Slide 1/37

ლექცია 5: ბიზნეს ავტომატიზაცია

B2B Case Studies, უსაფრთხოება და ROI

როგორ დავნერგოთ AI და No-Code რეალურ კომპანიებში უსაფრთხოდ, გავზომოთ ფინანსური სარგებელი და ვმართოთ რისკები

🏢 Enterprise B2B Cases

Lovable Support Portal & Document Conveyor

🛡️ Security & Compliance

PII Masking, GDPR & Credential Vaults

📈 Financial ROI

დანაზოგის ფორმულა და Cost Optimization

Slide 2/37

🌉 Recap: n8n & Expressions-დან ➔ B2B სისტემებამდე

წინა ლექციაზე ჩვენ ვისწავლეთ n8n-ის არქიტექტურა, მონაცემთა ნაკადები და Computer Use. დღეს გადავდივართ ბიზნესის რეალობაზე:

ტექნიკური უნარები (რაც ვისწავლეთ)

  • API-ები, Webhooks, Data Stores.
  • n8n Expressions და Code Nodes.
  • Claude Computer Use API და UI მართვა.

ბიზნესის მოთხოვნები (რაც დღეს გვჭირდება)

  • "რამდენს დამიზოგავს ეს სისტემა?" ➔ ზუსტი ფინანსური ROI.
  • "ხომ არ გაიპარება კლიენტების მონაცემები?" ➔ PII Masking & GDPR.
  • "რა მოხდება თუ AI შეცდომას დაუშვებს?" ➔ Human-in-the-Loop.
Slide 3/37

📅 დღევანდელი დღის გეგმა (180 წთ)

ნაწილი 1 (65 წთ)

Lovable Support Portal

Deterministic vs Reasoning, Lovable UI, Make Webhook, Sentiment, JSON Triage და Human Review.

ნაწილი 2 (40 წთ)

Vision AI & Human-in-the-Loop

დოკუმენტების კონვეიერი, GPT-4o Vision, Slack-ის დასტურის ღილაკები და Timeout-ები.

ნაწილი 3 (60 წთ)

ROI, უსაფრთხოება & ფინალი

ROI-ის ფორმულა, Token Caching, PII Masking და ფინალური პროექტის მოთხოვნები.

☕ შესვენება: 15 წუთი ნაწილებს 2 და 3 შორის · ჯამი: 180 წუთი

Slide 4/37

⚖️ პარადიგმები: Deterministic vs Reasoning

ბიზნეს ავტომატიზაციაში ორი ძირითადი მიდგომა არსებობს. რომელს ვირჩევთ და რატომ?

Deterministic (მკაცრი) ლოგიკა

მაგალითი: Make.com Router / n8n Switch.

თუ amount > 1000, წადი მარჯვნივ. თუ status == 'PAID', წადი მარცხნივ.

პლუსი: 100% პროგნოზირებადი, 0 ჰალუცინაცია, მომენტალური სისწრაფე.

Reasoning (მოაზროვნე) აგენტი

ტექნოლოგია: DeepSeek-R1, OpenAI o1/o3, Claude 3.7 Thinking.

აგენტი იყენებს Chain-of-Thought (CoT) მსჯელობას, აანალიზებს ბუნებრივ ტექსტს და იღებს კონტექსტურ გადაწყვეტილებას.

გამოწვევა: ტოკენების ხარჯი, სიჩქარე (Latency) და პოტენციური ჰალუცინაცია.

Slide 5/37

📊 შედარების მატრიცა: ლოგიკა vs მოაზროვნე AI

მახასიათებელი Deterministic ლოგიკა Reasoning AI აგენტი ჰიბრიდული მიდგომა (Best)
სიზუსტე 100% (Rule-based) 95-99% (Probabilistic) 99.9% (AI ამოწმებს, წესი წყვეტს)
გაუთვალისწინებელი შემთხვევები იჭედება და აგდებს შეცდომას ადაპტირდება და პოულობს გზას აგენტი აჯგუფებს, წესი ამისამართებს
ფასი ერთ გაშვებაზე ~0.0001 ₾ (ოპერაცია) ~0.02 - 0.15 ₾ (Tokens) ოპტიმიზებული (~0.01 ₾)
გამოყენების სფერო ფინანსური გატარება, SMS საჩივრის ანალიზი, სტრატეგია Enterprise Support & ERP
Slide 6/37

🤝 ჰიბრიდული მიდგომა - საუკეთესო პრაქტიკა

ოქროს წესი ბიზნეს ავტომატიზაციაში:

"AI-ს ვიყენებთ ანალიზისა და გაგებისთვის (Reasoning), მაგრამ მოქმედებას ვახდენთ მკაცრი წესებით (Deterministic)!"

