NetApp و Iterate اجرای خصوصی هوش مصنوعی را به داده‌های سازمانی پیوند می‌دهند

هوش مصنوعی خصوصی در کانون همکاری NetApp و Iterate قرار گرفته است؛ این دو شرکت راهکار AIPod Mini را برای اجرای محلی مدل‌ها و عامل‌های هوش مصنوعی در سازمان‌ها عرضه می‌کنند. این سامانه زیرساخت ذخیره‌سازی NetApp را با پلتفرم Generate شرکت Iterate.ai پیوند می‌دهد تا شرکت‌ها بتوانند از داده‌های داخلی خود استفاده کنند، بی‌آنکه برای هر پرس‌وجو اطلاعات را به یک سرویس بیرونی بفرستند. این رویکرد در شرایطی مطرح می‌شود که به گفته مدیران دو شرکت، مدل‌های دارای وزن‌های باز به عملکرد سامانه‌های پیشرفته اختصاصی نزدیک‌تر شده‌اند.

هوش مصنوعی خصوصی به داده‌های سازمانی متصل می‌شود

AIPod Mini دستگاهی آماده‌به‌کار است که بنا بر توضیحات برایان ساتیانان، هم‌بنیان‌گذار و مدیر فناوری Iterate.ai، به ذخیره‌سازهای NetApp متصل می‌شود و از پروتکل ONTAP برای ارتباط با آن‌ها بهره می‌گیرد. پروتکل، در اینجا، مجموعه‌ای از قواعد ارتباطی است که به سامانه‌ها امکان می‌دهد با یکدیگر تبادل داده کنند. روی این زیرساخت، نرم‌افزار Generate اجرا می‌شود که به گفته ساتیانان یک مدل زبانی بزرگ (LLM) را در خود جای داده است.

مدل زبانی بزرگ، سامانه‌ای است که با آموزش روی حجم زیادی از متن می‌تواند درخواست‌های نوشتاری را پردازش کند و پاسخ یا محتوای تازه بسازد. در ترکیب پیشنهادی NetApp و Iterate، این پردازش‌ها در محل سازمان انجام می‌شود. ساتیانان گفت که کاربران می‌توانند پرس‌وجوهای هوش مصنوعی را درون محیط خود و به‌صورت خصوصی اجرا کنند. هدف اعلام‌شده این است که سخت‌افزار، داده و مدل زیر کنترل مشتری بماند، نه اینکه اطلاعات برای پردازش به ارائه‌دهنده‌ای بیرونی ارسال شود.

اهمیت این طرح به مخزن اطلاعاتی موجود در شرکت‌ها گره خورده است. قراردادها، سوابق و گزارش‌های عملیاتی که در سامانه‌های ذخیره‌سازی نگهداری می‌شوند، می‌توانند برای پاسخ‌گویی به پرسش‌ها یا انجام فرایندهای کاری به کار آیند. جون نورد‌مارک، هم‌بنیان‌گذار و مدیرعامل Iterate.ai، این ایده را با پیوند «حافظه» و «زمینه» توضیح داد: از نگاه او، بخش بزرگی از حافظه سازمان‌ها در فضای ذخیره‌سازی قرار دارد و سامانه‌های هوش مصنوعی زمانی ارزش بیشتری پیدا می‌کنند که بتوانند به آن دسترسی داشته باشند.

مدل‌های دارای وزن باز و نزدیک‌شدن به عملکرد مرزی

اشیش داوان، مدیر ارشد و رئیس واحد کسب‌وکار ابری NetApp، گفت سازمان‌ها در دو سال گذشته بخش زیادی از کار را صرف آماده‌سازی مجموعه‌های پراکنده داده برای استفاده از هوش مصنوعی کرده‌اند. به گفته او، اکنون که بلوغ بیشتری در استفاده از مدل‌ها برای هوش مصنوعی خصوصی به‌وجود آمده، شرکت‌ها در حال انتقال این فناوری از مرحله آزمایشی به محیط عملیاتی هستند و در صنایع مختلف بهبود بهره‌وری گزارش می‌شود.

داوان همچنین گفت مدل‌های بسته و مدل‌های دارای وزن باز به عملکرد مدل‌های پیشرفته مرزی نزدیک شده‌اند. منظور از وزن‌های مدل، پارامترهایی است که در جریان آموزش تنظیم می‌شوند و در تولید خروجی نقش دارند. در مدل‌های دارای وزن باز، این پارامترها در دسترس قرار می‌گیرند و سازمان‌ها می‌توانند آن‌ها را روی زیرساخت خود اجرا کنند؛ این اصطلاح به‌تنهایی به این معنا نیست که همه اجزای مدل، از جمله داده‌های آموزشی یا روش ساخت آن، آزاد شده‌اند.

