کارشناس پشتیبانی برای پاسخ به یک پرسش مشتری، میان دستورالعمل‌ها، سوابق خدمات و اطلاعات محصول جست‌وجو می‌کند. مدیر یک واحد هم می‌خواهد از چند گزارش داخلی، پاسخ روشنی بگیرد. هوش مصنوعی می‌تواند در انجام این کارها کمک کند، اما پیش از استفاده باید بدانیم اطلاعات کجا پردازش می‌شوند و چه کسی به آن‌ها دسترسی دارد.
هوش مصنوعی خصوصی یا Private AI، رویکردی برای پاسخ به همین نیاز است: استفاده از توان هوش مصنوعی در محیطی با کنترل مشخص بر داده، مدل و دسترسی کاربران. در این مقاله، مفهوم و کاربردهای آن را مرور می‌کنیم و جایگاه راهکار UNIVO ACE500 را در اجرای هوش مصنوعی داخل سازمان توضیح می‌دهیم.
هوش مصنوعی خصوصی چیست؟
Private AI به رویکردی در استقرار و بهره‌برداری از هوش مصنوعی گفته می‌شود که در آن سازمان، مرز پردازش و نگهداری اطلاعات، دسترسی کاربران و شرایط استفاده از مدل‌ها را تعیین و مدیریت می‌کند. این محیط می‌تواند روی زیرساخت داخلی یا در محیط ابری اختصاصی با کنترل‌های مناسب ایجاد شود. راهنمای Red Hat نیز استقرار داخلی و ابر خصوصی را از گزینه‌های اجرای بارهای کاری خصوصی می‌داند.
بنابراین، برای شناخت یک راهکار باید فراتر از نام آن سؤال کنیم: اسناد و درخواست‌ها کجا می‌روند؟ مدل کجا اجرا می‌شود؟ سوابق گفتگو کجا ذخیره می‌شوند؟ کدام مدیر یا ارائه‌دهنده خدمات به این اجزا دسترسی دارد؟
اجرای مدل روی یک دستگاه داخل شرکت، بخشی از پاسخ است. نرم‌افزارهای متصل، سرویس‌های جانبی و روش نگهداری داده هم باید با همان محدوده توافق‌شده هماهنگ باشند. به همین دلیل، Private AI یک تصمیم درباره معماری و مدیریت سرویس است که انتخاب سخت‌افزار را نیز در بر می‌گیرد.
Private AI چه تفاوتی با استفاده از سرویس ابری دارد؟
تفاوت اصلی در محل اجرا، میزان کنترل و تقسیم مسئولیت‌هاست. سرویس‌های ابری شرایط یکسانی ندارند؛ سیاست نگهداری داده، استفاده از داده برای آموزش، سطح جداسازی و تعهدات قراردادی هر سرویس باید جداگانه بررسی شود. ابری‌بودن به‌تنهایی نشان‌دهنده عمومی‌بودن اطلاعات نیست.
محل پردازش، قرارداد نگهداری داده و امکان مدیریت دسترسی
| شیوه استقرار | موضوع قابل بررسی | مسئولیت عملیاتی |
|---|---|---|
| سرویس آماده ارائه‌دهنده | محل پردازش، قرارداد نگهداری داده و امکان مدیریت دسترسی | بخش عمده زیرساخت با ارائه‌دهنده؛ نحوه استفاده و انتخاب داده با سازمان |
| استقرار در زیرساخت داخلی | مدل، ذخیره‌سازی، ارتباطات بیرونی و دسترسی‌های داخلی | نگهداری سرویس با سازمان یا پیمانکار تعیین‌شده |
| استقرار در محیط ابری اختصاصی | جداسازی محیط، محل داده، دسترسی اپراتور و پشتیبان‌گیری | مطابق طراحی و قرارداد میان سازمان و ارائه‌دهنده تقسیم می‌شود |
نکته تصمیم: نام مدل استقرار به‌تنهایی کافی نیست؛ محل داده، دسترسی اپراتور، نگهداری اطلاعات و تعهدات قراردادی را برای همان سرویس بررسی کنید.
