جایگزینی «اعتماد» با «معماری»: استراتژی E.L.L.A برای توقف نشت داده‌ها

اگر از دستیارهای هوش مصنوعی که دستگاه شما را صرفاً به عنوان یک ترمینال برای سرورهای شرکتی می‌بینند خسته شده‌اید، E.L.L.A. (Embedded Local Logic Agent) مسیر متفاوتی را پیشنهاد می‌دهد. طبق مستندات فنی منتشر شده توسط اندره زابل در ۹ ژوئن ۲۰۲۶ در وب‌سایت dev.to، این دستیار «مغز» پردازش را به‌طور کامل روی سخت‌افزار کاربر منتقل کرده است.

بسیاری از ابزارهای مدرن بر پایه سیاست‌های امنیتی بنا شده‌اند؛ یعنی وعده می‌دهند که هوش مصنوعی داده‌های شما را نمی‌دزدد یا آسیبی ایجاد نمی‌کند. اما این قوانین اغلب از طریق تزریق پرامپت (Prompt Injection)، خطاهای پیکربندی یا تغییر ناگهانی شرایط خدمات شرکت‌ها دور زده می‌شوند. E.L.L.A بر این اصل استوار است که «قانون» وعده‌ای است که می‌تواند تحلیل شود و از بین برود، اما «محدودیت معماری» یک واقعیت فیزیکی است.

زابل برای رسیدن به این هدف، «دستورالعمل E.L.L.A» را پیاده کرد؛ مجموعه‌ای از چهار ممنوعیت سخت‌افزاری (Hardcoded) که پیش از اجرای هر ابزار ارزیابی می‌شوند. این‌ها دستورالعمل‌هایی برای مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — نیستند تا آن‌ها را دنبال کند؛ بلکه دروازه‌هایی در کد هستند که مدل نمی‌تواند آن‌ها را دور بزند، چون مسیرهای کدنویسی لازم برای این کار اصلاً وجود ندارند.

زمینه و معماری

این سیستم برای مدیریت طیف وسیعی از کارهای محلی طراحی شده است. E.L.L.A می‌تواند فایل‌ها را مدیریت کند، ایمیل‌های Outlook و Gmail را بخواند، تنظیمات سیستم را کنترل کند، موسیقی پخش کند و یادآورها را تنظیم نماید. این دستیار حتی قادر است شبکه کاربر را اسکن کرده و برای جلسات آماده شود؛ تمام این‌ها در حالی است که سیستم به‌طور کامل مستقل از اشتراک‌های ابری باقی می‌ماند.

جریان منطقی سیستم از یک توالی سخت‌گیرانه پیروی می‌کند: ابتدا لایه دستورالعمل (DirectiveLayer.check(tool)) برای رد کردن هرگونه آسیب یا نشت داده اجرا می‌شود. سپس evaluateRules(tool) قوانین صریح «اجازه» یا «ممنوعیت» را بررسی می‌کند. اگر هیچ تطابقی پیدا نشود، سیستم به‌طور پیش‌فرض در حالت «رد» (Deny) قرار می‌گیرد. تنها پس از عبور از این فیلترهاست که دستور نهایی اجرا (toolExecutor.execute(tool)) صادر می‌شود.

مشخصات فنی

• بستر مدل (Backend): از Ollama به‌صورت محلی با مدل llama3.1:8b استفاده می‌کند. کاربران می‌توانند آگاهانه OpenAI GPT-4o را به‌عنوان یک جایگزین اختیاری فعال کنند، به شرطی که بدانند در این حالت متن از مرز دستگاه خارج می‌شود.
• پایگاه داده: از یک نمونه محلی MariaDB استفاده می‌کند که هیچ دسترسی راه دور ندارد.
• قابلیت‌ها: شامل ۸۵ ابزار با ۲۰۵ تست موفقیت‌آمیز است.
• دستورالعمل: یک بررسی چهارلایه که در صورت نبود قانون صریح، هر درخواستی را به‌طور پیش‌فرض رد می‌کند.