به گفته داوان، نزدیک‌شدن توانایی مدل‌ها به سطح سامانه‌های مرزی می‌تواند راهکارهایی مانند AIPod Mini را برای شرکت‌ها کاربردی‌تر کند. بااین‌حال، دسترسی به مدل به‌تنهایی مسئله را حل نمی‌کند: سازمان باید داده‌های مناسب را در اختیار سامانه قرار دهد، اجرای آن را در محیط خود ممکن کند و دسترسی عامل‌های هوش مصنوعی به اطلاعات حساس را نیز مدیریت کند. همکاری دو شرکت بر اتصال این سه بخش، یعنی زیرساخت، نرم‌افزار و داده، متمرکز است.

عامل‌ها در بیمه و درمان؛ از کاهش زمان تا بازیابی مطالبات

طبق گفته نورد‌مارک، AIPod Mini همراه با بیش از ۲۰۰ قالب عامل، بیش از ۲۰۰ مهارت و دسترسی به بیش از ۸۰۰ ابزار عرضه می‌شود. عامل هوش مصنوعی سامانه‌ای است که می‌تواند برای انجام یک وظیفه، چند مرحله را دنبال کند و از ابزارهای مشخص کمک بگیرد؛ برای نمونه، به‌جای پاسخ‌دادن به یک پرسش، اسناد را بررسی کند، اطلاعات را استخراج کند و پیش‌نویس یک اقدام بعدی را آماده سازد.

شرکت‌ها می‌گویند ارزش چنین سامانه‌ای را نباید فقط با مشخصات فنی سنجید و نتیجه آن برای کسب‌وکار نیز اهمیت دارد. نورد‌مارک رویکرد Iterate را «هوش مصنوعی مبتنی بر نتیجه» توصیف کرد؛ یعنی تمرکز بر شاخص‌های کلیدی عملکرد و دستاوردهایی که برای سازمان قابل سنجش باشند. این تأکید در نمونه‌هایی که مدیران ارائه کردند، از صرفه‌جویی در زمان تا پیگیری درآمدهای ازدست‌رفته را در بر می‌گیرد.

در یکی از استقرارهای بیمه‌ای که نورد‌مارک به آن اشاره کرد، تحلیل گزارش تصادف که معمولاً حدود هشت ساعت از وقت یک تحلیل‌گر را می‌گرفت، در هشت دقیقه انجام شد. منبع، جزئیات بیشتری درباره روش محاسبه این زمان یا دامنه استفاده از سامانه ارائه نکرد؛ بنابراین این نمونه را باید به‌عنوان نتیجه‌ای گزارش‌شده از یک استقرار مشخص دید، نه تضمینی برای همه سازمان‌ها یا پرونده‌ها.

نمونه درمانی مطرح‌شده بر چرخه درآمد بیمارستان تمرکز دارد؛ یعنی مراحلی که بیمارستان برای ثبت خدمات، ارسال صورت‌حساب و دریافت پرداخت از بیمه‌گر طی می‌کند. ساتیانان گفت بیمارستان‌ها معمولاً ۸۰ تا ۸۵ درصد مبلغی را که برای بیمه‌گران صورت‌حساب می‌کنند دریافت می‌کنند. او همچنین گفت عامل بررسی مطالبات در یک بیمارستان با ۱۵۰ میلیون دلار صورت‌حساب سالانه، ۱۷٫۴ میلیون دلار از مطالبات ردشده را شناسایی کرده است.

به گفته نورد‌مارک، این فرایند از زنجیره‌ای شامل سه عامل تشکیل شده است: یکی قراردادهای بیمه‌گر را می‌خواند، دیگری مطالبات ردشده را بررسی می‌کند و عامل سوم پیش‌نویس درخواست‌های ارسال مجدد را آماده می‌سازد. شناسایی مطالبات به‌معنای وصول قطعی آن‌ها نیست؛ اطلاعات منتشرشده نیز نمی‌گوید چه مقدار از مبلغ شناسایی‌شده در نهایت پرداخت شده است. بااین‌حال، این مثال نشان می‌دهد شرکت‌ها چگونه می‌خواهند عامل‌ها را از تولید پاسخ متنی به اجرای گردش‌کارهای سازمانی گسترش دهند.