1. ტექსტი

მომხმარებლის არეული, ემოციური იმეილი

➔

2. AI Reasoning

LLM აანალიზებს და აბრუნებს მკაცრ JSON-ს

{ "intent": "refund", "urgency": "high" }
➔

3. Deterministic Router

Make Router ამოწმებს ველს და უშეცდომოდ გზავნის

Slide 7/37

💬 Enterprise Case Study 1: მხარდაჭერის სამსახური

ბიზნეს პრობლემა:

  • სადაზღვევო კომპანიაში შემოდის 500+ იმეილი დღეში.
  • 3 ოპერატორი ხარჯავს 6 საათს წერილების წაკითხვაზე, პრიორიტეტის მინიჭებასა და გადამისამართებაზე.
  • საშუალო პასუხის დრო: 14 საათი (კლიენტები უკმაყოფილოები არიან).

ავტომატიზაციის მიზანი:

1. შემოსული წერილის დამუშავება 10 წამში.
2. ტონალობის, პრობლემის ტიპისა და პოლისის ნომრის ამოღება.
3. VIP კლიენტებისა და ავარიების მომენტალური გადამისამართება.
4. პასუხის დრაფტის მომზადება ოპერატორისთვის.

Slide 8/37

🏗️ Support Pipeline: არქიტექტურა

1
Trigger: Gmail / Outlook / Webhook იღებს ახალ იმეილს.
2
Privacy Filter: Regex მოდული ფარავს ბარათის ნომრებსა და პერსონალურ კოდებს (Masking).
3
AI Reasoning (GPT-4o-mini): ტექსტი კლასიფიცირდება (Intent: Claim / Inquiry / Complaint).
4
Router & Action: Claim ➔ CRM-ში ახალი საქმის შექმნა; Inquiry ➔ ცოდნის ბაზიდან (RAG) პასუხის დრაფტირება.
Slide 9/37

💜 Lovable-ის როლი: ინტერფეისი ავტომატიზაციისთვის

Make/n8n პროცესს მართავს, მაგრამ მომხმარებელს ხშირად სჭირდება მარტივი ფორმა, dashboard ან კლიენტის პორტალი. სწორედ აქ ერთვება Lovable.

Lovable — გამოცდილების ფენა

  • ქმნის responsive ეკრანებს ბუნებრივი ენით.
  • აგროვებს მომხმარებლის მონაცემებს ფორმიდან.
  • აჩვენებს სტატუსს, შედეგსა და approval-ს.

Make/n8n — პროცესის ფენა

  • იღებს მოთხოვნას Webhook-ით.
  • მართავს AI-ს, Router-სა და ბიზნეს წესებს.
  • წერს CRM/Sheets-ში და აგზავნის შეტყობინებებს.

არქიტექტურული წესი: Lovable არ ცვლის Make/n8n-ს — ის აძლევს workflow-ს ადამიანისთვის გასაგებ შესასვლელსა და შედეგის ეკრანს.

Slide 10/37

✍️ Build Prompt: Support Request Portal

Lovable-ს მხოლოდ „შემიქმენი ლამაზი საიტი“ არ ვეუბნებით. Prompt-ში ვწერთ მომხმარებელს, ეკრანებს, მონაცემებსა და მოქმედებებს:

შექმენი ქართულენოვანი, mobile-first Support Request Portal. მომხმარებელი: სადაზღვევო კომპანიის კლიენტი. ეკრანები: ახალი მოთხოვნა, მოთხოვნის სტატუსი, ოპერატორის dashboard. ველები: სახელი, policy_number, category, message, attachment. მოქმედება: Submit ღილაკმა მონაცემები JSON-ად გაგზავნოს Make Webhook-ში. სტატუსები: received, processing, needs_review, resolved. უსაფრთხოება: API key არ ჩაწერო browser code-ში; sensitive action მოითხოვს approval-ს. დიზაინი: სუფთა ქართული UI, მაღალი კონტრასტი, მკაფიო error/success states.

სწავლების მიზანი: სტუდენტი UI-ს კი არ „ხატავს“, არამედ წინასწარ განსაზღვრავს მონაცემთა კონტრაქტსა და workflow-ს.

Slide 11/37

🛠️ Live Build (35 წთ): Portal → Webhook → AI → Approval

1. Lovable
Support Form
➔
2. Make Webhook
JSON validation + PII mask
➔
3. AI Triage
category + urgency + draft
➔
4. Router
auto / needs_review

სავალდებულო შედეგი

კლიენტი აგზავნის მოთხოვნას და ხედავს მიღების სტატუსს; ოპერატორი იღებს კატეგორიას, urgency-სა და პასუხის დრაფტს.

უსაფრთხოების საზღვარი

Browser-ში საიდუმლო გასაღები არ ინახება. გაბრაზებული/VIP კლიენტის პასუხი ავტომატურად არ იგზავნება — საჭიროა Human Approval.

Slide 12/37

⚡ AI Prompt-ის სტრუქტურა კატეგორიზაციისთვის

როგორ ვაიძულოთ AI, რომ დააბრუნოს მხოლოდ სუფთა JSON და არა ზედმეტი ტექსტი?

System Prompt: შენ ხარ სადაზღვევო კომპანიის ტრიაჟის ასისტენტი. გააანალიზე მომხმარებლის ტექსტი და დააბრუნე მკაცრად JSON ფორმატი: { "category": "ACCIDENT | HEALTH | PROPERTY | GENERAL", "urgency": "HIGH | MEDIUM | LOW", "sentiment": "ANGRY | NEUTRAL | HAPPY", "policy_number": "ამოღებული ნომერი ან null", "summary_georgian": "მოკლე შინაარსი 1 წინადადებით" } მკაცრი წესი: არ დაამატო Markdown (```json) და არ დაწერო შესავალი სიტყვები!
Slide 13/37

🎯 Sentiment Analysis და ადამიანთან ესკალაცია

ყველა წერილი რობოტმა არ უნდა უპასუხოს. როდის გადავცემთ საქმეს ადამიანს?

🟢 Green Route (ავტომატური)

sentiment == 'NEUTRAL' & urgency == 'LOW' - სტანდარტული კითხვა სამუშაო საათებზე ან პოლისის პირობებზე. AI უგზავნის მზა პასუხს.

🟡 Yellow Route (დრაფტი)

category == 'CLAIM' - AI ამზადებს პასუხის დრაფტს CRM-ში, მენეჯერი თვალს ავლებს და აჭერს Send-ს.

🔴 Red Route (ესკალაცია)

sentiment == 'ANGRY' - მყისიერი SMS/Slack შეტყობინება უფროს მენეჯერთან: "გაბრაზებული კლიენტი ხაზზეა!".

Slide 14/37

📄 Enterprise Case Study 2: დოკუმენტების კონვეიერი

პრობლემის აღწერა:

  • სადისტრიბუციო კომპანიაში თვეში შემოდის 2,000+ დასკანერებული ინვოისი და ზედნადები (PDF/JPG).
  • ბუღალტერი ხელით კრეფს თანხებს, თარიღებსა და კომპანიის რეკვიზიტებს ERP-ში.
  • ადამიანური შეცდომის ალბათობა: ~4% (თვეში 80 არასწორი გატარება!).

ძველი OCR-ის კრახი:

ძველი OCR სისტემები იბნევიან დახრილ, დაჭმუჭნულ ან განსხვავებული დიზაინის მქონე ინვოისებზე. მათ სჭირდებათ ხისტი შაბლონები.

Slide 15/37

👁️ Vision AI (GPT-4o): როგორ კითხულობს ინვოისებს

Vision მოდელები (GPT-4o, Claude 3.5 Sonnet) უყურებენ დოკუმენტს ზუსტად ისე, როგორც ადამიანი:

კონტექსტური აღქმა

ხვდება, რომ "სულ გადასახდელი", "ჯამი", "Total" და "Grand Total" ერთსა და იმავე მნიშვნელობას აღნიშნავს.

ცხრილების ამოღება

ამოაქვს პროდუქტების მრავალსტრიქონიანი ცხრილი (რაოდენობა, ერთეულის ფასი, დღგ) პირდაპირ JSON მასივად.

დაბალი ხარისხის კითხვა

ამოიცნობს ტელეფონით გადაღებულ, დაჩრდილულ ან ოდნავ ბუნდოვან ქვითრებსაც კი.

