CData دروازه‌ای برای کنترل دسترسی عامل‌های هوش مصنوعی به داده‌ها معرفی کرد

شرکت CData Software در ۲۹ سپتامبر ۲۰۲۶ از Connect AI Gateway رونمایی کرد؛ دروازه‌ای برای مدیریت دسترسی عامل‌های هوش مصنوعی به مدل‌ها، ابزارها و داده‌های سازمانی که اکنون وارد مرحله دسترسی زودهنگام شده است. این محصول با متمرکزکردن سیاست‌های دسترسی و ثبت مسیر پاسخ‌ها، می‌خواهد به شرکت‌ها کمک کند بدانند یک عامل از چه داده‌ای استفاده کرده، با کدام مدل کار کرده و بر چه اساسی به نتیجه رسیده است؛ موضوعی که با گسترش عامل‌های هوش مصنوعی و توانایی آن‌ها برای انجام اقدام در سامانه‌های کاری، اهمیت بیشتری پیدا می‌کند.

مدیریت مدل‌ها، ابزارها و دسترسی به داده‌ها

Connect AI Gateway ادامه‌ای بر پلتفرم Connect AI و خدمات مدیریت‌شده CData برای MCP است. MCP یا «پروتکل زمینه مدل» استانداردی برای پیوند دادن مدل‌های هوش مصنوعی به ابزارها و داده‌های بیرونی است. دروازه جدید به تیم‌های فناوری اطلاعات امکان می‌دهد مدل‌ها، سرورهای MCP و عامل‌ها را در یک محل ثبت کنند و برای هرکدام قواعدی تعیین کنند؛ از جمله این‌که به چه چیزی دسترسی داشته باشند و چه کاری بتوانند انجام دهند.

نکته مهم در این طراحی، پیوند میان دسترسی عامل و مجوزهای فردی است. به گفته CData، اگر عاملی برای بازیابی داده یا انجام یک اقدام از طرف یک کارمند به سامانه‌ای متصل شود، دروازه می‌تواند همان سطح دسترسی کارمند را اعمال کند. سیاست‌ها همچنین می‌توانند دسترسی را تا سطح ردیف‌ها و ستون‌های داده محدود کنند. چنین کنترل‌هایی برای سازمان‌هایی اهمیت دارد که نمی‌خواهند اتصال یک عامل به سامانه‌های داخلی، به دسترسی گسترده‌تر از اختیار کاربر منجر شود.

دروازه همچنین مسیر تولید پاسخ را ثبت می‌کند. بر اساس توضیح شرکت، ردپای حسابرسی می‌تواند نشان دهد کدام درخواست، مدل، ابزار و سیاست در شکل‌گیری یک پاسخ نقش داشته‌اند. این قابلیت برای بررسی پاسخ نادرست، یا فهمیدن دلیل مسدودشدن یک اقدام، می‌تواند به مدیران کمک کند. برخلاف رویکردی که فقط اتصال هوش مصنوعی به داده را مدیریت می‌کند، CData می‌گوید محصول جدید کل مسیر را زیر نظر می‌گیرد: از درخواست نخست تا انتخاب مدل، دریافت داده و اقدام احتمالی.

CData پیش‌تر صدها اتصال‌دهنده برای برنامه‌های کسب‌وکار و پایگاه‌های داده ارائه کرده بود. دروازه تازه بر همان ارتباط‌ها تکیه دارد تا دسترسی عامل‌ها به سامانه‌های موجود را کنترل کند. بنابراین، تمرکز محصول فقط بر انتخاب یک مدل یا ساخت پاسخ نیست؛ بلکه بر چگونگی ورود داده‌های شرکت به فرایند و حدود اختیارات سامانه هوش مصنوعی نیز قرار دارد.

زمینه مشترک برای پاسخ‌های سازگارتر

یکی از مسائل کاربرد هوش مصنوعی در سازمان‌ها این است که واژه‌های روزمره کسب‌وکار همیشه تعریف واحدی ندارند. برای نمونه، پرسش درباره «درآمد» ممکن است بسته به سامانه انتخاب‌شده یا روش محاسبه، پاسخ‌های متفاوتی داشته باشد. اگر عامل تعریف مورد استفاده کارکنان را نداند، ممکن است پاسخی ارائه کند که از نظر ظاهری معقول است، اما با معیارهای داخلی سازمان هم‌خوانی ندارد.