چهار ممنوعیت اصلی

به نقل از مستندات پروژه، چهار ستون امنیتی E.L.L.A عبارتند از:

• عدم آسیب: اجرای هر اقدامی که باعث آسیب فیزیکی، دیجیتالی یا مالی شود ممنوع است. این مورد از طریق DIRECTIVE_DENY اعمال می‌شود؛ مجموعه‌ای سخت‌افزاری از نام ابزارها که برای مدل کاملاً نامرئی هستند.
• عدم پنهان‌کاری: عامل نمی‌تواند اطلاعات را پنهان یا جعل کند. تمام اجراها در tool_executions ثبت شده و در رابط کاربری (Frontend)، هر ابزار استفاده شده به‌صورت یک تراشه (Chip) زیر هر پاسخ نمایش داده می‌شود.
• عدم نظارت: سیستم نمی‌تواند بدون رضایت صریح، کاربران را ردیابی یا پروفایل‌بندی کند. حافظه منحصراً در MariaDB محلی است و هیچ ابزاری داده‌ها را مشاهده نمی‌کند مگر اینکه صراحتاً ثبت شده باشد.
• عدم نشت داده: داده‌ها نمی‌توانند به سرورهای خارجی ارسال شوند مگر با درخواست آگاهانه و عمدی کاربر. تمام استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه خودِ آشپزی و نه دوره‌ی آموزش آشپز — به‌صورت محلی از طریق Ollama انجام می‌شود.

برای مثال، ممنوعیت «عدم نشت» تضمین می‌کند که داده‌ها بدون اراده کاربر خارج نشوند. چون پردازش در Ollama است، هیچ خط لوله پس‌زمینه‌ای برای ارسال پرامپت‌ها به ارائه‌دهندگان ابری وجود ندارد.

علاوه بر این دستورالعمل‌های سخت، یک موتور قوانین منعطف نیز وجود دارد. کاربران می‌توانند دسترسی‌های شرطی تعریف کنند؛ مثلاً دستور «خاموش کردن سیستم» (shutdown_system) فقط بعد از ساعت ۲۳:۰۰ مجاز باشد، یا دستور «فرمت درایو» (format_drive) همیشه به‌طور صریح مسدود شود، و یا اگر فضای دیسک بیش از ۹۰٪ پر شد، تمام ابزارها (Wildcard Deny) مسدود گردند. البته این قوانین شخصی‌سازی شده نمی‌توانند ممنوعیت‌های اصلی دستورالعمل را لغو یا بازنویسی کنند.

این چرخش از «امنیت مبتنی بر سیاست» به «غیرممکن بودن معماری»، بازی را برای هوش مصنوعی محلی تغییر می‌دهد. این یعنی حتی یک تزریق پرامپت بی‌نقص هم نمی‌تواند مدل را مجبور به نشت داده کند، چون تابع ارسال داده اصلاً در ابزارهای در دسترس سیستم وجود ندارد.

برای کاربر عادی، این یعنی دستیار شما دیگر پنجره‌ای به مرکز داده‌های یک شرکت نیست، بلکه ابزاری خصوصی است که به‌طور فنی قادر به جاسوسی نیست. این رویکرد، «سه قانون رباتیک» را از تخیلات علمی به یک مشخصات مهندسی تبدیل می‌کند.

زابل دستورالعمل این پروژه را در یک مخزن مجزا در GitHub به آدرس (github.com/AndreZ1971/The-E.L.L.A.-Directive-) منتشر کرده است. اگرچه نصب‌کننده کامل هنوز در حال توسعه است، اما این پروژه به عنوان یک اثبات مفهوم برای هر سیستم خودمختاری — از عامل‌های وب تا اتوماسیون صنعتی و ربات‌های انسان‌نما — عمل می‌کند که باید بدون ریسک برای کاربر در دنیای واقعی فعالیت کنند.

گام بعدی شما

• مخزن GitHub پروژه E.L.L.A را برای بررسی لایه‌های امنیتی DirectiveLayer مطالعه کنید.
• اگر از Ollama استفاده می‌کنید، مدل llama3.1:8b را برای تست قابلیت‌های محلی نصب کنید.
• بررسی کنید کدام دسترسی‌های سیستم شما در حال حاضر توسط سیاست‌های ابری کنترل می‌شوند و جایگزین‌های محلی آن‌ها را بیابید.

اما تأثیر این معماری بر کاهش هزینه‌های عملیاتی در مقیاس صنعتی حتی جذاب‌تر است — به تحلیل ما درباره بهینه‌سازی هزینه‌های استنتاج مراجعه کنید.