هوش مصنوعی سازمانی چیست؟ راهنمای جامع Enterprise AI

هوش مصنوعی سازمانی چیست؟

هوش مصنوعی طی سال‌های اخیر از یک فناوری تخصصی به ابزاری در دسترس برای کاربران و کسب‌وکارها تبدیل شده است. اما استفاده از یک سرویس عمومی هوش مصنوعی با آنچه یک بانک، کارخانه، شرکت بیمه، سازمان دولتی یا مجموعه بزرگ از AI انتظار دارد تفاوت اساسی دارد.

در یک سازمان، هدف معمولاً فقط پرسیدن سؤال از یک مدل نیست. سیستم هوش مصنوعی باید بتواند به اطلاعات مجاز سازمان دسترسی پیدا کند، دانش داخلی را بازیابی کند، سطح دسترسی کاربران را رعایت کند، پاسخ‌های قابل بررسی ارائه دهد و در صورت نیاز به سامانه‌ها و فرایندهای موجود متصل شود.

به مجموعه فناوری‌ها، معماری‌ها و سیاست‌هایی که برای چنین هدفی استفاده می‌شوند می‌توان «هوش مصنوعی سازمانی» یا Enterprise AI گفت.

تفاوت هوش مصنوعی سازمانی با ابزارهای عمومی AI

یک مدل عمومی معمولاً دانش اختصاصی سازمان را در اختیار ندارد.

برای مثال اگر مدیر یک سازمان بپرسد: «کدام قراردادهای ما تا سه ماه آینده نیاز به تمدید دارند؟» یک مدل عمومی به قراردادهای آن سازمان دسترسی ندارد.

اما یک سامانه Enterprise AI می‌تواند، در صورت داشتن مجوز، درخواست را تحلیل کند، قراردادهای مجاز را جست‌وجو کند، تاریخ‌های مرتبط را استخراج کند، اطلاعات را با منابع سازمان تطبیق دهد، پاسخ را همراه با منبع ارائه کند و در صورت وجود Workflow مجاز، فرایند پیگیری را آغاز کند.

بنابراین تفاوت اصلی فقط در قدرت مدل نیست؛ بلکه در اتصال مدل به دانش، هویت، مجوزها و فرایندهای واقعی سازمان است.

1. درخواست کاربر را تحلیل کند.
2. قراردادهای مجاز را جست‌وجو کند.
3. تاریخ‌های مرتبط را استخراج کند.
4. اطلاعات را با منابع سازمان تطبیق دهد.
5. پاسخ را همراه با منبع ارائه کند.
6. در صورت وجود Workflow مجاز، فرایند پیگیری را آغاز کند.

معماری هوش مصنوعی سازمانی از چه اجزایی تشکیل می‌شود؟

یک معماری Enterprise AI ممکن است شامل اجزای زیر باشد:

مدل زبانی فقط یکی از اجزای این معماری است.

• مدل‌های زبانی و چندوجهی
• RAG و جست‌وجوی دانش سازمان
• AI Agentها
• اتصال به API و سامانه‌های داخلی
• مدیریت هویت و دسترسی
• کنترل مجوزها
• ثبت رویداد و Audit
• ارزیابی کیفیت پاسخ
• Guardrail
• Monitoring
• Workflow
• استقرار Cloud، Private Cloud یا On-Premise

RAG چه نقشی در هوش مصنوعی سازمانی دارد؟

یکی از مهم‌ترین مسائل Enterprise AI این است که مدل چگونه به دانش اختصاصی سازمان دسترسی پیدا کند.

RAG یا Retrieval-Augmented Generation یکی از روش‌های اصلی برای این کار است.

در RAG، سیستم ابتدا اطلاعات مرتبط را از منابع مشخص پیدا می‌کند و سپس آن Context را در اختیار مدل قرار می‌دهد تا پاسخ بر اساس اطلاعات بازیابی‌شده تولید شود.

Google Cloud نیز در معماری مرجع RAG فرایند را به آماده‌سازی و Index کردن داده‌ها و سپس Retrieval هنگام پاسخ‌گویی تقسیم می‌کند.

در آینده عبارت «RAG چیست؟» به مقاله مربوط در دانشنامه لینک خواهد شد.

• اسناد
• قراردادها
• دستورالعمل‌ها
• پایگاه‌های دانش
• فایل‌ها
• پایگاه‌های داده
• سامانه‌های داخلی

RAG چیست؟

AI Agent چه تفاوتی ایجاد می‌کند؟

RAG عمدتاً مسئله دستیابی به اطلاعات را حل می‌کند. AI Agent می‌تواند یک مرحله فراتر برود.

Agent می‌تواند برای رسیدن به یک هدف وضعیت را تحلیل کند، از ابزار استفاده کند، نتیجه ابزار را بررسی کند، درباره مرحله بعد تصمیم بگیرد و چند مرحله از یک Workflow را انجام دهد.

برای مثال یک Agent پشتیبانی می‌تواند سابقه مشتری را بررسی کند، اطلاعات مرتبط را از Knowledge Base پیدا کند، پاسخ آماده کند و در صورت نیاز تیکت ایجاد کند.

اما Agent نباید الزاماً اختیار نامحدود داشته باشد. در Enterprise AI محدوده مجوز، Tool Access و Human Approval اهمیت زیادی دارند.

