مایکروسافت ابزارهای جدیدی برای کاهش اصطکاک استقرار مدل‌های هوش مصنوعی ارائه داد

اگر امروز برای مدیریت مدل‌های مختلف هوش مصنوعی میان ده‌ها مستندات و کلید API سرگردانید، مایکروسافت قصد دارد این بازی حدس و گمان را به پایان برساند. در ۱۷ اکتبر ۲۰۲۶، مجموعه‌ای از به‌روزرسانی‌های راهبردی برای Azure AI Foundry و GitHub Copilot Studio منتشر شد تا نقاط اصطکاک در پذیرش و نگهداری هوش مصنوعی را هدف قرار دهد.

به نقل از مستندات مایکروسافت، ادغام هوش مصنوعی در محیط تولید (Production) اغلب شبیه به یک آزمون و خطای مداوم است تا مشخص شود کدام مدل برای هر وظیفه مناسب‌تر است. این به‌روزرسانی‌ها فرآیند انتخاب مدل را متمرکز می‌کنند؛ به‌طوری که مدل‌های هوش مصنوعی را بیشتر شبیه به قطعات «بزن و بپوش» (Plug-and-Play) می‌بینند تا پروژه‌های پیچیده زیرساختی.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اکوسیستم ابری مایکروسافت اشاره کردیم، تمرکز این شرکت بر کاهش زمان توسعه و تسهیل نوآوری است. مایکروسافت با ایجاد یک مرکز متمرکز، می‌خواهد موانع ورود به دنیای هوش مصنوعی را حذف کند. این اقدامات در پاسخ به مقررات در حال تغییر هوش مصنوعی و تقاضای فزاینده برای مدیریت امن کانتینرها صورت گرفته است تا مدل‌ها از اسکریپت‌های آزمایشی به محیط‌های سازمانی مقیاس‌پذیر منتقل شوند.

Azure AI Foundry برای بهینه‌سازی چرخه حیات مدل، سه رکن اصلی را معرفی کرده است:

• بازار مدل‌های هوش مصنوعی (AI Model Marketplace): مرکزی برای مرور و ادغام مستقیم مدل‌های شخص ثالث در اپلیکیشن‌ها. برای شروع، باید به پورتال Azure رفته، بخش AI Foundry را باز کنید و مدل مورد نظر را انتخاب نمایید.
• داشبورد حاکمیت هوش مصنوعی (AI Governance Dashboard): ابزاری برای نظارت بر انطباق مدل‌ها با استانداردهای امنیتی و قانونی صنعت. برنامه‌نویسان می‌توانند تنظیمات انطباق را بر اساس نیاز پروژه پیکربندی کرده و مدل‌های موجود را بررسی کنند.
• آموزش مدل‌های سفارشی (Custom Model Training): پشتیبانی جدید از آموزش توزیع‌شده (Distributed Training) و تنظیم خودکار ابرپارامترها (Hyperparameter) — شبیه به تنظیم دقیق پیچ‌های یک ماشین برای رسیدن به بیشترین سرعت — تا منابع مورد نیاز برای مدل‌های مقیاس‌بزرگ کاهش یابد.

در بخش توسعه کد، GitHub Copilot Studio اکنون قابلیت بازنویسی (Refactoring) کد با کمک هوش مصنوعی را فراهم کرده است. به‌جای پاک‌سازی دستی، این ابزار بر اساس بستر کد شما، پیشنهاداتی برای بهبود عملکرد و خوانایی ارائه می‌دهد. این قابلیت در راستای رقابت با پلتفرم‌های پیشرو کدنویسی هوش مصنوعی در سال ۲۰۲۶ است که استک توسعه‌دهندگان را متحول کرده‌اند. برای استفاده، کافی است آخرین نسخه Copilot Studio را نصب کرده و ابزار Refactoring را فعال کنید.

هم‌زمان در لایه زیرساخت، Azure Container Apps و Azure Kubernetes Service (AKS) به‌روزرسانی‌هایی در زمینه مقیاس‌دهی خودکار (Autoscaling) و امنیت دریافت کردند تا مدیریت کانتینرها استوارتر شود. این رویکرد مایکروسافت برای ساده‌سازی زیرساخت، مشابه تلاش‌های CloudForge AI برای تبدیل ایده‌های متنی به معماری‌های آماده در محیط AWS است.

طبق گزارش مایکروسافت، برنامه‌نویسان اکنون می‌توانند اپلیکیشن‌های به‌روزرسانی‌شده را از طریق Azure CLI مستقر کنند. دستور خاص برای استقرار اپلیکیشن با ویژگی‌های جدید AKS به شرح زیر است:

az containerapp up --name <app-name> --resource-group <resource-group> --image <image-name>

این تغییرات نشان‌دهنده چرخش در تجربه توسعه است. مایکروسافت با خودکارسازی بخش‌های «کسل‌کننده» مانند تنظیم ابرپارامترها و بررسی‌های انطباق، سد ورود به استقرار سازمانی را پایین می‌آورد. اثر ثانویه این اتفاق، کاهش بدهی فنی (Technical Debt) است، زیرا بازنویسی کد توسط هوش مصنوعی به‌جای یک کار فصلی، به بخشی استاندارد از خط لوله CI/CD تبدیل می‌شود. در این میان، مدیریت هزینه‌ها و رفتار این عامل‌های کدنویس اهمیت بیشتری یافته است، مشابه آنچه ابزار متن‌باز Vantage برای نظارت بر این موارد ارائه داده است.

برای کسانی که امروز شروع می‌کنند، سریع‌ترین دستاورد، استفاده از بازار مدل‌ها است. می‌توانید با دستورات زیر لیست مدل‌های شخص ثالث را مشاهده کنید:

az login
az extension add --name azure-ai
az ai model list --query "[?isThirdParty]"

گام بعدی شما

• اگر از مدل‌های مختلف (مثل Claude یا GPT) استفاده می‌کنید، بازار مدل‌های Azure AI Foundry را برای یکپارچه‌سازی سریع‌تر بررسی کنید.
• ابزار Refactoring در Copilot Studio را روی پروژه‌های قدیمی اجرا کنید تا نقاط ضعف عملکردی کد شناسایی شوند.
• تنظیمات جدید مقیاس‌دهی خودکار در AKS را برای کاهش هزینه‌های زیرساختی بهینه‌سازی کنید.

اما تأثیر این ابزارهای حاکمیتی بر سرعت استقرار هوش مصنوعی در بخش‌های حساس مثل مالی و سلامت، جایی که انطباق قانونی معمولاً نوآوری را ماه‌ها متوقف می‌کند، موضوعی است که در گزارش‌های بعدی بررسی خواهیم کرد.