تصور کنید مدیر امنیتی هستید و باید تصمیم بگیرید آیا اجازه می‌دهید داده‌های حساس مشتریان برای تغذیه یک عامل هوش مصنوعی به سرورهای یک شرکت ثالث منتقل شود یا خیر. در اکثر صنایع تحت نظارت، پاسخ این سؤال یک «نه» قاطع است و همین موضوع باعث می‌شود پروژه‌های هوش مصنوعی سازمانی در همان ابتدای راه متوقف شوند. اصطکاک موجود در صنایع دارای رگولاتوری دقیق، اغلب به دلیل امتناع تیم‌های امنیتی از کپی کردن داده‌های حساس در سیلوهای شخص ثالث است.
برای حل این بن‌بست، Decagon در ۳۰ سپتامبر ۲۰۲۶ همکاری جدیدی را با Databricks اعلام کرد تا خط لوله‌های سنتی انتقال داده را با اشتراک‌گذاری «بدون کپی» (Zero-Copy) جایگزین کند. در حالت عادی، اتصال یک عامل (Agent) به پایگاه‌داده نیازمند ساخت خط لوله‌های ETL (استخراج، تبدیل و بارگذاری) سفارشی است؛ فرآیندی که شبیه به این است که برای خواندن یک صفحه از کتاب، مجبور باشید کل کتاب را در دفترچه‌ای دیگر بازنویسی کنید. این فرآیند باعث ایجاد نسخه‌های تکراری از رکوردهای حساس می‌شود که برای افسران تطبیق (Compliance Officers) زنگ خطر ایجاد می‌کند؛ چرا که کنترل اینکه چه کسی به داده‌ها دسترسی دارد و این داده‌ها دقیقاً در کجا مستقر شده‌اند، دشوار می‌شود. برای مثال، بانکی را تصور کنید که در آن هر تعامل با مشتری مستلزم انتقال یک کپی جدید از امتیاز اعتباری (Credit Score) به سروری دیگر باشد؛ در چنین شرایطی، ریسک امنیتی با هر کپی جدید افزایش می‌یابد.
به نقل از پست وبلاگی مشترک میان راجر لیانگ از Decagon و محسن مالک از Databricks، این سیستم جدید از قابلیت OpenSharing تحت نظارت Unity Catalog استفاده می‌کند. در این مدل، عامل‌های Decagon دقیقاً در لحظه‌ای که به اطلاعات نیاز دارند، رکوردها را مستقیماً از پلتفرم Databricks می‌خوانند. بنابراین دیگر نیازی به جابه‌جایی داده‌ها و ساخت خط لوله‌های ETL نیست. دسترسی‌ها توسط تیم داخلی مشتری مدیریت می‌شود تا اطمینان حاصل شود که عامل فقط آنچه را که مجاز است، ببیند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی حاکمیت داده در مدل‌های زبانی اشاره کردیم، جداسازی لایه دسترسی از لایه ذخیره‌سازی، کلید مقیاس‌پذیری در سازمان‌های بزرگ است. این رویکرد با تلاش‌های اخیر برای ایجاد زیرساخت‌های هوش مصنوعی حاکمیتی در محیط‌های ایزوله هم‌سو است تا امنیت داده‌ها در بالاترین سطح ممکن حفظ شود.
زمینه: زیربنای داده‌ها
این همکاری بر پایه پلتفرم Data + AI شرکت Databricks بنا شده است که به عنوان یک زیربنای یکپارچه و تحت نظارت عمل می‌کند. این پلتفرم رکورد کامل هر مشتری، شامل سفارشات، پرداخت‌ها، استحقاق‌ها (Entitlements) و میزان استفاده از محصول را در خود جای داده است.
رینولد زین، یکی از بنیان‌گذاران و معمار ارشد Databricks، تأکید کرد که این ساختار به عامل‌ها اجازه می‌دهد در زمان نیاز به داده‌های تحت نظارت دسترسی داشته باشند و در مقابل، تحلیل‌های حاصل از گفتگوها به صورت بازگشتی جریان یابند تا در سایر بخش‌های کسب‌وکار مفید واقع شوند. هدف نهایی این است که عامل‌ها نسبت به بستر (Context) آگاه‌تر شوند، در حالی که حاکمیت داده‌ها در مرکز توجه باقی بماند.
جریان داده دوطرفه
یکپارچگی مذکور در هر دو جهت عمل می‌کند تا اطمینان حاصل شود که کسب‌وکار از هر تعامل هوش مصنوعی درس می‌گیرد:
- ورودی (Inbound): عامل‌ها به رکوردهای لحظه‌ای سفارشات، پرداخت‌ها و نحوه استفاده از محصول دسترسی دارند. همچنین حافظه کاربر (User Memory) — که در ۹ مارس ۲۰۲۶ در یک پست محصول معرفی شد — بستر و ترجیحات کاربر را در طول گفتگوها ثبت می‌کند. این لایه انتزاعی در سطح کاربر، تاریخچه را ذخیره کرده و سیگنال‌های ساختاریافته‌ای مانند درخواست‌های ویژگی‌های جدید (Feature Requests) و ترجیحات اعلام شده را استخراج می‌کند. ذخیره‌سازی این داده‌ها اختیاری (Opt-in) است و دارای کنترل‌های حذف داده‌های حساس (Redaction)، گزارش‌های حسابرسی (Audit Logs) و قابلیت انتقال کامل داده‌هاست. در همین راستا، شرکت‌هایی مانند متا نیز با افزودن اتصال‌های جدید به عامل Muse، در تلاش‌اند تا دسترسی عامل‌ها به داده‌های عملیاتی کسب‌وکار را تسهیل کنند.
