۱۶ امتیاز تفاوت در دقت، مرز میان یک پاسخ هوشمند و یک جواب بی‌فایده در هوش مصنوعی است. طبق اعلام Cohere در ۲۵ سپتامبر ۲۰۲۶، سرویس Compass Cloud در مرحله بتای خصوصی عرضه شد تا تمام مسیر انتقال داده و استنتاج مدل را برای کاربردهای سازمانی مدیریت کند. این سرویس در واقع یک سیستم مدیریت بازیابی است که برای مدیریت کامل خط لوله داده‌ها و استنتاج مدل در برنامه‌های هوش مصنوعی سازمانی طراحی شده است.
این سامانه اطلاعات مرتبط را از مجموعه‌داده‌های شرکت برای استفاده در تولید بازیابی‌افزا (RAG) — شبیه دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — و همچنین برای جست‌وجو و گردش‌های کاری عامل‌محور (Agentic) استخراج می‌کند. این رویکرد در راستای تلاش‌های گسترده‌تر برای تبدیل پروژه‌های آزمایشی AI به تولیدات صنعتی مقیاس‌بزرگ در محیط‌های تحت نظارت قرار دارد تا کاربردهای عملیاتی در صنایع حساس تثبیت شوند. در حالی که این فناوری پیش‌تر برای تامین نیازهای بازیابی در North (محیط کاری عامل‌های سازمانی Cohere) استفاده می‌شد و به عنوان یک گزینه میزبانی شخصی (Self-hosted) برای صنایع تحت نظارت و حساس در دسترس بود، نسخه ابری جدید هزینه‌های عملیاتی و پیچیدگی‌های مدیریت سرور را حذف می‌کند. تیم‌های فنی اکنون می‌توانند از طریق APIها، SDK پایتون یا یک سرور MCP این سرویس را پیکربندی کنند.
بسیاری از شرکت‌ها امروز با یک زیرساخت تکه‌تکه برای بازیابی داده‌ها دست‌وپنجه نرم می‌کنند. آن‌ها مجبورند سیستم‌های مجزایی را برای جذب (Ingestion)، نمایه‌سازی (Indexing)، بازرتبه‌بندی (Reranking)، کنترل دسترسی و ارکستراسیون به هم متصل کنند؛ وضعیتی شبیه به ساخت خانه‌ای که لوله‌کشی، برق و سفت‌کاری‌اش توسط پیمانکارانی باشد که زبان یکدیگر را نمی‌فهمند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی هزینه‌های استنتاج اشاره کردیم، این پراکندگی باعث می‌شود ساعت‌های زیادی از وقت مهندسان صرف اتصال سیستم‌ها شود، نه ارتقای کیفیت.
به گزارش Cohere، سه توسعه اصلی باعث تغییر نیازهای جست‌وجوی سازمانی شده است:
- اقتصاد توکن‌ها: هر نتیجه نامرتبطی که به مدل ارسال شود، توکن (Token) — تکه‌های کوچکی از متن شبیه برش‌های کیک — مصرف می‌کند و فضای محدود پنجره متنی (Context Window) را اشغال می‌کند. بازیابی دقیق باعث ایجاد ورودی‌های کوچک‌تر و با کیفیت‌تر می‌شود که آن را به یکی از موثرترین اهرم‌های کاهش هزینه برای کسب‌وکارها تبدیل می‌کند.
- الگوهای دسترسی عامل‌ها: عامل‌ها (Agents) ممکن است برای انجام یک وظیفه واحد، ده‌ها پرس‌وجو ارسال کنند و درخواست‌ها را در حلقه‌های چندمرحله‌ای (Multi-hop) بازنویسی کنند. در این توالی‌ها، تأخیر (Latency) انباشته شده و ارتباط معنایی ممکن است منحرف شود، بنابراین عملکرد قابل اعتماد در برابر پرس‌وجوهای تولید شده توسط ماشین ضروری است.
- تکه تکه بودن زیرساخت: خط لوله‌های تولید اغلب گسسته‌اند. Compass این اجزا را در یک پلتفرم یکپارچه تجمیع می‌کند تا بستری تحت نظارت (Governed Context) را هم برای جست‌وجوهای عامل‌محور و هم برای جست‌وجوهای متداول فراهم کند.
Compass Cloud این مشکلات را با بسته‌بندی پردازش اسناد در یک سرویس قابل پیکربندی حل می‌کند. طبق اعلامیه این شرکت، پلتفرم از یک معماری هفت‌مرحله‌ای برای انتقال داده‌ها از فضای ذخیره‌سازی به مدل زبانی بزرگ (LLM) استفاده می‌کند:
جزئیات بازیابی
- اتصال (Connect): فراهم کردن رابط‌های اتصال آماده (Out-of-the-box) برای فضاهای ذخیره‌سازی ابری مانند SharePoint، OneDrive و Google Drive. این سیستم به گونه‌ای طراحی شده است که چندزبانه، چندوجهی و مستقل از فرمت فایل باشد.
- تجزیه (Parse): تبدیل فایل‌های چندوجهی سازمانی به محتوای آماده برای AI. این مرحله یک استراتژی تجزیه خاص را برای هر سند به کار می‌گیرد و از پردازش بینایی (Vision Processing) تنها در جاهایی استفاده می‌کند که ارزش افزوده ایجاد کند تا از مصرف غیرضروری مدل‌ها جلوگیری شود.
- بردارسازی (Embed): تولید همزمان نمایش‌های متراکم (Dense) و پراکنده (Sparse). این امر اجازه می‌دهد جست‌وجو هم با قصد معنایی (Semantic Intent) و هم با زبان تخصصی دامنه در متون و محتوای چندوجهی مطابقت یابد.
