آیندهٔ معماری پلتفرم‌های هوش مصنوعی

بیشتر سازمان‌ها سفر هوش مصنوعی خود را با یک پروژهٔ آزمایشی آغاز می‌کنند: یک مدل پیش‌بینی برای یک واحد، یک دستیار گفت‌وگویی برای پشتیبانی، یک اسکریپت طبقه‌بندی برای اسناد. هر یک از این پروژه‌ها به‌تنهایی موفق به نظر می‌رسد، اما پس از چند سال، سازمان با ده‌ها مدل روبه‌رو است که هر کدام دادهٔ خود را از مسیر جداگانه‌ای می‌گیرند، در محیط متفاوتی اجرا می‌شوند و کسی نمی‌داند کدام نسخه در حال خدمت‌رسانی است. مسئله دیگر ساختن مدل نیست؛ مسئله این است که چگونه ده‌ها مدل و ایجنت را به‌شکل قابل‌اتکا، امن و قابل‌حسابرسی در کنار سیستم‌های سازمانی اداره کنیم.

این موضوع اهمیت دارد، چون هزینهٔ واقعی هوش مصنوعی در نگهداری است، نه در ساخت اولیه. مدلی که بدون پایش کیفیت داده رها شود، به‌آرامی از واقعیت فاصله می‌گیرد و تصمیم‌های اشتباه را با اعتمادبه‌نفس کامل ارائه می‌دهد. از سوی دیگر، مدیران ریسک و حسابرسان به‌درستی می‌پرسند که یک تصمیم خودکار بر پایهٔ کدام داده، کدام نسخهٔ مدل و کدام قاعدهٔ کسب‌وکار گرفته شده است. بدون پلتفرم، پاسخ به این پرسش‌ها به جست‌وجوی دستی در لاگ‌ها و حافظهٔ افراد وابسته می‌شود؛ و این دقیقاً همان نقطه‌ای است که هوش مصنوعی از دارایی به بدهی فنی تبدیل می‌شود.

معماری پلتفرم هوش مصنوعی را می‌توان در چهار لایه توصیف کرد. لایهٔ داده، دسترسی یکپارچه و کنترل‌شده به دریاچهٔ داده و رویدادهای سازمان را فراهم می‌کند. لایهٔ مدل، ثبت، نسخه‌بندی، ارزیابی و استقرار مدل‌ها را استاندارد می‌کند؛ چه مدل‌های کلاسیک یادگیری ماشین و چه مدل‌های زبانی. لایهٔ ایجنت، منطق تصمیم و ابزارها را در قالب عامل‌هایی قابل‌ترکیب بسته‌بندی می‌کند که می‌توانند با سیستم‌های سازمانی گفت‌وگو کنند. و لایهٔ حاکمیت، سیاست‌ها، مجوزها، ردگیری و پایش را بر تمام لایه‌های زیرین اعمال می‌کند. نکتهٔ کلیدی این است که هر چهار لایه باید از یک مدل هویت و یک زبان مشترک برای رویدادها استفاده کنند.

نخستین ملاحظهٔ عملی، جداسازی مدل از محصول است. مدل زبانی یا مدل پیش‌بینی نباید مستقیماً در کد یک برنامهٔ کاربردی جاسازی شود؛ بلکه باید از طریق یک سرویس استاندارد با قرارداد مشخص فراخوانی شود. این جداسازی اجازه می‌دهد مدل بدون تغییر در برنامه‌ها به‌روزرسانی شود، چند مدل به‌صورت موازی ارزیابی شوند و در صورت افت کیفیت، به نسخهٔ قبلی بازگردیم. برای مثال، اگر یک ایجنت پشتیبانی مشتری روی سه مدل مختلف آزمایش شود، تیم می‌تواند بدون تغییر در رابط کاربری، بهترین مدل را از نظر دقت و هزینه انتخاب کند.

