در حالی که شرکتها با شتاب برای پیادهسازی هوش مصنوعی در محیطهای عملیاتی خود تلاش میکنند، یک چالش اساسی جدید پدیدار شده است: زیرساخت داده به گلوگاه اصلی تبدیل شده است. کیفیت مدلهای هوش مصنوعی مستقیماً به اطلاعاتی که به آنها دسترسی دارند وابسته است و بسیاری از سازمانها هنوز نتوانستهاند شکاف موجود در زمینه در دسترس قرار دادن دادهها، حاکمیت بر آنها و تأمین سرعت کافی را پر کنند. 🚀
دادهها اغلب به صورت پراکنده در محیطهای ابری مختلف و مناطق جغرافیایی گوناگون توزیع شدهاند که این امر به ارتباطات کند و غیرقابل اعتماد منجر میشود. این چشمانداز پراکنده، پیادهسازی حاکمیت هوشمند را برای شرکتها دشوار میسازد، بدون آنکه قوانین انطباق نقض شوند یا کارها به صورت تکراری انجام گیرند. این دقیقاً همان مشکلی است که شرکت استاربرست (Starburst) در رویداد اخیر خود با نام AI & Datanova 2025 به آن پرداخته است.
این شرکت از یک پلتفرم داده نوآورانه و آماده برای هوش مصنوعی رونمایی کرد که بر پایه معماری لیکهاوس (Lakehouse) خود توسعه یافته و برای پشتیبانی از بارهای کاری چند-عاملی (multi-agent) و قابلیتهای بومی برداری (vector-native) طراحی شده است. این محصول، بخش مهمی از چشمانداز استاربرست برای ایجاد یک «نیروی کار عاملمحور» (Agentic Workforce) است؛ آیندهای که در آن کارمندان انسانی و عاملهای هوش مصنوعی به طور یکپارچه برای تحلیل، تصمیمگیری و اجرای وظایف در فرآیندهای دادهمحور با یکدیگر همکاری میکنند.
این رویکرد خلاقانه، چندین روند کلیدی را که در حال شکلدهی به هوش مصنوعی سازمانی هستند، هدف قرار میدهد. این پلتفرم دسترسی مدل-به-داده (model-to-data) را امکانپذیر میسازد که به عاملهای هوش مصنوعی اجازه میدهد تا اطلاعات را مستقیماً در منبع اصلی خود پرسوجو کنند. همچنین، حاکمیت فدرال (federated governance) را برای حفظ کنترل محلی و انطباق با مقررات پیادهسازی میکند و ابزارهای نظارتی جدیدی برای ردیابی استفاده از مدلها در سراسر سازمان فراهم میآورد. استراتژی استاربرست نشاندهنده یک تغییر مهم در صنعت است: تمرکز از صرفاً ساخت مدلهای هوش مصنوعی به سمت تقویت لایه داده زیربنایی که به آنها امکان عملکرد ایمن و در مقیاس بزرگ را میدهد، منتقل شده است.
در قلب این پلتفرم، قابلیت دسترسی مدل-به-داده به عاملهای هوش مصنوعی قدرت میدهد تا دادههای تحت حاکمیت را در هر کجا که قرار دارند، مورد پرسش قرار دهند. این امر تکثیر دادهها را به حداقل میرساند، تأخیر را کاهش میدهد و حریم خصوصی را در سیستمهای پیچیده و توزیعشده تضمین میکند. این پلتفرم همچنین از طریق پذیرش اولیه پروتکل زمینه مدل (MCP)، قابلیت همکاری چند-عاملی را تقویت میکند، که به عاملهای هوش مصنوعی مختلف اجازه میدهد تا زمینه (context) را به اشتراک بگذارند و در یک محیط داده امن با یکدیگر همکاری کنند.
یکی دیگر از قابلیتهای قدرتمند اضافه شده، دسترسی باز به دادههای برداری (open vector access) است که استاربرست را به فناوریهایی مانند Iceberg، PGVector و Elasticsearch متصل میکند. این یکپارچهسازی، نسل بازیابی-افزوده (RAG) پیشرفته را بر روی دادههای ساختاریافته و بدون ساختار تسهیل میکند و به هوش مصنوعی امکان میدهد تا بینشهای غنیتر و آگاهانهتری از نظر متنی تولید کند، بدون آنکه حاکمیت دادهها به خطر بیفتد.
مت فولر، معاون محصولات هوش مصنوعی/یادگیری ماشین در استاربرست، فلسفه شرکت را اینگونه تشریح کرد: «بازنگری در نحوه خدمترسانی معماری داده به هوش مصنوعی، با به حداقل رساندن جابجایی دادهها و آوردن محاسبات به سمت داده، نه برعکس.» او توضیح داد که موتور پرسوجوی فدرال استاربرست به هوش مصنوعی اجازه میدهد تا بدون نیاز به تکثیر، به دادههای تحت حاکمیت در میان ابرها و سیستمهای داخلی دسترسی پیدا کند. فولر افزود: «این رویکرد تأخیر را کاهش میدهد، کارایی را بهبود میبخشد و انطباق با مقررات را هنگام کار با دادههای حساس تضمین میکند.»
فولر در توصیف جایگاه استاربرست در بازار گفت: «ما صفحه کنترل سیستمهای هوشمند هستیم و اطمینان میدهیم که هر مدل، عامل و کاربر از یک منبع حقیقت واحد و تحت حاکمیت عمل میکند.»
علاوه بر اتصال، استاربرست در حال بهبود عملیات پس از اتصال نیز هست. ویژگیهای نظارتی جدید به تیمها دید واضحی از نحوه استفاده از مدلهای هوش مصنوعی میدهد و به آنها امکان میدهد محدودیتهای استفاده را تعیین کرده و هزینهها را به طور مؤثر مدیریت کنند. عامل هوش مصنوعی این پلتفرم نیز بصریتر شده و قادر است با کمکهای بصری مانند نمودارها و گرافها پاسخ دهد تا درک دادهها برای کاربران تجاری آسانتر شود. این تمرکز بر شفافیت و انطباق، که بر پایه Trino و Apache Iceberg ساخته شده است، پلتفرم جدید استاربرست را به عنوان گامی محوری در جهت یکپارچهسازی اعتماد و هوشمندی در چشمانداز هوش مصنوعی سازمانی قرار میدهد.
اطلاعات بیشتر را از منبع مطالعه کنید: BigDATAwire