اگر از عامل‌های هوشمند (Agent) — مثل دستیاران اجرایی که کارهای مختلف را سازماندهی می‌کنند اما برای هر تخصص، یک متخصص می‌گیرند — برای تحلیل داده‌های حساس شرکت استفاده می‌کنید، یک مشکل بزرگ دارید: امنیت.
باید بدانید که اکثر عامل‌های فعلی در تحلیل‌های طولانی‌مدت شکست می‌خورند. این شکاف در بخش‌های حساس مثل سلامت و مالی که حاکمیت داده‌ها در آن‌ها حیاتی است، بسیار خطرناک است. برای حل این مشکل، انویدیا ابزاری ساخته تا لایه‌ی پژوهش را کاملاً از لایه‌ی مدیریت جدا کند.
همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، کنترل روی داده‌های خام کلید اعتماد سازمان‌هاست. NVIDIA AI-Q که در ۲۰ مه ۲۰۲۶ منتشر شد، یک طرح بازمتن است که مانند یک مهارت قابل‌حمل برای عامل‌ها عمل می‌کند.
به نقل از گزارش توسعه‌دهندگان انویدیا، این سیستم از یک خط لوله‌ی چهار مرحله‌ای استفاده می‌کند:
- طبقه‌بندی قصد کاربر
- شفاف‌سازی سؤال
- پژوهش سطحی
- پژوهش عمیق
این سیستم برای ارزیابی از بنچمارک‌های FreshQA و DeepSearchQA استفاده می‌کند. همچنین برای مدیریت داده‌های سازمانی، با سرورهای پروتکل کانتکست مدل (MCP) از طریق سه الگوی احراز هویت مختلف، از جمله توکن‌های Bearer، یکپارچه می‌شود.
بر اساس مستندات AI-Q، این معماری اجازه می‌دهد پژوهش دقیقاً در جایی اجرا شود که داده‌ها قرار دارند؛ مثلاً در یک مرکز داده‌ی ایزوله. در این حالت، عامل فقط گزارش نهایی و مستند را دریافت می‌کند، نه فایل‌های حساس منبع را. این یعنی تیم‌ها می‌توانند برای برنامه‌ریزی از مدل‌های پیشرو استفاده کنند، اما برای پژوهش‌های حساس، از مدل‌های خودمیزبان NVIDIA Nemotron بهره ببرند.
این فرآیند در لحظه‌ی استنتاج (Inference) — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه خودِ آشپزی، نه دوره‌ی آموزش آشپز — اتفاق می‌افتد و امنیت را تضمین می‌کند.
گام بعدی شما
- استقرار سرور با استفاده از Docker Compose یا Helm از طریق مخزن گیت‌هاب AI-Q.
- بررسی معماری مرجع Dell-NVIDIA AI-Q 2.0 برای محیط‌های تولیدی.
- تست مدل‌های Nemotron برای جایگزینی مدل‌های ابری در پژوهش‌های حساس.
اما این معماری تنها بخشی از استراتژی انویدیا برای تسخیر لبه‌ی شبکه است — به بررسی ما درباره‌ی رایانش لبه مراجعه کنید.
گفتگو