دومین ملاحظه، مدیریت ایجنت‌ها به‌عنوان شهروندان درجه‌یک سازمان است. یک ایجنت که می‌تواند سفارش ثبت کند، اطلاعات مشتری را بخواند یا درخواست بازپرداخت را تأیید کند، باید هویت مشخص، مجموعهٔ مجوزهای محدود و رد پای کامل داشته باشد؛ درست مانند یک کارمند. این یعنی ایجنت‌ها باید از طریق همان سامانهٔ هویت و همان درگاه API با سیستم‌ها تعامل کنند که انسان‌ها و برنامه‌های دیگر استفاده می‌کنند. اگر ایجنت با کلید سراسری و بدون محدودیت دسترسی داشته باشد، هر خطای استدلالی می‌تواند مستقیماً به خطای عملیاتی تبدیل شود.

سومین ملاحظه، مشاهده‌پذیری در سطح تصمیم است. پایش سنتی، سلامت سرویس را می‌سنجد: زمان پاسخ، خطاها، مصرف منابع. اما برای هوش مصنوعی باید یک سطح بالاتر رفت و خود تصمیم را ردگیری کرد: چه ورودی‌ای دریافت شد، از کدام منابع داده استفاده شد، چه ابزارهایی فراخوانی شدند و چه خروجی‌ای تولید شد. این رد پا هم برای اشکال‌زدایی ضروری است و هم برای پاسخ‌گویی به حسابرس. برای مثال، وقتی یک تصمیم اعتباری خودکار مورد اعتراض قرار می‌گیرد، تیم باید بتواند در چند دقیقه زنجیرهٔ کامل استدلال را بازسازی کند.

دام‌های رایج در این مسیر قابل پیش‌بینی‌اند. نخست، شروع از مدل به‌جای شروع از داده؛ بسیاری از پروژه‌ها پیش از آنکه دسترسی پایدار به دادهٔ باکیفیت داشته باشند، به انتخاب مدل می‌پردازند. دوم، وابستگی سخت به یک ارائه‌دهندهٔ خاص که تعویض یا افزودن مدل را به بازنویسی گسترده تبدیل می‌کند. سوم، نادیده گرفتن هزینهٔ استنتاج، که در مقیاس سازمانی می‌تواند بسیار سریع از بودجهٔ توسعه فراتر برود. و چهارم، اعطای اختیار عمل به ایجنت‌ها پیش از آنکه سازوکار بازبینی انسانی و توقف اضطراری طراحی شده باشد.

در نیاداد، پلتفرم هوش مصنوعی «رایون» همین لایه‌بندی را پیاده می‌کند: ثبت و نسخه‌بندی مدل‌ها، سرویس‌دهی استاندارد، ارزیابی مستمر و اتصال کنترل‌شده به دریاچهٔ داده. مجموعهٔ «ایجنت‌ها» بر روی همین بستر ساخته شده و عامل‌های کسب‌وکاری را با هویت مستقل، مجوزهای محدود و رد پای کامل به سیستم‌های سازمانی متصل می‌کند. این دو در کنار لایه‌های هویت، درگاه API و رویداد نیاداد کار می‌کنند تا هوش مصنوعی به‌جای جزیره‌ای جداگانه، بخشی از زیرساخت سازمان باشد.

آیندهٔ معماری هوش مصنوعی، آیندهٔ مدل‌های بزرگ‌تر نیست؛ آیندهٔ پلتفرم‌هایی است که می‌توانند مدل‌های متنوع را با انضباط مهندسی اداره کنند. سازمان‌هایی که امروز این زیرساخت را می‌سازند، فردا می‌توانند هر مدل جدیدی را در چند روز به خدمت بگیرند؛ و سازمان‌هایی که نمی‌سازند، هر پروژه را از صفر آغاز خواهند کرد. مزیت پایدار نه در مدل، که در پلتفرمی است که مدل‌ها را به خدمت می‌گیرد.