کنترل دسترسی و جایگاه ذخیره‌سازی در معماری هوش مصنوعی

واگذاری چندمرحله‌ای کار به عامل‌های خودکار، پرسش‌های تازه‌ای درباره سطح دسترسی آن‌ها ایجاد می‌کند. اگر سامانه بتواند قراردادها را بخواند، پرونده‌ها را بررسی کند یا متنی برای ارسال آماده سازد، سازمان باید تعیین کند هر عامل به کدام داده‌ها و ابزارها دسترسی داشته باشد. ساتیانان بر اهمیت حاکمیت و مجوزدهی تأکید کرد و گفت پلتفرم NetApp در این زمینه نقش دارد. شرکت‌ها جزئیات فنی بیشتری درباره سازوکارهای کنترل دسترسی یا چگونگی ارزیابی امنیت سامانه منتشر نکردند.

NetApp در همان رویداد معماری ذخیره‌سازی Novus را نیز معرفی کرد؛ معماری‌ای که شرکت آن را برای ظرفیت در مقیاس زتابایت طراحی کرده است. زتابایت واحدی بسیار بزرگ برای اندازه‌گیری داده است و در اینجا به مقیاس ظرفیت مورد نظر برای زیرساخت‌های هوش مصنوعی اشاره دارد. معرفی Novus بخشی از بحث گسترده‌تر درباره نیاز مراکز هوش مصنوعی به ذخیره‌سازی داده در حجم بسیار بالا بود، اما اطلاعات موجود جزئیات بیشتری درباره زمان عرضه یا مشخصات محصول ارائه نمی‌کند.

روایت NetApp و Iterate این است که مدل‌های توانمند زمانی برای سازمان‌ها ارزش عملی پیدا می‌کنند که به دانش انباشته‌شده در داده‌های داخلی دسترسی داشته باشند. اما این ارزش به کیفیت اتصال داده‌ها، محدودیت‌های دسترسی و نتیجه‌ای که در فرایند واقعی به‌دست می‌آید وابسته است. ازاین‌رو، AIPod Mini را می‌توان تلاشی برای یکپارچه‌کردن اجرای محلی مدل، دسترسی به ذخیره‌سازی و ابزارهای کاری در یک راهکار سازمانی دانست؛ نه صرفاً معرفی یک مدل هوش مصنوعی تازه.

گفت‌وگوی مدیران در رویداد NetApp INSIGHT انجام شد. برگزارکنندگان اعلام کردند که theCUBE، رسانه‌ای که این مصاحبه را پخش کرد، شریک رسانه‌ای پولی رویداد بوده است و NetApp یا دیگر حامیان کنترلی بر محتوای تحریریه‌ای SiliconANGLE و theCUBE نداشته‌اند. این توضیح برای درک زمینه انتشار گفت‌وگو اهمیت دارد، به‌ویژه آنکه نمونه‌های عملکردی و نتیجه‌های تجاری در متن، از سوی مدیران شرکت‌های حاضر بیان شده‌اند.

این خبر برای چه کسانی اهمیت دارد

این همکاری برای مدیران فناوری اطلاعات و داده در سازمان‌هایی اهمیت دارد که می‌خواهند مدل‌های هوش مصنوعی را روی زیرساخت خود اجرا کنند و داده‌های حساس را در محیط داخلی نگه دارند. مدیران بیمه و درمان نیز می‌توانند نمونه‌های مطرح‌شده را برای ارزیابی ظرفیت عامل‌ها در تحلیل اسناد و گردش‌کارهای اداری دنبال کنند؛ هرچند نتایج اعلام‌شده به یک استقرار مشخص مربوط است و تضمین عملکرد مشابه در سازمان‌های دیگر نیست.

برای تیم‌های امنیت و حاکمیت داده، نکته اصلی فقط محل اجرای مدل نیست، بلکه چگونگی تعیین مجوزها و محدودکردن دسترسی عامل‌ها به اطلاعات و ابزارهاست. در نهایت، شرکت‌هایی که مخازن بزرگی از اسناد و سوابق دارند، باید بسنجند آیا ترکیب مدل، نرم‌افزار و ذخیره‌سازی محلی با نیازهای عملیاتی و الزامات کنترل داده آن‌ها سازگار است یا نه.