مدل ترکیبی نیز ممکن است: بعضی پردازش‌ها داخل سازمان انجام شوند و بعضی کارها با داده مجاز به سرویس بیرونی سپرده شوند. در این حالت باید مسیر هر نوع داده مشخص باشد؛ اتصال بخشی از سامانه به سرویس خارجی را نمی‌توان نادیده گرفت.
انتخاب مناسب به حساسیت اطلاعات، کیفیت مدل موردنیاز، تعداد کاربران، بودجه و توان پشتیبانی وابسته است. برای کاری با داده عمومی و استفاده محدود، ممکن است سرویس آماده کافی باشد. وقتی کنترل محل داده یا اتصال به منابع داخلی اهمیت بالایی دارد، بررسی استقرار خصوصی منطقی‌تر می‌شود.
نقش Local LLM، RAG و AI Agent در راهکار چیست؟
این اصطلاحات به بخش‌های متفاوتی از یک راهکار اشاره می‌کنند. روشن‌شدن آن‌ها کمک می‌کند بدانیم دقیقاً چه چیزی می‌خواهیم پیاده کنیم.
مدل زبانی محلی؛ اجرای مدل در زیرساخت انتخاب‌شده
مدل زبانی بزرگ یا LLM، مدلی برای پردازش و تولید زبان است. در اجرای محلی، محاسبات مدل روی زیرساخت محلی انجام می‌شود. این ویژگی به محل اجرا مربوط است؛ مدل با نصب‌شدن، خودبه‌خود به اسناد و اطلاعات روز سازمان دسترسی پیدا نمی‌کند.
برای استفاده سازمانی، انتخاب مدل باید با زبان محتوا، نوع وظیفه، مجوز استفاده و امکانات نرم‌افزار اجرا هماهنگ باشد. مدلی که متن عمومی را روان می‌نویسد، لزوماً برای استخراج دقیق اطلاعات از اسناد فارسی بهترین انتخاب نیست.
RAG؛ پاسخ‌گویی با کمک منابع سازمان
RAG مخفف Retrieval-Augmented Generation یا «تولید پاسخ با کمک بازیابی اطلاعات» است. در این روش، بخش‌های مرتبط از منابع دانش پیدا می‌شوند و همراه پرسش در اختیار مدل قرار می‌گیرند. این کار می‌تواند بدون آموزش دوباره مدل انجام شود.
مثلاً در پاسخ به پرسش «شرایط مرجوعی این گروه محصول چیست؟»، سامانه ابتدا دستورالعمل مرتبط را بازیابی می‌کند و سپس پاسخ را بر پایه آن می‌سازد. نمایش منبع و نسخه سند کمک می‌کند کارشناس پاسخ را بررسی کند. وجود RAG به‌تنهایی درستی همه پاسخ‌ها را تضمین نمی‌کند.
AI Agent؛ اتصال پاسخ‌گویی به انجام کار
عامل هوشمند یا AI Agent می‌تواند در یک فرایند تعریف‌شده، از ابزارها و سامانه‌های متصل استفاده کند؛ مثلاً پس از بررسی اطلاعات، پیش‌نویس یک درخواست خدمات را آماده کند. سطح اختیار آن باید روشن باشد: فقط پیشنهاد می‌دهد یا اجازه ثبت تغییر هم دارد؟
در کارهایی مثل تغییر اطلاعات مشتری یا ارسال پیشنهاد تجاری، کنترل دسترسی و تأیید مسئول مربوط اهمیت دارد. پاسخ‌گویی از اسناد، اتصال به CRM و انجام خودکار عملیات، سه قابلیت متفاوت‌اند که دامنه اجرای هرکدام باید مشخص شود.
هوش مصنوعی خصوصی چه کاربردهایی در سازمان دارد؟
بهتر است از کاری شروع کنیم که هم تکرار می‌شود و هم منابع معتبر برای انجام آن وجود دارد. سناریوهای زیر مسیرهای قابل بررسی‌اند؛ اجرای هرکدام به نرم‌افزار، داده و ارزیابی متناسب نیاز دارد.