- خروجی (Outbound): هر گفتگو به صورت داده‌های ساختاریافته به Databricks بازگردانده می‌شود. این داده‌ها شامل برچسب‌های قصد کاربر (Intent Tags)، تحلیل احساسات (Sentiment)، انتساب علت ریشه‌ای (Root-cause Attribution) و محرک‌های ارجاع (Escalation Drivers) است.
این بینش‌ها نه تنها جداول درآمد، حفظ مشتری و محصول را غنی می‌کنند، بلکه به سیستم Duet Autopilot تغذیه می‌دهند. Decagon بیان می‌کند که این امر اجازه می‌دهد به‌روزرسانی‌های عامل بر اساس بستر غنی‌تر و با اعتبارسنجی بهتری انجام شود.
حاکمیت و سرویس‌دهی مدل‌ها
در بخش زیرساختی، Decagon از Unity Gateway برای مدیریت سرویس‌دهی مدل‌ها استفاده می‌کند و به‌زودی به برنامه Built-On می‌پیوندد. این اقدام باعث می‌شود شرکت بدون نیاز به ساخت یکپارچگی‌های مجزا برای هر ارائه‌دهنده، به مدل‌های پیشرو (Frontier Models) و مدل‌های متن‌باز پیشرفته دسترسی داشته باشد و در برابر انحصار یک فروشنده (Vendor Lock-in) در حالی که اکوسیستم هوش مصنوعی در حال تکامل است، آسیب‌ناپذیر شود. هرچند Decagon همچنان از مجموعه مدل‌های هسته خود که برای تجربه مشتری پس‌آموزش (Post-trained) شده‌اند و بخش عمده ترافیک را مدیریت می‌کنند، استفاده می‌کند.
مهم‌تر از این، مسیریابی از طریق Unity Gateway یک شکاف حاکمیتی حیاتی را می‌پوشاند. در حالت عادی، هر نوبت از یک گفتگو، درخواستی را به مدل ارسال می‌کند که پرسش‌هایی درباره اینکه کدام ارائه‌دهنده آن را پردازش کرده و پرامپت شامل چه بود، ایجاد می‌کند. به جای استفاده از یک کنسول مجزا با شرایط نگهداری داده‌های متفاوت، مسیریابی از طریق Unity Gateway به این معناست که هر پرامپت و پاسخ تحت پوشش مجوزها، ردپای داده‌ها (Lineage) و گزارش‌های حسابرسی Unity Catalog قرار می‌گیرد. تیم‌های امنیتی دیگر نیازی به بررسی کنسول‌های مجزا برای لاگ‌های Decagon ندارند و تمام نرده‌های حفاظتی (Guardrails) و حاکمیت را در یک نقطه متمرکز می‌بینند.
ساده‌سازی فرآیند خرید
برای تسریع در استقرار، Decagon اکنون به عنوان یک شریک لانچ در Databricks Marketplace حضور دارد که در ۱۵ ژوئن ۲۰۲۶ افتتاح شد. این فروشگاه مجازی، اپلیکیشن‌های شخص ثالث را با بیش از ۲۰ شریک اولیه به پلتفرم آورد.
مشتریان می‌توانند از روابط تجاری موجود با فروشنده و قابلیت «Marketplace Commit Drawdown» استفاده کنند تا Decagon را از طریق تعهدات مالی جهانی (Universal Commits) خود خریداری کنند. طبق ادعای Decagon، این ترتیب می‌تواند هفته‌ها از زمان استقرار معمول یک عامل هوش مصنوعی بکاهد.
این چرخش نشان می‌دهد که نبرد بعدی در دنیای عامل‌های هوش مصنوعی، نه بر سر هوشمندی مدل، بلکه بر سر «لوله‌کشی» و حاکمیت داده‌هاست. Decagon با ادغام در لایه داده، از یک ابزار جانبی به یک افزونه بومی در زیرساخت داده‌های سازمانی تبدیل شده است.
اگر مدیریت هوش مصنوعی سازمانی را بر عهده دارید، تکامل پروتکل OpenSharing بنیاد لینوکس (Linux Foundation) را زیر نظر بگیرید. این پروتکل که پیش‌تر با نام Delta Sharing شناخته می‌شد، به عنوان اولین پروتکل باز و بدون وابستگی به فروشنده برای اشتراک‌گذاری امن دارایی‌های هوش مصنوعی، از جمله مهارت‌های عامل (Agent Skills)، مدل‌های هوش مصنوعی و داده‌های بدون ساختار توصیف شده است.
گام بعدی شما
- اگر از Databricks استفاده می‌کنید، پروتکل OpenSharing را برای کاهش هزینه‌های انتقال داده بررسی کنید.
- استانداردهای Linux Foundation برای اشتراک‌گذاری دارایی‌های هوش مصنوعی را دنبال کنید تا از انحصار فروشندگان در امان بمانید.
- مدل‌های دسترسی «بدون کپی» را در استراتژی استقرار عامل‌های خود جایگزین خط لوله‌های ETL کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو