«تحلیل داده روی عدسی»؛ قابلیت جدید عامل‌های Snowflake در عینک هوشمند

تصور کنید در یک جلسه هیئت‌مدیره، بدون نگاه کردن به نمایشگر، بپرسید «فروش این ماه چقدر است؟» و عدد دقیق را درست در میدان دید خود ببینید. این نتیجه‌ی عملی ادغام عامل‌های کورتکس (Cortex Agents) شرکت اسنو-فلیک (Snowflake) با عینک‌های هوشمند ایون جی۲ (Even G2) است.

همان‌طور که در تحلیل قبلی ما درباره‌ی چرخش صنعت به سمت عینک‌های صوتی بدون دوربین اشاره کردیم، این پروژه فراتر از دریافت اعلان‌های ساده است. این سیستم سخت‌افزار پوشیدنی را به یک رابط کاربری بدون دست برای انبارهای داده‌های سازمانی تبدیل می‌کند. در این ساختار، کاربر می‌تواند با استفاده از زبان طبیعی، پرس‌وجوهای پیچیده را از پایگاه‌های داده درخواست کند؛ سپس این درخواست‌ها به کد SQL تبدیل شده و در لحظه اجرا می‌شوند.

سخت‌افزار: Even G2

عینک Even G2 با وزن تقریبی ۳۶ گرم برای استفاده در تمام روز طراحی شده است. این عینک برخلاف بسیاری از گجت‌های هوش مصنوعی، عمداً فاقد دوربین و بلندگو است تا حریم خصوصی و پذیرش اجتماعی در محیط‌های اداری تضمین شود. وب‌سایت رسمی این محصول بر رویکرد «بدون دوربین، بر اساس طراحی» (Camera-free. By design) تأکید دارد و مستندات توسعه‌دهندگان تأیید می‌کنند که هیچ دوربین یا بلندگویی روی عینک تعبیه نشده است.

اطلاعات به‌صورت متن‌های سبز رنگی نمایش داده می‌شوند که در داخل لنزها شناور هستند و تنها برای کاربر قابل مشاهده است. این ویژگی به کاربر اجازه می‌دهد بدون جلب توجه دیگران، اعلان‌ها، ترجمه‌ها، مسیریابی و پشتیبانی از گفتگو (از طریق ویژگی "Conversate") را بررسی کند. راهنمای رسمی Conversate به‌طور مشخص نمایشگر را به عنوان ابزاری توصیف می‌کند که «تنها برای پوشنده قابل مشاهده است» و همین امر آن را به ابزاری محرمانه برای بررسی یادداشت‌ها در میانه یک گفتگو تبدیل می‌کند.

برای کسانی که به دنبال تجربه‌ای یکپارچه‌تر هستند، این عینک می‌تواند با حلقه R1 جفت شود. این ترکیب به کاربر اجازه می‌دهد تا تنها با یک ضربه ساده یا اسکرول انگشت، بین صفحات جابه‌جا شود. این نوع تعامل بسیار طبیعی‌تر از حد انتظار است و برای پیمایش در پاسخ‌های هوش مصنوعی بسیار کاربردی است.

معماری: رله لَمبدا

از آنجا که اپلیکیشن Even G2 درخواست‌ها را در قالب OpenAI Chat Completions ارسال می‌کند و Snowflake به‌طور بومی این قالب را نمی‌پذیرد، یک واسطه یا رله لازم بود. توسعه‌دهنده یک تابع AWS Lambda را پیاده کرد تا به عنوان این پل ارتباطی عمل کند. این تابع لَمبدا بسیار مینیمال است و در حدود ۹۰ خط کد پایتون با استفاده از کتابخانه‌های استاندارد نوشته شده است.

• جریان درخواست: عینک Even G2 $
  ightarrow$ اپلیکیشن Even (از طریق بلوتوث) $
  ightarrow$ AWS Lambda (از طریق HTTPS) $
  ightarrow$ عامل‌های کورتکس اسنو-فلیک (با دستور agent:run).
• احراز هویت: سیستم از یک توکن دسترسی برنامه‌نویسی (PAT) اسنو-فلیک استفاده می‌کند که به عنوان Bearer token ارسال می‌شود. لَمبدا این توکن را مستقیماً به اسنو-فلیک منتقل می‌کند، بدون اینکه آن را ذخیره کرده یا در لاگ‌ها بنویسد.
• قالب‌بندی: لَمبدا درخواست را به قالب مورد نیاز Cortex Agents تغییر شکل می‌دهد و داده‌های خروجی را دوباره به فرمتی تبدیل می‌کند که عینک بتواند نمایش دهد. همچنین، یک پرامپت سیستمی را اعمال می‌کند تا پاسخ‌ها زیر ۷۰ کلمه و به صورت متن ساده باشند، زیرا فضای نمایشگر عینک محدود است. کد برنامه همچنین یک قطع سخت در ۳۵۰ کاراکتر دارد تا اطمینان حاصل شود متن کاملاً در نمایشگر جای می‌گیرد.

موتور پردازشی: عامل کدنویسی Snowflake

قلب این تحلیل، عامل کدنویسی (Coding Agent) است که در ۲۶ اوت ۲۰۲۶ به‌صورت عمومی (GA) منتشر شد. این عامل با تعیین ابزار code_toolset_all می‌تواند به‌طور خودکار کدهای SQL بنویسد و آن‌ها را در یک محیط Sandbox مدیریت‌شده توسط اسنو-فلیک اجرا کند. این قابلیت، همان توانایی‌های Snowflake CoCo (که پیش‌تر Cortex Code نام داشت) را از طریق REST API در اختیار اپلیکیشن‌های خارجی قرار می‌دهد.

نکته حیاتی این است که این عامل تنها به عملیات خواندنی (SELECT و SHOW) محدود شده است. اگرچه ابزار snowflake_sql_execute می‌تواند در Stageها بنویسد، اما توسعه‌دهنده با ایجاد یک نقش (Role) که هیچ دسترسی به Stage ندارد، این ریسک را مدیریت کرد. این محدودیت برای هوش مصنوعی پوشیدنی حیاتی است، زیرا خطر تغییر تصادفی داده‌های عملیاتی (Production) را بر اثر یک فرمان صوتی اشتباه حذف می‌کند. دانستن اینکه داده‌ها قابل تغییر نیستند، به کاربر اجازه می‌دهد با آرامش خاطر با پایگاه‌داده صحبت کند.

عملکرد در دنیای واقعی

تست روی داده‌های تجارت الکترونیک (شامل ۵۰۰ سفارش از سال ۲۰۲۴) نشان داد که عامل می‌تواند منطق‌های پیچیده را بدون نیاز به پرامپت‌های دستی مدیریت کند. برای مثال، وقتی درباره مجموع فروش سال ۲۰۲۴ سؤال شد، عامل به‌طور خودکار سفارش‌های تکمیل‌شده (۹۷.۹۷ میلیون ین) را از سفارش‌های لغو شده (۹.۵۳ میلیون ین) یا مرجوع شده (۳.۲۱ میلیون ین) تفکیک کرد. مدل به‌درستی استنباط کرد که واحد پولی «ین» است و مبالغ شامل مالیات می‌شوند، هرچند این نتیجه‌گیری بر اساس تحلیل داده‌ها بود و نه توصیفات صریح ستون‌ها.

• تأخیر: پرس‌وجوهای تجمیعی داده‌ها معمولاً ۱۰ تا ۱۵ ثانیه زمان می‌برند تا بازگردانده شوند. این زمان با درخواست از یک همکار برای «جست‌وجوی یک مورد» قابل مقایسه است.
• صحت: کدهای SQL تولید شده دقیقاً با پرس‌وجوهای دستی اجرا شده در Snowsight مطابقت داشتند. در یک تست، عامل به‌درستی شناسه‌های تکراری مشتریان را هنگام شمارش سطوح عضویت (۳۱ نقره‌ای، ۲۶ طلایی، ۲۶ استاندارد، ۱۷ پلاتینیوم) حذف کرد که در مجموع ۱۰۰ مشتری منحصر‌به‌فرد را نشان داد.
• اتصال به وب: با افزودن یک پرامپت سیستمی («زمانی که به اطلاعات به‌روز نیاز داری از جست‌وجوی وب استفاده کن»)، عامل می‌تواند بین داده‌های داخلی اسنو-فلیک و جست‌وجوهای خارجی وب جابه‌جا شود. برای مثال، مدل وزن رسمی Even G2 را ۳۶ گرم تشخیص داد و هم‌زمان اندازه‌گیری‌های شخص ثالث از MoguLive (۳۷.۷ گرم) و AI Watch (۴۴.۴ گرم) را هم ذکر کرد.

بهینه‌سازی با نماهای معنایی

برای کاهش تأخیر و بهبود ثبات، توسعه‌دهنده Cortex Analyst (نماهای معنایی) و Cortex Search را آزمایش کرد. با تعریف معیارهای تجاری (مانند تعریف دقیق «فروش») در یک نمای معنایی، عامل دیگر نیازی به گشت‌وگذار در کل ساختار (Schema) پایگاه‌داده ندارد.

جزئیات نتایج بهینه‌سازی:

• Cortex Analyst: برای سفارشات تجمیعی و فروش استفاده شد و زمان پاسخ‌دهی را ۱.۵ تا ۴ ثانیه نسبت به Coding Agent کاهش داد. برای مثال، محاسبه فروش کل از طریق Analyst حدود ۱۰.۷ ثانیه زمان برد، در حالی که با Coding Agent این زمان ۱۲.۲ ثانیه بود. همچنین تضمین شد که عدد فروش کل دقیقاً از تعریف نمای معنایی (۱۱۰,۷۰۷,۷۹۲.۵۶ ین) پیروی کند، نه از حدس‌های مدل.
• Cortex Search: برای اسناد FAQ (سوالات متداول) استفاده شد. پاسخ به سؤالاتی درباره بسته‌بندی هدیه (۳۳۰ تا ۸۸۰ ین) یا سیاست‌های مرجوعی در ۷.۲ تا ۹.۵ ثانیه بازگشت. برای مثال، مدل مشخص کرد که بسته‌بندی استاندارد ۳۳۰ ین، اقلام بزرگ ۵۵۰ ین و بسته‌بندی ویژه ۸۸۰ ین است.
• ثبات: در حالی که Coding Agent ممکن است تعریفی را حدس بزند، نماهای معنایی تضمین می‌کنند که پاسخ همیشه از منطق تجاری تثبیت‌شده پیروی کند. این امر نیاز به جست‌وجوی عامل در جداول و ستون‌ها برای هر درخواست را از بین می‌برد.

حاکمیت و امنیت

امنیت از طریق کنترل دسترسی مبتنی بر نقش (RBAC) بومی اسنو-فلیک مدیریت می‌شود. با محدود کردن توکن PAT به یک نقش خاص خواندنی (مانند G2_READER)، عامل تنها به جداول و شماهایی دسترسی دارد که به آن نقش اعطا شده است. توسعه‌دهنده از نقش دیتابیس SNOWFLAKE.CORTEX_AGENT_USER برای اعطای دسترسی اختصاصی به عامل‌های کورتکس استفاده کرد.

مکانیزم‌های امنیتی:

• محدودیت نقش: توکن PAT با تنظیم ROLE_RESTRICTION = 'G2_READER' ساخته شده است تا اطمینان حاصل شود عامل نمی‌تواند سطح دسترسی خود را ارتقا دهد. این یعنی حاکمیت اسنو-فلیک حتی هنگام پرسیدن سؤالات غیررسمی صوتی نیز اعمال می‌شود.
• تأییدیه: تست‌ها تأیید کردند که اگر نقش پیش‌فرض کاربر ACCOUNTADMIN باشد اما توکن محدود به PUBLIC باشد، پرس‌وجوها علیه نماهای غیرمجاز در QUERY_HISTORY رد می‌شوند. تلاش برای تغییر نقش از طریق رشته اتصال (Connect String) منجر به خطایی شد که اعلام می‌کرد این نقش به کاربر اعطا نشده است.
• سیاست شبکه: از آنجا که IPهای لَمبدا پویا هستند، توسعه‌دهنده برای تست از MINS_TO_BYPASS_NETWORK_POLICY_REQUIREMENT (تا ۱ روز) استفاده کرد، هرچند برای محیط تولید، استفاده از NAT Gateway برای تثبیت IP منبع توصیه می‌شود.

مسیر رسیدن به تولید

اگرچه این یک آزمایش شخصی بود، اما توسعه‌دهنده چندین الزام برای استقرار سازمانی را ذکر می‌کند. استفاده از URL عمومی لَمبدا ناامن است؛ یک ساختار تولیدی نیازمند Amazon API Gateway، یک دیواره آتش اپلیکیشن وب (WAF) و محدودیت نرخ درخواست (Rate Limiting) است.

بهبودهای آتی:

• Cortex Sense: این قابلیت که در اجلاس Snowflake Summit 26 معرفی شد، به‌طور خودکار زمینه تجاری را از پرس‌وجوهای گذشته، متادیتا و نماهای معنایی جمع‌آوری می‌کند. این ویژگی نیاز به بازرسی دستی جداول توسط عامل را حذف کرده و تأخیر را بیش از پیش کاهش می‌دهد.
• Cortex AI Gateway: این ویژگی در حالت Preview (از ۱۵ سپتامبر ۲۰۲۶) اجازه می‌دهد یک نقطه ورود واحد برای چندین مدل LLM وجود داشته باشد. اگرچه در حال حاضر فاقد قابلیت‌های استفاده از ابزار (Tool-use) در Coding Agent است، اما برای چت‌های معمولی و ترجمه، پاسخ‌های سریع‌تری (۳ تا ۴ ثانیه) ارائه می‌دهد. این گیت‌وی از فرمت Anthropic Messages برای مدل‌های Claude و فرمت OpenAI برای سایر مدل‌ها پشتیبانی می‌کند.
• انتخاب مدل: توسعه‌دهنده دریافت که مدل claude-sonnet-5-5 (در حالت Public Preview) سریع‌تر از تنظیمات auto پاسخ می‌دهد، زیرا تنظیم auto گاهی اوقات به محدودیت زمانی ۲۵ ثانیه‌ای لَمبدا (Timeout) برخورد می‌کرد. برای محیط تولید، کاربران باید تعادلی بین تأخیر و Timeout لَمبدا برقرار کنند و توجه داشته باشند که مدل‌های Cortex Agents روی استنتاج‌های بین‌منطقه‌ای (Cross-region inference) اجرا می‌شوند که نیازمند فعال‌سازی CORTEX_ENABLED_CROSS_REGION است.

کاربردهای تجاری

این ادغام نشان‌دهنده تغییر در نحوه تعامل ما با ابزارهای BI است. داده‌ها از داشبوردهای ایستا به یک لایه اطلاعاتی محیطی تبدیل می‌شوند که کاربر را در فضای فیزیکی دنبال می‌کند:

• لجستیک و نگهداری: کارکنان انبار یا کارخانه می‌توانند بدون توقف کار بپرسند «چند عدد از این کالا در موجودی باقی مانده است؟» یا «این تجهیزات آخرین بار چه زمانی بازرسی شده است؟».
• خرده‌فروشی: کارکنان فروشگاه می‌توانند از Cortex Search برای پاسخ به سؤالات مشتریان درباره سیاست‌ها یا محصولات، بدون نیاز به ورق زدن دفترچه‌های راهنمای فیزیکی استفاده کنند.
• فروش و مدیریت: فروشندگان می‌توانند درست قبل از یک جلسه، میزان هزینه سال مالی یک مشتری را بررسی کنند. مدیران می‌توانند سؤالات KPI را در گوشی خود تایپ کنند و بدون قطع کردن جریان جلسه، اعداد را روی عینک خود ببینند.

برای مشاهده این سیستم در عمل، توسعه‌دهندگان می‌توانند REST API عامل‌های کورتکس و پلتفرم توسعه‌دهندگان Even Hub را بررسی کنند تا نقشه‌برداری نقاط انتهایی داده‌های خود را به سخت‌افزارهای پوشیدنی آغاز کنند.

گام بعدی شما

• بررسی مستندات REST API عامل‌های کورتکس برای اتصال داده‌های سازمانی به سخت‌افزارهای پوشیدنی.
• آزمایش مدل claude-sonnet-5-5 در محیط‌های با تأخیر پایین برای جلوگیری از Timeout در توابع Serverless.
• تعریف نماهای معنایی (Semantic Views) برای جایگزینی جست‌وجوی آزاد مدل با منطق تجاری دقیق سازمان.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.