دستیار دانش سازمانی
یافتن دستورالعمل و پاسخ همراه با منبع
اسناد معتبر، نسخه‌بندی و دسترسی مشخص
شروع از یک سناریوی محدود، قابل سنجش و دارای منبع معتبر
برای مثال، در مرکز تماس می‌توان ابتدا دستیار را فقط در اختیار کارشناسان گذاشت تا پاسخ پیشنهادی را بررسی کنند. اتصال به پرونده مشتری مرحله جداگانه‌ای است و به احراز هویت، مجوز دسترسی و امکانات سامانه خدمات بستگی دارد.
در بررسی قرارداد نیز ابزار می‌تواند بندهای منتخب را استخراج یا دو نسخه را مقایسه کند؛ مسئولیت ارزیابی حقوقی همچنان به کارشناس مربوط می‌رسد. در گزارش‌گیری مالی هم اعداد و محاسبات باید با منبع معتبر و ابزار محاسباتی کنترل شوند.
کاربردهایی مانند تحلیل تصویر و پردازش نزدیک دوربین یا تجهیزات نیز قابل بررسی‌اند، اما مدل، داده و معیارهای عملکرد متفاوتی دارند. موفقیت یک دستیار متنی، عملکرد یک راهکار بینایی ماشین را اثبات نمی‌کند.
یک راهکار Private AI از چه اجزایی تشکیل می‌شود؟
برای تبدیل ایده به ابزار روزمره، چند جزء باید با هم کار کنند:
- بستر پردازش: منابع محاسباتی، حافظه و ذخیره‌سازی متناسب با مدل و بار کاری.
- مدل و نرم‌افزار اجرا: اجزایی که درخواست را پردازش و پاسخ یا خروجی تولید می‌کنند.
- منابع اطلاعاتی: اسناد یا سامانه‌هایی که اجازه استفاده از اطلاعات آن‌ها وجود دارد.
- لایه دسترسی: احراز هویت، مجوزها و محدودیت استفاده از داده و ابزارها.
- رابط کاربر و عملیات سرویس: محیط استفاده، پایش، به‌روزرسانی، پشتیبان‌گیری و رسیدگی به خطاها.
جریان یک دستیار اسنادی را می‌توان ساده توضیح داد: کاربر شناسایی می‌شود، پرسش او به منابع مجاز مرتبط می‌شود، اطلاعات لازم در اختیار مدل قرار می‌گیرد و پاسخ برای بررسی نمایش داده می‌شود. Microsoft نیز در توضیح RAG سازمانی تأکید می‌کند کاربران و عامل‌ها فقط باید محتوای مجاز را بازیابی کنند.
این محدودیت باید در سامانه اعمال شود؛ صرفاً نوشتن «اطلاعات محرمانه را نمایش نده» در دستور مدل، جای کنترل دسترسی را نمی‌گیرد. مثلاً کاربر واحد فروش نباید از مسیر دستیار به اسناد محدودشده منابع انسانی دسترسی پیدا کند.
UNIVO ACE500؛ بستر فشرده برای هوش مصنوعی سازمانی
ACE500 در سبد بهین تکنولوژی به‌عنوان بستر پردازشی فشرده برای راهکارهای هوش مصنوعی سازمانی معرفی شده است. کاربردهای مطرح‌شده برای آن شامل اجرای مدل‌های زبانی محلی، دستیار دانش، پردازش اسناد و سناریوهای دیگر AI است.
این مشخصات، بخشی از مبنای انتخاب پیکربندی‌اند؛ اندازه مدل، تنظیمات اجرا و نیاز کاربران هم باید بررسی شوند. حافظه بیشتر به‌تنهایی، سرعت پاسخ یا ظرفیت مشخصی از کاربران هم‌زمان را تضمین نمی‌کند.
ظرفیت سخت‌افزار ≠ نتیجه تضمین‌شدهمدل، تنظیمات اجرا، نرم‌افزار و الگوی مصرف باید کنار هم ارزیابی شوند.