برای پرداختن به این مسئله، Connect AI Gateway یک موتور زمینه دارد. این موتور می‌تواند از ساختار سامانه‌های متصل، تعریف‌های کسب‌وکار و دانشی که از تعامل کاربران با عامل‌ها به دست می‌آید استفاده کند. CData می‌گوید تعریف‌های نگهداری‌شده در ابزارهایی مانند dbt و Microsoft Power BI، در کنار اطلاعات مربوط به فیلدها و ارتباط میان بخش‌های سامانه‌های مبدأ، می‌توانند به ساخت چنین زمینه‌ای کمک کنند.

بخش دیگری از این زمینه می‌تواند از اسناد، گفت‌وگوها و اصلاح‌هایی که کاربران برای پاسخ‌های عامل ارائه می‌کنند شکل بگیرد. این اطلاعات در نمودار زمینه‌ای نگهداری می‌شود که بیرون از مدل‌های هوش مصنوعی قرار دارد. در نتیجه، طبق توضیح شرکت، سازمان می‌تواند در صورت تغییر مدل، بخشی از زمینه گردآوری‌شده را همچنان به کار گیرد و آن را به مدل دیگری منتقل کند.

این نمودار قرار نیست بدون بازبینی به دانش مشترک همه کارکنان تبدیل شود. CData می‌گوید افراد می‌توانند آن را بررسی کنند و تصمیم بگیرند کدام اطلاعات در زمینه مشترک قرار بگیرد. این مرحله اهمیت دارد، چون اصلاحی که برای یک کارمند مفید است ممکن است در موقعیتی دیگر یا برای همکارانش گمراه‌کننده باشد. بنابراین، فایده موتور زمینه به کیفیت اطلاعات و نحوه تأیید آن‌ها وابسته است، نه صرفاً به جمع‌آوری هرچه بیشتر تعامل‌ها.

شرکت این قابلیت را جایگزین کامل کاتالوگ داده یا لایه معنایی سازمان نمی‌داند. هرچند نمودار زمینه‌ای ویژگی‌هایی شبیه کاتالوگ دارد، نسخه اولیه هنوز نمی‌تواند تعریف‌ها را مستقیماً از کاتالوگ‌های داده وارد کند؛ CData گفته است این قابلیت را برای آینده در نظر دارد. مدیران شرکت تأکید کرده‌اند که هدف، استفاده از اطلاعات موجود برای دقیق‌تر و کنترل‌شده‌ترشدن تعامل عامل‌ها با داده است، نه ساخت محصولی فراگیر برای جایگزینی ابزارهای مدیریت داده.

مسیردهی مدل‌ها و کنترل هزینه

دروازه CData علاوه بر داده، مسیردهی مدل‌ها، ابزارهای MCP و عامل‌ها را نیز مدیریت می‌کند. سازمان‌ها می‌توانند بودجه توکن تعیین کنند و درخواست‌ها را بر پایه سیاست‌های خود به مدل‌های مختلف بفرستند. توکن واحدی است که مدل برای پردازش متن از آن استفاده می‌کند و تعداد توکن‌ها می‌تواند بر هزینه و میزان اطلاعاتی که در اختیار مدل قرار می‌گیرد اثر بگذارد.

در نسخه اولیه، انتخاب مدل بر مبنای سیاست‌های ازپیش‌تعیین‌شده انجام می‌شود. Will Davis، مدیر ارشد بازاریابی CData، گفته است شرکت در آینده می‌خواهد دروازه بتواند متن درخواست و رفتار سامانه را بررسی کند و مدل کم‌هزینه‌تری را که برای وظیفه مناسب است انتخاب کند. این قابلیت هنوز وعده‌ای برای آینده است و نباید با امکان خودکارِ موجود در نسخه فعلی اشتباه گرفته شود.

شرکت همچنین می‌گوید لایه داده می‌تواند بخشی از پردازش را پیش از فرستادن اطلاعات به مدل انجام دهد؛ برای مثال، داده‌ها را فیلتر، به هم متصل یا تجمیع کند و سپس نتیجه را به مدل بدهد. این کار می‌تواند حجم اطلاعات واردشده به پنجره زمینه مدل را کاهش دهد. پنجره زمینه به بخشی از اطلاعاتی گفته می‌شود که مدل در یک نوبت برای پاسخ‌دادن در اختیار دارد. کم‌شدن داده ارسالی ممکن است هزینه توکن را پایین بیاورد، اما میزان صرفه‌جویی واقعی به نوع درخواست و نحوه استفاده بستگی دارد.

CData برای نشان‌دادن عملکرد محصول، نتیجه دو آزمون داخلی را منتشر کرده است. در آزمونی با ۳۷۸ پرس‌وجوی سازمانی، این شرکت اعلام کرد Connect AI به ۹۸٫۵ درصد پرسش‌ها پاسخ درست داده است؛ در مقایسه با بازه ۶۵ تا ۷۵ درصدی برای ارائه‌دهندگان MCP دیگری که شرکت بررسی کرده بود. در آزمونی جداگانه نیز CData از تفاوت هزینه‌ای تا ۱۷۵ برابر میان مدل‌هایی خبر داد که پاسخ درست یکسانی تولید کرده‌اند.