- نمایه‌سازی (Index): نگهداری فایل‌های منبع، محتوای تجزیه شده و بردارها به عنوان رکوردهای مجزا. این یعنی می‌توان یک مدل بردارسازی جدید را بدون نیاز به خزش (Crawling) و آپلود مجدد همان محتوا، جایگزین کرد.
- بازیابی (Retrieve): ترکیب جست‌وجوی معنایی، پراکنده و کلیدواژه‌ای در یک درخواست واحد. استراتژی‌ها می‌توانند به صورت مستقل یا مشترک اجرا شوند و مجوزهای دسترسی در زمان بازیابی اعمال می‌شوند، نه اینکه به برنامه واگذار شوند.
- بازرتبه‌بندی (Rerank): استفاده از مدل بازرتبه‌بندی (Reranking) شرکت Cohere برای شناسایی مرتبط‌ترین قطعات از میان یک مجموعه گسترده از کاندیدها، که مستقیماً با کاهش محتوای نامرتبط، هزینه توکن‌ها را پایین می‌آورد.
- حکمرانی (Govern): اعمال کنترل دسترسی چندمستاجری (Multi-tenant) و مجوزهای سطح سند. این بخش شامل سیاست‌های نگهداری است که محتوا را به طور خودکار منقضی کرده و از همگام‌سازی مجدد اسناد حذف شده جلوگیری می‌کند.
برای اثبات کارایی، Cohere این سیستم را در برابر Azure Search در یک محک داخلی بانکداری سرمایه‌گذاری به نام «High Finance» آزمایش کرد. این محک از مجموعه‌ای از پرسش‌های حاشیه‌نویسی شده توسط Cohere استفاده می‌کند که نیازمند بازیابی مطالب ارائه مربوط به صندوق‌های پوششی (Hedge Funds) و بانک‌های سرمایه‌گذاری است.
در این رقابت رودررو، Compass به امتیاز nDCG@10 برابر با ۸۱.۱ رسید، در حالی که امتیاز Azure Search تنها ۶۴.۸ بود؛ یعنی بهبود ۱۴ تا ۱۶ امتیازی. طبق متدولوژی این آزمایش، اسناد Azure Search با مدل GPT-4.1 Mini تجزیه شدند، در حالی که مدل Cohere Embed 4 فایل‌های PDF ورودی را مستقیماً به عنوان تصویر، بدون نیاز به راهکار تجزیه مجزا، بردارسازی کرد. Cohere این پیروزی را مدیون جست‌وجوی ترکیبی (ترکیب بازیابی لغوی، پراکنده و متراکم) و سپس بازرتبه‌بندی می‌داند.
توسعه‌دهندگان اکنون دو مسیر برای ادغام دارند: APIهای Compass برای کنترل دقیق روی برنامه‌های RAG سفارشی، که به توسعه‌دهندگان اجازه می‌دهد نحوه نمایش، بازیابی و رتبه‌بندی محتوا را کنترل کنند. در همین حال، یک سرور پروتکل زمینهٔ مدل (MCP) اختصاصی با نسخه‌بندی مستقل، قابلیت بازیابی را به عنوان ابزارهای قابل استفاده مجدد از طریق یک استاندارد باز ارائه می‌دهد.
این ساختار اجازه می‌دهد «بازیابی عامل‌محور» (Agentic Retrieval) اتفاق بیفتد؛ جایی که یک عامل تصمیم می‌گیرد به دنبال چه چیزی بگردد، نتایج را ارزیابی کرده و پیش از پاسخ نهایی، جست‌وجوی خود را اصلاح کند. با سرور MCP، عامل‌ها می‌توانند به تدریج مجموعه داده‌های بازیابی را محدودتر کنند و وظایف پیچیده را سریع‌تر و با مصرف توکن کمتر انجام دهند، بدون اینکه برای هر فریم‌ورک نیاز به یک ادغام سفارشی باشد.
با یکپارچه کردن این زنجیره، Cohere روی این فرضیه شرط بسته است که سازمان‌ها «کیفیت بازیابی» را به «کنترل زیرساخت» ترجیح می‌دهند. اگر این مدل مقیاس‌پذیر شود، گلوگاه هوش مصنوعی سازمانی از «نحوه ذخیره داده‌ها» به «نحوه استخراج دقیق آن‌ها» تغییر می‌کند.
تیم‌های علاقه‌مند می‌توانند از طریق صفحه Compass درخواست دسترسی به نسخه بتا را ارسال کنند. شرکت‌کنندگان پشتیبانی عملیاتی از تیم مهندسی Cohere دریافت کرده و تاثیر مستقیمی بر نقشه راه محصول خواهند داشت. همچنین Cohere یک جلسه زنده در تاریخ ۸ اکتبر ۲۰۲۶ در پلتفرم X با حضور رهبران مهندسی و محصول خود برگزار می‌کند تا درباره آینده جست‌وجوی سازمانی بحث کند.
گام بعدی شما
- اگر از Azure Search یا سیستم‌های مشابه برای RAG استفاده می‌کنید، نرخ خطای بازیابی خود را با معیارهای nDCG بسنجید.
- بررسی کنید آیا گردش‌های کاری شما به دلیل ارسال داده‌های نامرتبط به مدل، دچار هزینه توکن بالا شده است یا خیر.
- مستندات سرور MCP را مطالعه کنید تا متوجه شوید چگونه بازیابی داده‌ها را به یک ابزار (Tool) برای عامل‌های AI تبدیل کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو