اتصال عاملهای هوش مصنوعی به هسته مرکزی دادههای داخلی شرکتها به سرعت در حال گسترش است، اما یک چالش جدی وجود دارد: چگونه میتوان تضمین کرد این عاملها واقعاً از وضعیت فعلی کسبوکار و تغییرات آن آگاهاند؟ تا پیش از این، بسیاری از سازمانها مجبور بودند به صورت دستی فایلهای Markdown را بهروز کنند و عملاً در چرخه مستمر تغییرات شرکت جا بمانند.
استارتاپ Modus با راهاندازی راهکاری به نام انبار زمینه (Context Warehouse) قصد دارد این گلوگاه را بردارد. این شرکت که این هفته رسماً فعالیت خود را آغاز میکند، 10 میلیون دلار سرمایه جذب کرده و لایهای را توسعه داده که دقیقاً کنار انبار دادههای سازمان قرار میگیرد. این لایه به صورت مداوم نحوه عملکرد سیستمهای مختلف را نقشهبرداری میکند و تنها بخشهای مرتبط با درخواست فعلی را در اختیار عامل هوش مصنوعی قرار میدهد.
مکانیزم استخراج و تدوین هوشمند زمینه
هسته فنی Modus بر پایه جمعآوری مستمر اطلاعات از منابعی مانند GitHub، dbt، Jira، Snowflake و Postgres بنا شده است. سیستمی که این شرکت Context Miner نامیده، به صورت خودکار و پیوسته رفتارهای کاری سازمان را تحلیل میکند. اطلاعات استخراجشده بلافاصله وارد موتور دیگری به نام Context Composer میشوند که وظیفه دارد خلاصههای کوتاه، هدفمند و تولیدشده به صورت پویا را در لحظه وظیفهمحور شکل دهد. این پکیجهای اطلاعاتی دقیقاً همان لحظهای که عامل هوش مصنوعی دستوری دریافت میکند، به آن ارسال میشوند.
تامر مسیکا، همبنیانگذار و مدیر فنی Modus، توضیح میدهد که این فرآیند استخراج کاملاً هوشمند و مبتنی بر منطق داخلی است:
مکانیزمهای چندگانهای داریم که تعیین میکند از سازمان چه دادههایی، با چه تناوبی و چگونه مورد پایش قرار گیرند. سیستم خودکار تشخیص میدهد کی باید تغییرات را بررسی کند و کی نیاز به بررسی عمیقتر نیست.
پر کردن شکاف میان ذخیرهسازی داده و درک سازمانی
دانیل شیمونی، مدیرعامل Modus، موضوع را با مقایسه انبارهای داده سنتی روشنتر میکند. شرکتها سالها زمان و هزینه زیادی برای زیرساختهای ذخیرهسازی داده صرف کردهاند، اما ابزاری معادل برای مدیریت «زمینه عملیاتی» وجود نداشته است.
منطق انبارهای داده کاملاً مشخص است؛ جایی که دادهها نگهداری میشوند. اما سازمانها کجا زمینههای کاری خود را مدیریت میکنند؟ جایی که تضمین کنند عاملهای هوش مصنوعی دقیقاً همان مقداری از آگاهی را دریافت میکنند که برای انجام وظیفه لازم است.
شیمونی تأکید میکند که ساختن اولیه این زمینهها چالشبرانگیز است، اما نگهداری و بهروزآوری آنها در برابر تغییرات کسبوکار دشوارتر از همیشه است. Modus با یادگیری دائمی از رفتار سازمان، تضمین میکند که به محض هرگونه تغییر در فرآیندها، تنها زمینههای مرتبط و کاملاً بهروز به عاملهای هوش مصنوعی منتقل شوند.
کاهش هزینههای عملیاتی و بهینهسازی مصرف توکن
اگرچه تیمهای مهندسی، دفاتر CTO و معاونان تحقیق و توسعه از جمله خریداران اولیه هستند، اما انگیزه اصلی سازمانها برای استفاده از Modus، مدیریت هزینههای سنگین هوش مصنوعی است. نوسانات قیمت توکن در مدلهای زبانی بزرگ، کارایی عملیاتی را به یکی از دغدغههای اصلی بدل کرده است. بر اساس گزارشهای بازار فناوری، سازمانها سال به سال بیشتر روی بهینهسازی هزینههای مدلهای زبانی تمرکز میکنند.
هدف این است که مدلهای بزرگ و قدرتمند روی کارهای پیچیده و سنگین تمرکز کنند تا ارزش واقعی ایجاد کنند. مشکل اصلی اینجاست که آنها بخش زیادی از توان محاسباتی و مصرف توکن خود را صرف کارهای روتین و بدون اهمیت میکنند.
با ارائه زمینهای کاملاً فیلترشده و هدفمند، Modus این مصرف بیهوده را به شدت کاهش میدهد. این رویکرد نهتنها سرعت پاسخدهی عاملهای هوش مصنوعی را بالا میبرد، بلکه با حذف درخواستهای اضافی به API، هزینههای زیرساختی شرکتها را بهینه میکند. ورود گروههای تخصصی هوش مصنوعی به ساختار سازمانی و گذار تیمهای داده به نقشهای جدید، تقاضا برای ابزارهای مدیریت زمینهی هوشمند را بیشتر کرده است.
توسعه این لایه میانی، مسیر بلوغ هوش مصنوعی سازمانی را از پیادهسازی صرف به سمت خودکارسازی عملیاتی و قابلاتکا نزدیکتر میکند. اگر در آینده نزدیک انبارهای داده با انبارهای زمینه به صورت یکپارچه ادغام شوند، احتمالاً شاهد نسل جدیدی از عاملهای هوشمند خواهیم بود که محدود به دستورات ثابت نیستند، بلکه با درک پویا از فضای کاری، به صورت مستقل تصمیمگیری میکنند.
