اگر امروز از یک عامل هوش مصنوعی بخواهید درآمد خالص ماه گذشته را محاسبه کند، احتمالاً با چندین گزارش متناقض روبرو می‌شوید. مشکل این نیست که مدل‌ها نمی‌توانند حساب کنند، بلکه نمی‌دانند در میان ده‌ها جدول داده، کدام‌یک «منبع حقیقت» (Source of Truth) است. این چالشی است که مدل‌های بنیادی به تنهایی نمی‌توانند آن را حل کنند؛ زیرا عامل‌های هوش مصنوعی برای کار با داده‌های پیچیده تجاری، به دانش سازمانی کافی نیاز دارند.
این شکاف میان مدل‌های بنیادی قدرتمند و واقعیت به‌هم‌ریخته‌ی داده‌های شرکتی، جایی است که Euno وارد می‌شود. مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در محیط‌های سازمانی اغلب گم می‌شود چون نمی‌داند کدام معیار (Metric) تایید شده است. همان‌طور که در تحلیل قبلی ما درباره‌ی AWS Agent Registry اشاره کردیم، حاکمیت مرکزی تنها بخشی از راهکار است؛ Euno روی لایه‌ی زیرین یعنی «دانش سازمان» تمرکز کرده است. تصور کنید یک عامل هوش مصنوعی برای محاسبه درآمد درخواست دریافت می‌کند؛ بدون داشتن زمینه، ممکن است هر یک از ده جدول مختلف درآمد را انتخاب کند که منجر به گزارش‌های مالی توهمی یا متناقض می‌شود. عامل باید بداند کدام معیار درآمد تایید شده است، کدام جدول‌ها به‌روز هستند، معیار چگونه محاسبه می‌شود، ورودی‌ها از کجا آمده‌اند و آیا کاربر درخواست‌کننده اجازه دسترسی به اطلاعات زیربنایی را دارد یا خیر.
این استارت‌آپ که در سال ۲۰۲۳ توسط Sarah Levy و Eyal Firstenberg تاسیس شد، طبق گزارش unite.ai، در دور Series A مبلغ ۲۳ میلیون دلار جذب کرد. این دور سرمایه‌گذاری توسط N47 رهبری شد و چهره‌های شاخصی از بنیان‌گذاران و مدیران فناوری در آن مشارکت داشتند. این گروه شامل Yinon Kostika (بنیان‌گذار Wiz)، Yotam Segev (بنیان‌گذار و مدیرعامل Cyera)، Ofir Ehrlich (بنیان‌گذار و مدیرعامل Eon)، Rotem Weiss (بنیان‌گذار Tavily) و Mark Nelson (مدیرعامل و رئیس سابق Tableau) است. هدف این شرکت ساخت یک «گراف زمینه‌ی زنده» (Live Context Graph) است که تبار داده‌ها (Data Lineage)، مالکیت و منطق کسب‌وکار را به فرمتی تبدیل می‌کند که عامل‌ها بتوانند آن را بفهمند.
زیرساخت فنی
سامانه‌ی Euno جایگزین ابزارهای فعلی نمی‌شود، بلکه در کنار آن‌ها قرار می‌گیرد. این سیستم با انبار داده‌هایی مثل Snowflake و Databricks، ابزارهای تبدیل داده مانند dbt و پلتفرم‌های تحلیل داده‌ای (BI) نظیر Tableau، Looker، Power BI، ThoughtSpot، Sigma و Omni یکپارچه می‌شود.
مکانیزم‌های کلیدی این پلتفرم عبارت‌اند از:
- زبان پرس‌وجوی Euno (EQL): زبانی اختصاصی که برای پیمایش بهینه در روابط درون گراف زمینه طراحی شده است. این معماری گراف‌محور به عامل‌ها اجازه می‌دهد متاداده‌های به‌هم‌پیوسته را با پرس‌وجوهای کمتر بازیابی کنند و در نتیجه حجم اطلاعات زمینه‌ای که به مدل ارسال می‌شود کاهش یابد.
- برچسب‌گذاری خودکار: سیستمی که دارایی‌های داده را بر اساس قوانین سازمان به صورت پویا برچسب می‌زند؛ مثلاً مشخص می‌کند کدام داده «آماده برای هوش مصنوعی» (AI-ready)، «پاک از اطلاعات حساس» (PII-free)، «سالم» (Healthy) یا «تایید شده» (Certified) است. این طبقه‌بندی‌ها با تغییر محیط داده‌های زیربنایی، به طور خودکار به‌روزرسانی می‌شوند.
- سرور پروتکل زمینه‌ی مدل (MCP): این قابلیت به ابزارهای شخص ثالث مانند Claude، Cursor و VS Code Copilot اجازه می‌دهد مستقیماً از لایه‌ی زمینه‌ی Euno پرس‌وجو کنند. عامل‌ها از این ابزارها برای یافتن منابع، بررسی تبار بالادستی، انجام تحلیل اثرگذاری (Impact Analysis)، جستجوی مستندات یا اجرای پرس‌وجوهای EQL استفاده می‌کنند.