Slide 16/37

🔄 Document Conveyor: სრული არქიტექტურა

1
Ingestion: PDF აიტვირთა Google Drive-ში ან მოვიდა ელფოსტით invoices@company.ge-ზე.
2
Convert to Image: Make/n8n მოდული "PDF to Image" გარდაქმნის გვერდებს მაღალი რეზოლუციის სურათად.
3
Vision Analysis: სურათი ეგზავნება GPT-4o-ს სისტემური ინსტრუქციით: "ამოიღე Company, IBAN, Date, Line Items, Total".
4
Database Write: ვალიდირებული მონაცემები იწერება ERP ბაზაში (Postgres / Sheets).
Slide 17/37

📋 მრავალ-ნაბიჯიანი ვალიდაცია დოკუმენტებში

სანამ ამოღებულ მონაცემებს ERP-ში ჩავწერთ, საჭიროა ავტომატური მათემატიკური შემოწმება:

მათემატიკური კონტროლი

სცენარი ამოწმებს: Subtotal + VAT == Grand Total.
თუ ჯამი არ ემთხვევა, სცენარი არ წერს ბაზაში და ნიშნავს როგორც VALIDATION_FAILED.

IBAN და საიდენტიფიკაციო კოდი

მოწმდება ქართული IBAN-ის სიგრძე (GE + 20 სიმბოლო) და კომპანიის 9-ნიშნა კოდი რეგულარული გამოსახულებით (Regex).

Slide 18/37

✅ Human-in-the-Loop (HITL): რატომ არ ვენდობით ბრმად

როცა საქმე ეხება ფინანსებს, ინვოისებსა და იურიდიულ ხელშეკრულებებს, 100%-იანი ავტონომია დიდი რისკია:

ბრმა ავტომატიზაციის საფრთხე

  • AI-მ შეიძლება ამოიკითხოს $500,000 ნაცვლად $50,000-ისა.
  • კომპანიამ შეიძლება ავტომატურად გადარიცხოს თანხა თაღლითურ ანგარიშზე.
  • პასუხისმგებლობა ყოველთვის ადამიანს ეკისრება.

HITL გადაწყვეტა

  • მონაცემების მომზადებას აკეთებს AI (ზოგავს დროის 95%-ს).
  • საბოლოო დადასტურების ღილაკს (Approve) აჭერს ადამიანი.
  • ბიზნესი დაცულია შეცდომისგან, თუმცა სისწრაფე მაქსიმალურია!
Slide 19/37

💡 ცხოვრებისეული ანალოგია: "დირექტორის ხელმოწერა"

💡 ცხოვრებისეული ანალოგია: "გენერალური დირექტორის ხელმოწერა"

ავტომატიზაცია (AI ასისტენტი): 3 წამში ამზადებს 100-გვერდიან ხელშეკრულებას, ავსებს რეკვიზიტებს, ამოწმებს კანონმდებლობას და თვლის თანხებს (ზოგავს 10 საათს).
Human-in-the-Loop (ადამიანი): დირექტორი დოკუმენტს თვალს გადაავლებს და ბოლოში თავის ხელმოწერას (Approved) სვამს. ამით ბიზნესი სრულად დაცულია შეცდომისგან, თუმცა დროის 99% დაზოგილია!

როდის არის HITL სავალდებულო?

  • ტრანზაქცია აღემატება $1,000-ს.
  • AI-ს დარწმუნების კოეფიციენტი (Confidence Score) 90%-ზე დაბალია.
  • შემოდის ახალი, უცნობი კონტრაგენტის ინვოისი.
Slide 20/37

📱 Slack / Teams Interactive Approval Buttons

როგორ ხდება ადამიანის ჩართვა პროცესში ისე, რომ მას კომპიუტერთან ჯდომა არ დასჭირდეს?

ინტერაქტიული შეტყობინება მენეჯერის მობილურში:

Make/n8n აგზავნის შეტყობინებას Slack/Telegram-ში:

📄 ახალი ინვოისი დასადასტურებლად: კომპანია: შპს "ტექ-მარკეტი" თანხა: 4,850.00 ₾ (დღგ ჩათვლით) IBAN: GE29TB7982... [ ✅ დადასტურება (Approve) ] [ ❌ უარყოფა (Reject) ]

მენეჯერი ტელეფონზე 1 კლიკით აჭერს "Approve"-ს ➔ Webhook უბრუნდება Make-ს და ინვოისი იგზავნება გადასახდელად!

Slide 21/37

⏱️ Timeout & Escalation პოლიტიკა

რა ხდება, თუ მენეჯერი შვებულებაშია ან 2 საათის განმავლობაში არ აჭერს ღილაკს?

1. Timeout Trigger

სცენარი ელოდება პასუხს მაქსიმუმ 2 საათი. თუ პასუხი არ მოვიდა, პროცესი არ იჭედება - გადადის Escalation განშტოებაზე.

2. Escalation Action

შეტყობინება ავტომატურად გადამისამართდება მოადგილესთან ან დეპარტამენტის ხელმძღვანელთან SMS/სატელეფონო ალერტით.

ეს უზრუნველყოფს, რომ ბიზნეს-პროცესი არასოდეს "გაიყინოს" ადამიანის არყოფნის გამო!

Slide 22/37

☕ შესვენება და Q&A დისკუსია

15 წუთი

შესვენების შემდეგ გადავდივართ მთავარ ფინანსურ თემაზე:
ROI (ფულის დათვლა), Token ოპტიმიზაცია და უსაფრთხოება!

Slide 23/37

💰 ნაწილი 3: ROI და ბიზნეს მეტრიკები

თუ თქვენ მიდიხართ კომპანიის ხელმძღვანელთან (CEO/CFO), მას არ აინტერესებს სიტყვა "LLM" ან "API". მას აინტერესებს სამი რამ:

1. დაზოგილი ფული

რამდენ ლარს დაზოგავს კომპანია ხელფასებსა და ზეგანაკვეთურ საათებში?

2. სისწრაფე & ზრდა

რამდენად სწრაფად მიიღებს მომხმარებელი პასუხს და რამდენად გაიზრდება გაყიდვები?

3. რისკების შემცირება

რამდენად დაცულია სისტემა ადამიანური შეცდომებისა და ჯარიმებისგან?

Slide 24/37

📈 ROI-ის (Return on Investment) ფორმულა

ROI = (მიღებული წმინდა სარგებელი / დანერგვის ხარჯი) * 100

კომპონენტი A: ძველი ხარჯი (Current Cost)

მენეჯერის 80 საათი თვეში * 20 ₾/სთ = 1,600 ₾ თვეში.

კომპონენტი B: ახალი ხარჯი (New Cost)

Make/n8n პაკეტი + OpenAI API = 80 ₾ თვეში.

წმინდა დანაზოგი თვეში:

1,600 ₾ - 80 ₾ = 1,520 ₾

ROI:

(1,520 / 80) * 100 = 1,900%

Slide 25/37

🧮 12-თვიანი ROI პროგნოზის მოდელი

თვე ძველი ხარჯი (ადამიანი) ავტომატიზაციის ხარჯი წმინდა დანაზოგი კუმულაციური მოგება
თვე 1 (დანერგვა) 1,600 ₾ 800 ₾ (კონფიგურაცია) +800 ₾ +800 ₾
თვე 3 1,600 ₾ 80 ₾ +1,520 ₾ +3,840 ₾
თვე 6 1,600 ₾ 80 ₾ +1,520 ₾ +8,400 ₾
თვე 12 (1 წელი) 1,600 ₾ 80 ₾ +1,520 ₾ +17,520 ₾

ბიზნეს არგუმენტი: ავტომატიზაცია თავის დანახარჯს იბრუნებს პირველივე 2 კვირაში!

Slide 26/37

📉 Cost Optimization: როგორ შევამციროთ AI-ს ხარჯები

თუ AI-ს არასწორად გამოიყენებთ, API-ს გადასახადი შეიძლება ასტრონომიული გახდეს:

1. Model Tiering

მარტივი კატეგორიზაციისთვის GPT-4o-mini (10-ჯერ იაფი). GPT-4o მხოლოდ რთულ ხელშეკრულებებზე.

2. PDF Splitting

არ გააგზავნოთ 50-გვერდიანი PDF. ჯერ ამოჭერით მხოლოდ ინვოისის გვერდი.

3. Token Caching

სისტემური Prompt-ის კეშირება - Anthropic და OpenAI იძლევიან 50-90% ფასდაკლებას განმეორებად ტექსტზე.

Slide 27/37

⚡ Prompt Caching & Smart Routing პრაქტიკაში

როგორ მუშაობს Prompt Caching?