بهین تکنولوژی در صفحه محصول، ارائه ACE500 همراه با نرم‌افزار و خدمات راه‌اندازی را توضیح داده است. قابلیت‌های نرم‌افزاری، منابع قابل اتصال و دامنه خدمات، متناسب با نیاز سازمان در پیشنهاد فنی و تجاری مشخص می‌شوند.
برای آشنایی با این ترکیب و مطرح‌کردن کاربرد موردنظر، راهکار UNIVO ACE500 برای هوش مصنوعی سازمانی را ببینید. نقطه شروع گفت‌وگو می‌تواند یک مسئله مشخص باشد: پاسخ‌گویی از دستورالعمل‌ها، کمک به کارشناس خدمات یا استخراج اطلاعات از اسناد منتخب.
مشاهده راهکار UNIVO ACE500
UNIVO ACE500 چه نقشی در اجرای این راهکار دارد؟
ACE500 در سبد بهین تکنولوژی به‌عنوان بستر پردازشی فشرده برای راهکارهای هوش مصنوعی سازمانی معرفی شده است. کاربردهای مطرح‌شده برای آن شامل اجرای مدل‌های زبانی محلی، دستیار دانش، پردازش اسناد و سناریوهای دیگر AI است.
در کاتالوگ، پردازنده AMD Ryzen AI Max+ 395 و حافظه یکپارچه تا ظرفیت 128GB اعلام شده است. این مشخصات، بخشی از مبنای انتخاب پیکربندی‌اند؛ اندازه مدل، تنظیمات اجرا و نیاز کاربران هم باید بررسی شوند. حافظه بیشتر به‌تنهایی، سرعت پاسخ یا ظرفیت مشخصی از کاربران هم‌زمان را تضمین نمی‌کند.
بهین تکنولوژی در صفحه محصول، ارائه ACE500 همراه با نرم‌افزار و خدمات راه‌اندازی را توضیح داده است. قابلیت‌های نرم‌افزاری، منابع قابل اتصال و دامنه خدمات، متناسب با نیاز سازمان در پیشنهاد فنی و تجاری مشخص می‌شوند.
برای آشنایی با این ترکیب و مطرح‌کردن کاربرد موردنظر، راهکار UNIVO ACE500 برای هوش مصنوعی سازمانی را ببینید. نقطه شروع گفت‌وگو می‌تواند یک مسئله مشخص باشد: پاسخ‌گویی از دستورالعمل‌ها، کمک به کارشناس خدمات یا استخراج اطلاعات از اسناد منتخب.
پیش از انتخاب راهکار، چه محدودیت‌هایی را بشناسیم؟
پردازش داخلی، امنیت خودکار ایجاد نمی‌کند
اجرای داخلی امکان کنترل محل پردازش را فراهم می‌کند، اما حساب‌های کاربری، ارتباطات بیرونی، فایل‌های پشتیبان و دسترسی مدیران همچنان نیازمند مدیریت‌اند. سندی که وارد سامانه می‌شود نیز ممکن است حاوی دستور مخرب باشد؛ OWASP این مسئله را در قالب تزریق دستور توضیح می‌دهد و RAG را راه‌حل کامل آن نمی‌داند.
تعریف مسیر مجاز استفاده از AI باید همراه با آموزش کارکنان باشد. برای شناخت استفاده‌های خارج از کنترل سازمان، مقاله Shadow AI و خطر نشت اطلاعات سازمانی مکمل این بحث است
پاسخ روان، الزاماً پاسخ درست نیست
سند قدیمی، متن اسکن‌شده با کیفیت پایین یا بازیابی ناقص می‌تواند پاسخ را مخدوش کند. برای اسناد فارسی، استخراج متن، جدول‌ها، اعداد و اصطلاحات تخصصی را با نمونه واقعی بررسی کنید. پاسخ نامطمئن باید قابل تشخیص باشد و در صورت نبود اطلاعات کافی، مسیر ارجاع به کارشناس وجود داشته باشد.
ظرفیت و هزینه به سناریو وابسته‌اند
تعداد کاربران هم‌زمان، طول درخواست‌ها، اندازه مدل و حجم پردازش بر منابع موردنیاز اثر دارند. ظرفیت قابل اتکا باید با همان نوع استفاده سنجیده شود. همچنین هزینه نرم‌افزار، آماده‌سازی داده، یکپارچه‌سازی و پشتیبانی را کنار سخت‌افزار قرار دهید.