در آینده عبارت «AI Agent چیست؟» به مقاله مربوط در دانشنامه لینک خواهد شد.

• وضعیت را تحلیل کند
• از ابزار استفاده کند
• نتیجه ابزار را بررسی کند
• درباره مرحله بعد تصمیم بگیرد
• چند مرحله از یک Workflow را انجام دهد

AI Agent چیست؟

امنیت در Enterprise AI

هرچه سیستم AI به اطلاعات و ابزارهای بیشتری دسترسی پیدا کند، امنیت مهم‌تر می‌شود.

یک معماری سازمانی باید بتواند مشخص کند:

Enterprise AI بدون Identity، Authorization و Audit کامل نیست.

• چه کسی درخواست را ارسال کرده است؟
• کاربر چه سطح دسترسی دارد؟
• Agent به چه ابزارهایی دسترسی دارد؟
• چه داده‌هایی برای Retrieval مجاز هستند؟
• چه عملیات‌هایی نیاز به تأیید انسان دارند؟
• چه عملیات‌هایی باید Audit شوند؟
• در صورت خطای مدل چه محدودیت‌هایی اعمال می‌شود؟

پاسخ مستند و قابل بررسی

در محیط سازمانی صرفاً دریافت یک پاسخ طبیعی کافی نیست.

در بسیاری از کاربردها کاربر باید بتواند بداند: این پاسخ بر اساس کدام سند یا داده ارائه شده است؟

به همین دلیل Citation و Grounding از قابلیت‌های مهم سامانه‌های سازمانی هستند.

برای مثال به‌جای «طبق دستورالعمل سازمان، این درخواست مجاز است»، پاسخ بهتر می‌تواند مشخص کند: «این نتیجه بر اساس ماده یا بند مشخصی از دستورالعمل مورد استناد ارائه شده است.»

البته صرف نمایش Citation تضمین نمی‌کند که پاسخ صحیح است و همچنان Evaluation و کنترل کیفیت لازم است.

آیا Enterprise AI باید On-Premise باشد؟

خیر.

مدل‌های مختلف استقرار وجود دارد:

انتخاب معماری باید بر اساس عواملی مانند حساسیت داده، الزامات سازمانی، هزینه، Latency، توان سخت‌افزاری، امنیت شبکه و مقیاس مصرف انجام شود.

On-Premise به‌تنهایی مترادف امنیت کامل نیست؛ اما می‌تواند کنترل بیشتری روی محل پردازش و جریان داده ایجاد کند.

در آینده عبارت «هوش مصنوعی On-Premise» به مقاله مربوط در دانشنامه لینک خواهد شد.

Cloud

مدل و بخش زیادی از زیرساخت روی سرویس Cloud اجرا می‌شوند.

Private Cloud

سازمان کنترل بیشتری بر محیط اجرا، شبکه و منابع دارد.

On-Premise

مدل و سرویس‌های مربوط در زیرساخت تحت کنترل مستقیم سازمان اجرا می‌شوند.

• حساسیت داده
• الزامات سازمانی
• هزینه
• Latency
• توان سخت‌افزاری
• امنیت شبکه
• مقیاس مصرف

هوش مصنوعی On-Premise چیست؟

کاربردهای هوش مصنوعی سازمانی

Enterprise AI می‌تواند در حوزه‌های مختلف استفاده شود.

مدیریت دانش

دسترسی سریع‌تر به اسناد، دستورالعمل‌ها و اطلاعات پراکنده سازمان.

پشتیبانی مشتری

کمک به اپراتور یا پاسخ‌گویی خودکار با استفاده از دانش و سابقه مرتبط.

منابع انسانی

دسترسی به سیاست‌ها، دستورالعمل‌ها و فرایندهای داخلی.

عملیات

جمع‌آوری و تحلیل اطلاعات از چند سامانه.

فناوری اطلاعات

جست‌وجوی مستندات، تحلیل رخدادها و پشتیبانی کاربران.

فروش

استفاده از اطلاعات CRM، محصولات و سوابق ارتباطی برای آماده‌سازی پاسخ و پیشنهاد.

چرا معماری از انتخاب مدل مهم‌تر است؟

در پروژه‌های واقعی، کیفیت یک سیستم Enterprise AI فقط به مدل بستگی ندارد.

بنابراین استفاده از بزرگ‌ترین مدل لزوماً بهترین سامانه سازمانی را ایجاد نمی‌کند.

• کیفیت داده
• Retrieval
• Chunking
• Ranking
• Permission Filtering
• Prompt Design
• Tool Design
• Evaluation
• Guardrail
• Monitoring
• Latency
• Cost

نقش آیوان در هوش مصنوعی سازمانی

آیوان با هدف ایجاد یک پلتفرم بومی هوش مصنوعی سازمانی طراحی شده است؛ بستری که بتواند مدل‌های هوش مصنوعی را به اسناد، داده‌ها، دانش و سامانه‌های مجاز سازمان متصل کند.

در چنین معماری‌ای، هدف صرفاً ساخت یک Chatbot نیست.

این بخش تبلیغاتی نیست و لحن آن توضیحی و فنی باقی می‌ماند.

• دسترسی به دانش
• ایجاد دستیارهای هوشمند
• ارائه پاسخ‌های مستند
• اتصال به سامانه‌ها
• اجرای فرایندهای کنترل‌شده
• استفاده از مدل‌های قابل استقرار در زیرساخت سازمان