این اعداد باید با احتیاط خوانده شوند: هر دو نتیجه به آزمون‌های خود CData مربوط‌اند، ارزیابی مستقل محسوب نمی‌شوند و مدرکی از میزان صرفه‌جویی در یک استقرار واقعی مشتری نیستند. بااین‌حال، آن‌ها دو مسئله‌ای را برجسته می‌کنند که محصول برای پاسخ به آن‌ها طراحی شده است: دقت پاسخ در زمینه سازمانی و تفاوت هزینه میان مدل‌هایی که ممکن است برای یک کار مشابه نتیجه درست بدهند.

نظارت انسانی و محدودیت‌های نسخه اولیه

افزودن کنترل یکپارچه بر درخواست، داده و اقدام می‌تواند به مدیران دید روشن‌تری از رفتار عامل بدهد؛ به‌ویژه هنگامی که پاسخ اشتباه است یا سیاستی مانع انجام یک کار می‌شود. در عین حال، چنین سامانه‌ای فقط وقتی سودمند است که قواعد دسترسی و تعریف‌های کسب‌وکار به‌درستی تنظیم شوند. دروازه ابزار اعمال سیاست‌ها و ثبت رویدادها را فراهم می‌کند، اما تصمیم درباره این‌که چه کسی مجاز به دیدن داده‌ای است یا چه تعریفی از یک شاخص باید معیار قرار بگیرد، همچنان به سازمان مربوط می‌شود.

نظارت انسانی در مدیریت دانشی که از تعامل‌ها به دست می‌آید نیز نقش تعیین‌کننده دارد. اگر یک اصلاح بدون بررسی به زمینه مشترک راه پیدا کند، ممکن است پاسخ‌های بعدی را منحرف کند. CData می‌گوید افراد باید تعیین کنند چه آموخته‌هایی وارد دانش مشترک شوند. این فرایند تأیید، در کنار سیاست‌های دسترسی و ممیزی، بخشی از سازوکار حاکمیت بر عامل‌هاست؛ اصطلاحی برای مجموعه قواعد و نظارت‌هایی که رفتار سامانه‌های هوش مصنوعی را در محیط سازمانی محدود و قابل‌پیگیری می‌کند.

در مجموع، Connect AI Gateway دامنه مدیریت CData را از فراهم‌کردن دسترسی کنترل‌شده به سامانه‌های سازمانی به نظارت بر زنجیره کامل تعامل گسترش می‌دهد. محصول با اتصال مدل‌ها، ابزارها، عامل‌ها، داده‌ها و زمینه کسب‌وکار در یک محل، می‌خواهد به سازمان‌ها کمک کند هم مسیر پاسخ را ببینند و هم استفاده از منابع را مدیریت کنند. اما نسخه اولیه هنوز محدودیت‌هایی دارد؛ از جمله نبود امکان واردکردن مستقیم تعریف‌ها از کاتالوگ‌های داده. همچنین بخشی از قابلیت‌های مورد اشاره، مانند انتخاب خودکار ارزان‌ترین مدل، برنامه‌ای برای آینده است و نه ویژگی آماده استفاده.

این خبر برای چه کسانی اهمیت دارد

این خبر برای مدیران فناوری اطلاعات، مسئولان داده و امنیت، و شرکت‌هایی اهمیت دارد که در حال اتصال عامل‌های هوش مصنوعی به برنامه‌ها و پایگاه‌های داده داخلی هستند. چنین تیم‌هایی باید میان دسترسی مفید عامل‌ها و حفظ محدودیت‌های دسترسی کارکنان تعادل برقرار کنند و بتوانند منشأ پاسخ‌ها و اقدام‌ها را بررسی کنند.

همچنین برای سازمان‌هایی که هزینه مدل‌ها و تفاوت در تعریف شاخص‌های کسب‌وکار مسئله‌ساز است، کنترل مسیردهی و مدیریت زمینه می‌تواند موضوعی قابل‌توجه باشد. بااین‌حال، آمارهای عملکرد اعلام‌شده از سوی CData هنوز آزمون مستقل یا نتیجه مستند استقرار مشتریان نیستند. برای ارزیابی محصول، سازمان‌ها باید قابلیت‌های موجود در دسترسی زودهنگام را از برنامه‌های آینده جدا کنند و در کنار امکانات فنی، کیفیت بازبینی انسانی و قواعد داده خود را نیز بسنجند.