

6⃣ لوپ AI Visibility Check

این برای GEO/AEO خیلی به‌درد بخوره. هر روز ۱۰ تا ۱۵ query مهم برند را در ChatGPT، Claude و Perplexity بررسی می‌کنه، mention برند و رقبا را می‌سنجه و deltaها رو در یک فایل log ثبت میکنه.

هر روز visibility برند را در AI answer engineها بررسی کن.

ورودی‌ها:
- ۱۰ تا ۱۵ query مهم
- نام برند و variantها
- نام رقبا
- فایل log قبلی

کارها:
1. هر query را در ChatGPT، Claude و Perplexity بررسی کن.
2. ببین برند ما mention شده یا نه.
3. ببین رقبا mention شده‌اند یا نه.
4. نوع mention را طبقه‌بندی کن: مثبت، خنثی، منفی، اشتباه، missing.
5. تغییر نسبت به log قبلی را ثبت کن.

شرط توقف:
- همه queryها در همه platformها بررسی شدند.
- یک ردیف جدید به visibility log اضافه شد.

خروجی:
- queryهایی که برند ما در آن‌ها دیده نمی‌شود
- queryهایی که رقبا جلوترند
- mentionهای اشتباه
- فرصت‌های محتوایی برای بهتر شدن visibility

7⃣ لوپ Promise-to-Proof

این میگه همه claimهای customer-facing در مارکتینگ، داکیومنت، دمو و جواب‌های AI را لیست کن؛ هر promise را با رفتار واقعی محصول و evidence مقایسه کن؛ label بزن: proven، partly proven، misleading، unsupported، outdated؛ بعد پرریسک‌ترین mismatch را اصلاح کن و دوباره چک کن تا claim پرریسک بی‌پشتوانه باقی نماند.

همه claimهای عمومی برند را با evidence واقعی چک کن.

ورودی‌ها:
- صفحات سایت
- landing pageها
- pitch deck یا sales deck
- ایمیل‌های فروش
- دمو یا اسکریپت دمو
- مستندات محصول
- claimهای اصلی برند

کارها:
1. همه promiseها و claimهای customer-facing را استخراج کن.
2. برای هر claim evidence پیدا کن.
3. هر claim را برچسب بزن:
- اثبات‌شده
- تا حدی اثبات‌شده
- بی‌منبع
- گمراه‌کننده
- قدیمی
- نیازمند اصلاح
4. پرریسک‌ترین claim را اصلاح یا محدود کن.
5. دوباره همان بخش را بررسی کن.

قوانین:
- قبل از تغییر copy عمومی اجازه بگیر.
- اگر evidence کافی نیست، claim را قوی‌تر نکن.
- claimهای AI-generated را هم بررسی کن.

توقف وقتی:
- هیچ claim پرریسک بی‌پشتوانه باقی نمانده
- یا به approval انسانی نیاز است
- یا بعد از ۳ دور هنوز evidence کافی وجود ندارد

خروجی:
- جدول claimها و evidence
- claimهای خطرناک
- پیشنهاد اصلاح
- مواردی که باید انسان تأیید کند

8⃣ لوپ Experiment Decision Memo

بعد از یک campaign، content test، landing page test یا lead magnet push، لوپ باید از goal، hypothesis، changes، date range، metrics، qualitative feedback و notes استفاده کند و memo بسازد: چه تست شد، چه اتفاقی افتاد، چه یاد گرفتیم، چه چیزی هنوز نامعلوم است، next step چیست، چه چیزی را باید stop کنیم. قانون مهمش هم این است: از sample کوچک نتیجه بزرگ نگیر و بدون approval پیشنهاد scale نده.
این تست مارکتینگ را به decision memo تبدیل کن.

ورودی‌ها:
- هدف تست
- hypothesis
- چیزی که تغییر کرد
- بازه زمانی
- metricها
- qualitative feedback
- screenshot یا noteها

کارها:
1. توضیح بده چه چیزی تست شد.
2. نتیجه metricها را خلاصه کن.
3. facts را از interpretations جدا کن.
4. بگو چه چیزی یاد گرفتیم.
5. بگو چه چیزی هنوز معلوم نیست.
6. next stepها را پیشنهاد بده.
7. kill / continue / iterate criteria بده.

قوانین:
- از sample کوچک نتیجه قطعی نگیر.
- signal را از noise جدا کن.
- missing data را مخفی نکن.
- بدون approval پیشنهاد scale نده.

حداکثر ۴ دور اصلاح کن.
خروجی نهایی باید شامل:
- result summary
- metric table
- lessons
- decision options
- recommended next step
- kill or continue criteria
- approval gate

یه بازی ساختگی نشون داد AI هم مثل آدم‌ها یاد می‌گیره تبعیض بذاره — فقط سریع‌تر.

محقق‌های Princeton و دانشگاه شیکاگو یه آزمایش جالب انجام دادن: مدل‌های AI (ChatGPT، Claude، Gemini) رو گذاشتن توی یه بازی شبیه‌سازی‌شده‌ی استخدام برای ۲۰ شغل مختلف، با ۴ گروه قومی ساختگی که همه از اول شانس موفقیت برابر داشتن.

بعد از چند دور تصمیم‌گیری، مدل‌ها بدون اینکه کسی صراحتاً بهشون تعصبی یاد بده، شروع کردن به ترجیح دادن بعضی گروه‌ها روی بقیه — دقیقاً مثل رفتاری که قبلاً فقط توی آدم‌ها دیده بودیم.

این خیلی فراتر از بحث استخدامه. هر بیزینسی که داره از AI Agent برای تصمیم‌گیری‌های تکرارشونده استفاده می‌کنه — انتخاب مشتری برای کمپین، اولویت‌بندی لید، حتی قیمت‌گذاری پویا — باید بدونه که این تعصب‌ها می‌تونن از تجربه‌ی خودِ مدل شکل بگیرن، نه فقط از داده‌ی آموزشی.

یعنی تست کردن یک‌بار قبل از لانچ کافی نیست؛ باید مانیتورینگ مداوم داشته باشیم.

شما توی سیستم‌های AI که برای بیزینستون استفاده می‌کنید، مانیتورینگ تعصب رو چطور انجام می‌دید؟ 👇

یک‌سوم مردهای جوون آمریکایی الان از ChatGPT مشاوره‌ی عشقی می‌گیرن.

بلومبرگ تازه گزارش داد ChatGPT و Claude دارن یواش‌یواش وارد اپ‌های دیتینگ میشن، نوشتن بیو، پیشنهاد اولین پیام، حتی تمرین مکالمه قبل از قرار.

طبق یه نظرسنجی، یک‌سوم مردهای ۱۸ تا ۳۴ سال آمریکا الان از ChatGPT برای مشاوره‌ی روابط استفاده می‌کنن (در مقابل ۱۴٪ زن‌های همون سن).

این خبر بیشتر از اینکه درباره‌ی دیتینگ باشه، درباره‌ی چیزیه که ما مارکترها باید جدی بگیریم: مردم دیگه AI رو فقط ابزار کاری نمی‌بینن، بلکه بهش به چشم یه «دستیار شخصی برای برقراری ارتباط» نگاه می‌کنن.

اگه کاربرای شما هم دارن قبل از خرید یا تصمیم‌گیری با AI «صحبت» می‌کنن، یعنی تجربه‌ی برند شما هم باید برای این نوع تعامل طراحی بشه — نه فقط برای فرم و چت‌بات کلاسیک.

ما تو تیم آنالیفای داریم برای ارتباط اولیه تو لینکدین از یه سری ایجنت استفاده میکنیم. اگر شما هم دوست دارید براتون ایجنت ارتباط با مخاطبینتون رو بسازیم بهمون پیام بدید😊

تو این ویدیو نقش ایجنت‌ها رو به خوبی می‌تونید ببینید!

یک بار وقت می‌ذارید و کارهای روزمرتون رو تبدیل می‌کنید به ایجنت‌، و هر روز از رقباتون یک قدم جلوتر خواهید بود.

هر روزی که این کار رو زودتر شروع کنید، زودتر زمان بیشتری رو آزاد می‌کنید تا به کارهای مهمتر برسید.

اگر نمیدونید چه کاری رو میتونید ایجنت کنید و چطور، کافیه به من پیام بدید تا چندتا پیشنهاد مختص کسب و کار خودتون بدم👇
@Najmeddini

و بالاخره ChatGPT Work هم اومد!

دقیقا مشابه Claude Cowork، ولی بسیار ارزونتر و البته احتمالا کاراتر.

حتما تستش کنید و تجربتون رو کامنت کنید👇

@Analyfy | آنالیفای، توسعه مبتنی بر هوش‌مصنوعی

مدلی که هم قوی‌تره، هم ارزون‌تر، هم کمتر بهتون «نه» می‌گه.

آنتروپیک همین هفته Opus 5 رو منتشر کرد؛ نسخه‌ی جدید سنگین‌ترین مدل کلود. طبق اعلام رسمی، Opus 5 در چند بنچمارک از Fable 5 بهتر عمل کرده، ولی قیمتش پایین‌تره و محدودیت‌های کمتری داره.

نکته‌ای که برای تیم‌های مارکتینگ و بیزینس مهمه اینه، آنتروپیک می‌گه فیلترهای ایمنی Opus 5 حدود ۸۵ درصد کمتر از Fable 5 درخواست‌ها رو رد می‌کنن. یعنی اگه تا حالا با پیام‌های «امکان‌پذیر نیست» توی کارهای روزمره مثل تولید محتوا یا تحلیل داده مواجه می‌شدید، این عدد براتون مهمه.

یه قابلیت جدید هم به اسم Automatic Fallbacks اضافه شده، وقتی یه درخواست توسط فیلتر ایمنی رد بشه، به‌جای پیام خطا، خودکار به یه مدل ضعیف‌تر ولی فعال هدایت می‌شه تا کارتون متوقف نشه.

اگه از Claude API برای کارهای بیزینسی استفاده می‌کنید، قبل از رفتن سراغ گزینه‌های گرون‌تر، حتماً Opus 5 رو تست کنید.

شما با کدوم مدل AI کار می‌کنید؟ بیشترین مشکلی که باهاش مواجه بودید چی بوده، رد شدن درخواست‌ها یا هزینه؟ کامنت بذارید.

@Analyfy | توسعه مبتنی بر هوش‌مصنوعی

گوگل قیمت Gemini Flash رو کم کرد، دقیقاً وقتی داشت سریع‌تر و بهتر می‌شد.

مدل Gemini 3.6 Flash با قیمت ۱.۵ دلار ورودی و ۷.۵ دلار خروجی روی هر میلیون توکن منتشر شد؛ یعنی قیمت خروجی نسبت به نسخه‌ی قبلی (Flash 3.5 با ۹ دلار) ارزون‌تر شده. علاوه بر این، مدل جدید برای انجام همون کار، ۱۷ درصد توکن کمتری مصرف می‌کنه و قدم‌های استدلالی کمتری لازم داره.

یعنی چی؟ اگه از Gemini برای خودکارسازی محتوا، چت‌بات، یا پردازش داده استفاده می‌کنی، هزینه‌ی واقعی هر عملیات، به‌خاطر ترکیب قیمت پایین‌تر و مصرف توکن کمتر، به‌طور قابل‌توجهی پایین اومده؛ بدون اینکه کیفیت کار افت کنه.

اگه هزینه‌ی API هوش مصنوعی یکی از دغدغه‌های کسب‌وکارته، این به‌روزرسانی دقیقاً ارزش بررسی داره.

@Analyfy | توسعه مبتنی بر هوش‌مصنوعی

چند روز پیش، توییتر و ردیت پر شد از این خبر: چت‌های شیر شده‌ی کلود (Claude) و حتی آرتیفکت‌هاش، توی گوگل قابل جستجو بودن. بین چیزهایی که پیدا شد: پرونده‌ی پزشکی واقعی، مدارک داخلی شرکت‌ها، و حتی اسم و شماره‌ی بچه‌های دبستانی.

ماجرا از قابلیت «Share chat» کلود شروع شده. وقتی یه لینک عمومی برای چت یا پروژه‌ات می‌سازی، هر کسی که اون لینک رو داشته باشه می‌تونه ببینه، و اگه اون لینک یه جایی مثل فروم یا شبکه‌ی اجتماعی پست بشه، گوگل هم می‌تونه ایندکسش کنه.

آنتروپیک می‌گه لینک‌ها قابل حدس زدن نیستن و مقصر کاربرهایی هستن که لینک رو جایی عمومی پست کردن، ولی برای صاحب کسب‌وکار این یعنی یه چیز ساده: هر گزارش مالی، هر قرارداد مشتری، هر تحلیل داخلی که با کلود ساختی و لینکش رو برای تیم فرستادی، ممکنه بدون اینکه بدونی، عمومی شده باشه.

این یعنی الان وقتشه که بری چک کنی. Settings بعد Privacy بعد Shared Chats، هر چیزی که نباید عمومی باشه رو Private کن. و یه قانون ساده برای تیمت بذار: هیچ‌وقت داده‌ی حساس مشتری یا مالی رو با لینک عمومی شیر نکن، فقط با دسترسی خصوصی.

@Analyfy | توسعه مبتنی بر هوش‌مصنوعی

این پست خیلی مهمه ⚠️
خیلی‌ها از این مشکل خبر ندارن و ممکنه اطلاعاتشون در اختیار همه قرار بگیره. لطفا این پست رو برای دوستانتون ارسال کنید تا کسی به مشکل برنخوره.

چرا هیچ مدل زبانی رو نمی‌شه کاملاً امن کرد، و این برای کسب‌وکار تو یعنی چی

یه گروه از پژوهشگرها توی مقاله‌ای که توی ICML (یکی از مهم‌ترین کنفرانس‌های AI) ارائه شده، ادعا کردن امن‌کردن کامل مدل‌های زبانی بزرگ عملاً غیرممکنه، به خاطر یه ضعف بنیادی توی نحوه‌ی کارکردشون.

ماجرا چیه
مدل‌های زبانی برای تشخیص اینکه کدام بخش از متن از کجا اومده (از کاربر، از خودشون، از یه سند بیرونی، یا از دستورالعمل‌های اصلیشون) از برچسب‌هایی به اسم «role» استفاده می‌کنن. محققا نشون دادن مدل‌ها این تشخیص رو اصلاً بر اساس برچسب انجام نمی‌دن، بلکه بر اساس سبک و لحن متن حدس می‌زنن.

یعنی اگه متنی بنویسی که شبیه یادداشت داخلی chain-of-thought مدل باشه، مدل باورش می‌کنه که این دستور از طرف خودشه، حتی اگه واقعاً از یه کاربر معمولی اومده باشه. محققا این حمله رو «chain-of-thought forgery» نامیدن و تونستن با همین ترفند ساده، مدل‌های OpenAI، Anthropic، Alibaba و DeepSeek رو وادار به دادن اطلاعات ممنوعه کنن.

چرا این «قابل حل» نیست
مدل‌سازها معمولاً با روش «red-teaming» (پیداکردن حملات و آموزش مدل در برابرشون) این مشکلات رو حل می‌کنن. اما محققا می‌گن این روش شبیه دادن یه لیست بلندبالا از «این کارو نک» به مدله؛ همیشه یه راه جدید پیدا می‌شه که توی لیست نیست.

این برای کسب‌وکار تو چه اهمیتی داره
اگه ایجنت یا چت‌بات AI رو به مشتری، به اسناد داخلی، یا به ابزارهای دیگر (مثل ایمیل، CRM، یا وب) وصل کردی، نباید فرض کنی گاردریل‌های داخلی مدل به‌تنهایی کافیه. چند تا اقدام عملی:

1⃣ هیچ‌وقت به ایجنت اجازه نده بدون تایید انسانی کارهای حساس (پرداخت، ارسال ایمیل به مشتری، تغییر داده) رو مستقیم انجام بده.
2⃣ اگه ایجنتت از اسناد یا صفحات بیرونی متن می‌خونه، فرض کن اون متن ممکنه حاوی دستورالعمل پنهان باشه.
3⃣ محدودیت‌های دستی و لایه‌های نظارتی بیرون از خود مدل بذار، نه فقط به تربیت مدل تکیه کن.

جمله‌ی یکی از نویسنده‌های این مقاله گویاست: «نباید به LLM‌ها اعتماد کرد، و باید فرض کنیم هر کاری که یه ایجنت انجام می‌ده می‌تونه ناامن باشه.»

@Analyfy | توسعه مبتنی بر هوش‌مصنوعی

قیمت یکی از مدل‌های OpenAI یه شبه ۸۰٪ ارزون‌تر شد.

از دیروز، مدل GPT-5.6 Luna (سریع‌ترین و ارزون‌ترین مدل OpenAI) ۸۰٪ ارزون‌تر شده و مدل میانی Terra هم ۲۰٪ کاهش قیمت داشته.

طبق گفته‌ی OpenAI، Luna الان کیفیتی نزدیک به مدل‌های فرانتیر سال قبل داره، اون‌هم با حدود ۶ سنت به ازای هر تسک و نزدیک ۹ برابر سریع‌تر. چند تا شرکت (Replit، Notion، Ramp) گفتن Luna الان مدل پیش‌فرضشون برای اتوماسیون‌های پس‌زمینه‌شون شده، چون هزینه رو تا ۸۷٪ کم کرده بدون افت محسوس کیفیت.

برای صاحب کسب‌وکار این یعنی: کارهایی مثل طبقه‌بندی مشتری، تحلیل حجم بالای اسناد، یا پاسخ خودکار که قبلاً به‌خاطر هزینه صرفه نداشت، الان ممکنه به‌صرفه بشه.

کدوم کار تکراری توی کسب‌وکارت هست که تا الان به‌خاطر هزینه‌ی AI ازش صرف‌نظر کردی؟ زیر پست بنویس، شاید الان وقتشه دوباره حسابش کنی.

@Analyfy | توسعه مبتنی بر هوش‌مصنوعی

دیگه لازم نیست بین حرف زدنت و جواب هوش مصنوعی مکث بیفته؛ OpenAI یه سیستم صوتی جدید ساخته که تصمیم می‌گیره کِی حرف بزنه، کِی ساکت بمونه، کِی وسط حرفت بیاد یا کِی یه ابزار رو صدا بزنه، دقیقاً مثل یک آدم واقعی.

این مدل جدید (GPT-Live) روی GPT-5.5 ساخته شده و برخلاف صداهای مصنوعی قبلی که هر بار باید صبر می‌کردن تا جمله‌ت تموم بشه، مکالمه رو به‌صورت پیوسته و لحظه‌به‌لحظه دنبال می‌کنه. یعنی می‌تونه وسط حرفت بیاد، سوال بپرسه، یا حین گوش‌دادن یه کار دیگه رو هم‌زمان انجام بده.

این برای کسب‌وکارها یعنی چی؟

اگه پشتیبانی مشتری تلفنی داری، دیگه لازم نیست کاربر با یک ربات خشک و اسکریپت‌محور طرف باشه.

اگه جلسه یا وبینار برگزار می‌کنی، می‌تونی زیرنویس زنده و خلاصه‌ی مکالمه رو هم‌زمان با پیشرفت جلسه داشته باشی.

اگه تیم فروش یا استخدامت تماس‌های زیادی دارن، این تکنولوژی می‌تونه پیگیری‌های بعد از تماس رو سریع و دقیق‌تر انجام بده.

شرکت Avatarin از نسخه قبلی همین تکنولوژی برای ساخت یک ایجنت استفاده کرده؛ این نشون می‌ده این نوع صدا دیگه فقط دمو نیست، الان قابل استفاده در محصول واقعیه.

@Analyfy | توسعه مبتنی بر هوش‌مصنوعی