- گردش‌کارهای زمینه‌ای: پلتفرم می‌تواند به تغییر شرایط پاسخ دهد؛ مثلاً شناسایی داشبوردهایی که تاییدیه ندارند اما ناگهان پرکاربرد می‌شوند، ردیابی انتشار اطلاعات شناسایی شخصی (PII) یا علامت‌گذاری مدل‌های بدون مستندات.
حاکمیت و امنیت
یکی از بزرگ‌ترین ریسک‌های عامل‌های هوش مصنوعی (AI Agents) — شبیه به کارمندی که دسترسی نامحدود به تمام پرونده‌های محرمانه شرکت دارد — دسترسی بدون محدودیت به داده‌های حساس است. Euno این مشکل را با خواندن «متاداده» (Metadata) حل می‌کند؛ یعنی فقط اطلاعاتِ مربوط به داده‌ها را می‌خواند، نه خودِ داده‌های تجاری را. این انتخاب معماری، میزان مواجهه با داده‌ها را کاهش داده و در عین حال دید عملیاتی را حفظ می‌کند.
بر اساس مستندات این شرکت، ترکیب بازیابی زمینه‌ای با حاکمیت نقش‌محور باعث می‌شود عامل فقط اطلاعاتی را دریافت کند که با سطح دسترسی کاربر و وظیفه خاص او سازگار است. این امر از ریسک‌های امنیتی ناشی از دادن دسترسی نامحدود به یک عامل خودمختار به کل محیط داده‌ای جلوگیری می‌کند.
این ساختار یک حلقه‌ی بازخورد ایجاد می‌کند که در آن سیستم اطلاعات مربوط به نحوه‌ی استفاده از زمینه را ثبت کرده و این سیگنال‌ها را دوباره به لایه‌ی زمینه‌ی سازمانی بازمی‌گرداند. در تئوری، این قابلیت به سازمان اجازه می‌دهد به تدریج نمایش ماشین‌خوان غنی‌تری از نحوه‌ی عملکرد کسب‌وکار خود بسازد.
چرخش راهبردی
در حالی که مدل‌های بنیادی در حال تبدیل شدن به کالاهایی ارزان و قابل جایگزین هستند، مزیت رقابتی واقعی شرکت‌ها به «دانش اختصاصی سازمانی» منتقل می‌شود. این دانش شامل فرآیندهای سازمانی، مجوزها، روابط، تصمیمات تاریخی، تعاریف و بازخوردهای حاصل از فعالیت‌های قبلی عامل‌ها است. در همین راستا، تلاش‌هایی برای انتقال هوش مصنوعی از لایه‌ی اپلیکیشن به هسته‌ی سیستم‌عامل در حال شکل‌گیری است تا تعامل با زیرساخت‌ها در بنیادی‌ترین سطح ممکن صورت گیرد.
Sarah Levy، مدیرعامل Euno، معتقد است که در بلندمدت، خندق رقابتی (Moat) شرکت‌ها نه در مدل، بلکه در رکورد انباشته‌شده از «نحوه‌ی انجام کارها» خواهد بود. در نتیجه، عامل‌ها دیگر نمی‌پرسند «از کدام جدول استفاده کنم؟»، بلکه پاسخ‌ها را بر اساس منطق واقعی و تاییدشده‌ی شرکت ارائه می‌دهند.
این فناوری هم‌اکنون در شرکت‌هایی مثل AlphaSense، Zayo Group و Bolt در حال استقرار است. Euno همچنین یکپارچگی‌های خود را با سیستم‌هایی مانند Snowflake Intelligence مستند کرده و لایه‌ی زمینه‌ی خود را به عنوان واسطی بین مدل‌های هوش مصنوعی عمومی و دارایی‌های داده‌ای شرکت قرار داده است.
با مجموع سرمایه‌ی ۲۹ میلیون دلار، این شرکت قصد دارد تا پایان سال ۲۰۲۴ تعداد کارکنان خود را که در حال حاضر نزدیک به ۳۰ نفر است، دو برابر کند. تمرکز اصلی بر گسترش فروش و بازاریابی و افزایش سرمایه‌گذاری در تحقیقات هوش مصنوعی در عملیات ایالات متحده و اسرائیل خواهد بود.
باید نظاره‌گر باشیم که این لایه‌ی زمینه چگونه با چارچوب‌های نوظهور عامل‌ها یکپارچه می‌شود، زیرا توانایی متصل کردن عامل‌ها به متاداده‌های معتبر ممکن است عامل تعیین‌کننده برای استقرار هوش مصنوعی در سطح تولید (Production-grade) باشد.
گام بعدی شما
- اگر در حال توسعه‌ی عامل‌های سازمانی هستید، پروتکل MCP را برای جداسازی لایه‌ی داده از لایه‌ی منطق بررسی کنید.
- استراتژی ذخیره‌سازی متاداده‌های خود را بازبینی کنید تا برای اتصال به لایه‌های زمینه‌ای آماده باشید.
- بررسی کنید کدام معیارهای کلیدی کسب‌وکار شما در حال حاضر «منبع حقیقت» واحدی ندارند.
اما تاثیر این لایه‌ی زمینه بر کاهش هزینه‌های استنتاج در مقیاس میلیونی حتی جذاب‌تر است — به تحلیل ما درباره‌ی بهینه‌سازی توکن‌ها مراجعه کنید.
گفتگو