თუ თქვენს ასისტენტს აქვს 10-გვერდიანი კომპანიის წესდება (5,000 ტოკენი), ყოველ ახალ კითხვაზე ამ ტექსტის ხელახლა გაგზავნაში იხდით 90%-ით ნაკლებს, რადგან სერვერი მას კეშიდან კითხულობს!

Smart Model Routing:

1. მომხმარებლის მოკლე კითხვა ➔ gpt-4o-mini ($0.15 / 1M tokens).
2. თუ მოდელი ამბობს: "საკითხი რთულია" ➔ ავტომატურად გადამისამართდება Claude 3.5 Sonnet-თან ($3.00 / 1M tokens).

Slide 28/37

🔐 უსაფრთხოება: API Keys და Credential Vaults

რა არის #1 საფრთხე No-Code სისტემებში? API გასაღებების გაჟონვა:

❌ ყველაზე ცუდი პრაქტიკა:

არასოდეს ჩაწეროთ API Key ღია ტექსტად (Hardcode) HTTP მოდულის ველში ან JavaScript კოდში. თუ სცენარს ვინმეს გაუზიარებთ, თქვენი ანგარიში გაიხსნება!

✅ სწორი პრაქტიკა (Credential Vault):

გამოიყენეთ Make.com Connections ან n8n Credentials Manager. მონაცემები ინახება დაშიფრულად (AES-256) და კოდში ჩანს მხოლოდ უსაფრთხო ID.

Slide 29/37

🛡️ მონაცემთა დაცვა (GDPR & PII)

PII (Personally Identifiable Information): ინფორმაცია, რომლითაც შესაძლებელია კონკრეტული ადამიანის იდენტიფიცირება:

საბანკო ბარათები

16-ნიშნა ნომერი და CVV კოდი არასოდეს არ უნდა გაიგზავნოს ღრუბლოვან LLM-თან.

პირადი ნომერი & პასპორტი

მოითხოვს დაუყოვნებლივ დაფარვას (Masking) სცენარში შესვლისთანავე.

სამედიცინო დიაგნოზი

ჯანმრთელობის ისტორია წარმოადგენს განსაკუთრებული კატეგორიის სენსიტიურ მონაცემს.

Slide 30/37

🎭 Regex Masking ტექნიკა სცენარში

როგორ დავფაროთ სენსიტიური მონაცემები მანამ, სანამ ტექსტი AI-ს გაეგზავნება?

Text Parser (Replace) მოდული

სცენარში ვსვამთ Regex მოდულს, რომელიც ტექსტში ეძებს პატერნს:

[0-9]{11} (პირადი ნომერი) ➔ ჩაანაცვლე [MASKED_ID]-ით.

[0-9]{4}-[0-9]{4}... (ბარათი) ➔ ჩაანაცვლე **** **** **** 1234-ით.

// შედეგი: // შემოსული: "გიორგი ბასილაია, პ.ნ 01012345678, ითხოვს დაბრუნებას ბარათზე 4127..." // გაგზავნილი AI-სთან: "კლიენტი [MASKED_ID], ითხოვს დაბრუნებას ბარათზე **** 4127..." // AI-მ გაიგო მოთხოვნა, PII კი 100% დაცულია!
Slide 31/37

📊 Enterprise Logging & Audit Trail

როცა კომპანიაში 20-ზე მეტი ავტომატიზაცია მუშაობს, მათი "ჯანმრთელობის" კონტროლი კრიტიკულია:

Audit Trail-ის მინიმალური მოთხოვნები:

  • Timestamp: როდის შესრულდა მოქმედება.
  • Execution ID: Make/n8n გაშვების უნიკალური ნომერი.
  • Input Hash / Summary: რა მოთხოვნა შემოვიდა.
  • Decision Made: რა გადაწყვეტილება მიიღო AI-მ და რომელ მარშრუტზე წავიდა.
  • Human Approver: ვინ დააჭირა დასტურის ღილაკს Slack-ში.
Slide 32/37

⚠️ Production Readiness Checklist

სანამ ავტომატიზაციას კლიენტს ჩააბარებთ ან რეალურ ბიზნესში გაუშვებთ, შეამოწმეთ ეს 6 პუნქტი:

  • Error Handlers: ყველა მთავარ მოდულს აქვს Alerting მარშრუტი Telegram/Slack-ში.
  • Rate Limit Fallback: ჩართულია Auto-retry (Break/Sleep) 429 შეცდომებისთვის.
  • Credentials Security: არცერთი API გასაღები არ წერია ღია ტექსტად.
  • PII Masking: პერსონალური მონაცემები დაფარულია AI-სთან გაგზავნამდე.
  • Human Gate: $1,000+ ტრანზაქციებზე ჩართულია ადამიანის დასტური (HITL).
  • Logging: ყველა გადაწყვეტილება იწერება ცენტრალურ ბაზაში აუდიტისთვის.
Slide 33/37

🛠️ Live Workshop: ROI მოდელირება ეკრანზე

პრაქტიკული ვორქშოპი ლექტორთან ერთად (25 წუთი):

1. ვიღებთ სტუდენტის მიერ მოფიქრებულ რეალურ ბიზნეს ქეისს.

2. ვხსნით Google Sheets / Excel-ის ROI შაბლონს.

3. ვითვლით ადამიანურ საათებს, ტოკენების სავარაუდო ხარჯსა და 12-თვიან ეკონომიას.

4. ვაყალიბებთ 1-სლაიდიან ბიზნეს-პიჩს (Pitch Slide) ხელმძღვანელობისთვის წარსადგენად.

Slide 34/37

📚 შეჯამება და ძირითადი დასკვნები

  • ჰიბრიდული არქიტექტურა: AI აანალიზებს (Reasoning), Make/n8n მართავს და ასრულებს (Deterministic).
  • Lovable UI Layer: workflow-ს აძლევს ფორმას, dashboard-სა და კლიენტისთვის გასაგებ გამოცდილებას.
  • Vision AI: რევოლუციაა დოკუმენტების ბრუნვაში - ინვოისებისა და ჩეკების დამუშავებას წამები სჭირდება.
  • Human-in-the-Loop: იცავს კომპანიას კატასტროფული ფინანსური შეცდომებისგან.
  • ROI-ის ენა: თუ ვერ თვლით დაზოგილ თანხას, ვერ შეძლებთ ავტომატიზაციის გაყიდვას.
  • უსაფრთხოება: PII Masking და დაშიფრული გასაღებები ენთერფრაიზის წინაპირობაა.
Slide 35/37

❓ კითხვები და პასუხები (Q&A)

❓

დაგვისვით ნებისმიერი კითხვა Case Studies-ზე, მონაცემთა უსაფრთხოებასა და ხარჯების მართვაზე.

Slide 36/37

🏆 ფინალური პროექტის მოთხოვნები (ლექცია 7-ისთვის)

კურსის დასკვნით შეხვედრაზე (ლექცია 7: პრაქტიკული ვორქშოპი) თითოეულმა თქვენგანმა უნდა წარმოადგინოს საკუთარი პროექტი სერტიფიკატის მისაღებად:

პროექტის 4 სავალდებულო კრიტერიუმი:

  1. რეალური ბიზნეს პრობლემა: პროექტი უნდა ჭრიდეს კონკრეტულ პრობლემას (თქვენი სამსახურის ან წარმოსახვითი ბიზნესის).
  2. არქიტექტურა Make.com / n8n-ში: მინიმუმ 3 ნაბიჯი (Trigger ➔ Processing ➔ Action) + Error Handling.
  3. AI ინტეგრაცია: გამოყენებული უნდა იყოს LLM (ChatGPT, Claude, Vision ან ლოკალური მოდელი).
  4. ROI პრეზენტაცია: 1 სლაიდი გამოთვლილი ფინანსური/დროითი დანაზოგით.

⭐ არჩევითი ბონუსი: Lovable-ით შექმნილი ფორმა/dashboard დამატებითი უპირატესობაა, მაგრამ სერტიფიკატისთვის სავალდებულო არ არის.

Slide 37/37

🔜 შემდეგი: ლექცია 6 & ფინალური ვორქშოპი (ლექცია 7)

შემდეგი ნაბიჯები:

  • ლექცია 6: AI Agent ეკოსისტემა 2026 - Lindy, Gumloop, Claude Agent SDK, MCP და Context Engineering.
  • ლექცია 7 (ვორქშოპი): სტუდენტების პროექტების პრეზენტაცია, Trend Analysis 2026-2030 და სერტიფიცირება!

მოემზადეთ AI აგენტების მომავლისთვის!

Top ↑ შეჯამება სწრაფი ცნობარი სავარჯიშოები სასწავლო მასალა