برای یادگیری منطق تفکیک این هزینه‌ها، راهنمای هزینه کل مالکیت کامپیوتر مفید است؛ در پروژه AI باید هزینه‌های اختصاصی داده و مدل را نیز به چارچوب اضافه کرد. ارزان‌تر بودن اجرای داخلی نسبت به سرویس ابری، نتیجه‌ای نیست که برای همه سازمان‌ها از پیش قطعی باشد.
شروع مناسب برای سازمان شما چیست؟
یک کاربرد محدود انتخاب کنید و پیش از تصمیم درباره استقرار گسترده، پاسخ این پرسش‌ها را بنویسید:
- کدام کار باید بهتر انجام شود و کاربر آن چه کسی است؟
- چه منابعی لازم است و مسئول اعتبار آن‌ها کیست؟
- چه کسانی اجازه دسترسی به هر منبع را دارند؟
- خروجی قابل قبول چیست و چه کسی آن را ارزیابی می‌کند؟
- پس از راه‌اندازی، نگهداری محتوا و سرویس با چه تیمی است؟
می‌توان از چند دستورالعمل معتبر و یک گروه محدود شروع کرد. پاسخ‌های درست، ارجاع به منبع، زمان انجام کار و موارد ارجاع به انسان را ثبت کنید. نتایج این بررسی، مسیر اصلاح یا توسعه را روشن می‌کند. چک‌لیست نیازسنجی زیرساخت IT نیز برای تنظیم صورت‌مسئله اولیه قابل استفاده است.
ارزش Private AI زمانی مشخص می‌شود که کنترل داده با یک کاربرد مفید همراه باشد. برای بررسی اجرای همین کاربرد با ACE500، نوع اسناد یا سامانه‌ها، تعداد تقریبی کاربران هم‌زمان و محدودیت‌های استقرار را آماده کنید و درخواست ارزیابی خود را از صفحه راهکار با کارشناسان بهین تکنولوژی در میان بگذارید.
پرسش‌های متداول درباره هوش مصنوعی خصوصی
آیا Private AI حتماً بدون اینترنت کار می‌کند؟
خیر. در طراحی کاملاً محلی، استفاده روزمره می‌تواند مستقل از سرویس ابری باشد. نیاز به اینترنت برای نصب، به‌روزرسانی، فعال‌سازی یا اتصال به سامانه‌های بیرونی به اجزای انتخاب‌شده بستگی دارد.
آیا باید مدل اختصاصی سازمان را از ابتدا آموزش دهیم؟
معمولاً برای شروع چنین نیازی نیست. می‌توان مدل مناسب را انتخاب و در صورت نیاز، با روش‌هایی مانند RAG به منابع سازمان متصل کرد. ضرورت آموزش تکمیلی باید با مسئله و نتیجه ارزیابی مشخص شود.
آیا همه کارکنان به تمام اسناد دسترسی خواهند داشت؟
نباید چنین باشد. دسترسی از مسیر دستیار باید تابع مجوزهای سازمان باشد. این رفتار باید در طراحی پیاده‌سازی و با کاربران دارای سطح دسترسی متفاوت آزموده شود.
ACE500 برای چند کاربر مناسب است؟
عدد ثابتی برای همه کاربردها وجود ندارد. مدل، تنظیمات، طول درخواست، کاربران هم‌زمان و زمان پاسخ مورد انتظار باید در همان پیکربندی ارزیابی شوند.
آیا خرید ACE500 به‌معنی دریافت همه کاربردهای معرفی‌شده است؟
قابلیت‌های هر پروژه در پیشنهاد فنی مشخص می‌شوند. دستیار اسنادی، اتصال به CRM، پردازش صوت و اجرای عامل هوشمند به اجزای متفاوتی نیاز دارند؛ دامنه نرم‌افزار و خدمات باید برای کاربرد انتخاب‌شده روشن باشد.