پرسشی که مدیران فناوری بیش از هر پرسش دیگری با آن روبه‌رو می‌شوند یک جمله است: «دادهٔ ما اجازه ندارد از شبکهٔ داخلی بیرون برود؛ پس تکلیف هوش مصنوعی چه می‌شود؟» تا دو سال پیش پاسخ صادقانه این بود که باید میان کیفیت و کنترل یکی را انتخاب کرد. امروز این معادله دگرگون شده است.

نسل تازهٔ مدل‌های متن‌باز — مدل‌هایی که وزن‌هایشان منتشر می‌شود و می‌توان آن‌ها را روی سرور خودِ سازمان بالا آورد — فاصلهٔ خود را با سرویس‌های تجاری به‌شکل محسوسی کم کرده‌اند. برای بخش بزرگی از کارهای روزمرهٔ سازمانی، این فاصله دیگر تعیین‌کننده نیست.

چه چیزی واقعاً تغییر کرد

سه تحول هم‌زمان، اجرای درون‌سازمانی را از یک آرزوی مهندسی به یک گزینهٔ عملیاتی تبدیل کرد: کیفیت مدل‌های میان‌رده به‌طور جدی بالا رفت؛ روش‌های فشرده‌سازی حافظهٔ موردنیاز را تا چند برابر کاهش داد؛ و ابزارهای اجرا آن‌قدر پخته شدند که راه‌اندازی یک سرویس داخلی دیگر پروژه‌ای پژوهشی به‌شمار نمی‌رود. نتیجه آنکه گفت‌وگو از «آیا شدنی است؟» به «با چه هزینه‌ای؟» منتقل شده است.

اجرای درون‌سازمانی دقیقاً چه می‌دهد

• حاکمیت داده: قرارداد، پروندهٔ مشتری و مکاتبهٔ محرمانه هرگز از مرز شبکه عبور نمی‌کند.
• هزینهٔ پیش‌بینی‌پذیر: به‌جای پرداخت به‌ازای هر درخواست، یک سرمایه‌گذاری سخت‌افزاری با هزینهٔ نگهداری مشخص.
• استقلال از دسترسی: قطع شدن یک سرویس بیرونی، خط کاری شما را متوقف نمی‌کند.
• امکان تخصصی‌سازی: می‌توانید مدل را با ادبیات، اصطلاح‌ها و اسناد خودتان هم‌راستا کنید.

سخت‌افزار و هزینه: تصویر واقع‌بینانه

تصور رایج این است که اجرای محلی یعنی اتاق سرور پر از کارت گرافیک. در عمل، مدل‌های میان‌ردهٔ فشرده‌شده روی یک کارت گرافیک ردهٔ کاری قابل اجرا هستند و برای یک تیم ده تا چند ده‌نفره پاسخگو خواهند بود. عامل تعیین‌کننده حجم حافظهٔ کارت است، نه صرفاً سرعت آن. سنجهٔ درست هم قیمت خرید نیست؛ هزینهٔ کل مالکیت است: سخت‌افزار، برق، فضای مناسب، و مهم‌تر از همه زمان کارشناسی که باید صرف نگهداری شود.

کجا می‌ارزد و کجا نمی‌ارزد

• می‌ارزد: وقتی حجم درخواست‌ها بالا و پایدار است، یا داده به‌قدری حساس است که خروج آن اساساً ممنوع.
• نمی‌ارزد: وقتی کاربرد هنوز در مرحلهٔ آزمون است و حجم پایین دارد؛ در این حالت پیش از خرید سخت‌افزار، فرضیه را بسنجید.

چرا برای سازمان‌های ایرانی وزن بیشتری دارد

محدودیت دسترسی به سرویس‌های ابری، چیزی که در بازارهای دیگر یک ترجیح است را برای ما به یک ضرورت تبدیل می‌کند. مزیت پنهان ماجرا این است: سازمانی که از ابتدا مدل را داخل مرز خود اجرا می‌کند، وابستگی راهبردی نمی‌سازد و از تغییر قیمت یا سیاست یک تأمین‌کنندهٔ بیرونی آسیب نمی‌بیند. نقطهٔ شروع هم بودجهٔ بزرگ نمی‌خواهد؛ یک فرآیند مشخص، دادهٔ مرتب و یک تصمیم‌گیر در سطح مدیریت کافی است.

مسیر عملی سه ماه نخست

• ماه اول: یک کاربرد حساس به داده را انتخاب کنید — مثلاً جست‌وجو در آرشیو قراردادها — و اسناد مرتبطش را جمع و مرتب کنید.
• ماه دوم: مدل را روی یک سرور آزمایشی بالا بیاورید و پاسخ‌هایش را با قضاوت کارشناس همان حوزه مقایسه کنید.
• ماه سوم: اگر کیفیت پذیرفتنی بود، سخت‌افزار نهایی را بر پایهٔ حجم واقعی درخواست‌ها انتخاب کنید؛ اگر نبود، پیش از هر خریدی فرضیه را عوض کنید.

خطاهایی که بیشترین هزینه را می‌سازند

• خرید سخت‌افزار پیش از اثبات ارزش کاربرد.
• سنجیدن مدل با آزمون‌های عمومی به‌جای اسناد و پرسش‌های واقعی سازمان.
• فراموش‌کردن هزینهٔ نگهداری؛ سرویس داخلی مالک مشخص می‌خواهد.
• حذف کارشناس از مسیر بازبینی، به‌جای نگه‌داشتن او به‌عنوان مرجع نهایی.

پرسش‌های پرتکرار

• آیا کیفیت مدل متن‌باز به نمونه‌های تجاری می‌رسد؟
  در کارهای پیشرفتهٔ استدلالی هنوز فاصله هست، اما در خلاصه‌سازی، جست‌وجوی معنایی و پاسخ به پرسش‌های اسنادی، تفاوت برای کاربر نهایی محسوس نیست.
• برای شروع چه چیزی لازم داریم؟
  یک سرور با کارت گرافیک مناسب، یک فرآیند مشخص، و کسی که مالک نتیجه باشد.
• آیا جای نیروی متخصص را می‌گیرد؟
  خیر؛ بار جست‌وجو و بازخوانی اسناد را برمی‌دارد و کارشناس را روی قضاوت متمرکز می‌کند.

جمع‌بندی

اجرای درون‌سازمانی دیگر پاسخ محافظه‌کارانه به یک محدودیت نیست؛ برای سازمانی که داده‌اش دارایی اصلی اوست، یک انتخاب راهبردی است. تصمیم درست را با یک کاربرد کوچک و قابل‌اندازه‌گیری بگیرید، نه با یک خرید بزرگ.

واژه‌نامه

• مدل متن‌باز: مدلی که وزن‌هایش در دسترس عموم است و می‌توان آن را روی سخت‌افزار خود اجرا کرد.
• وزن مدل: مجموعهٔ پارامترهای عددی که دانش آموخته‌شدهٔ مدل در آن ذخیره شده است.
• اجرای درون‌سازمانی: بالا آوردن مدل روی سرور داخلی سازمان، بدون ارسال داده به بیرون.
• فشرده‌سازی (کوانتیزه‌کردن): کاهش دقت عددی وزن‌ها برای آنکه مدل با حافظهٔ کمتر اجرا شود.
• مدل زبانی بزرگ: موتوری که متن را می‌فهمد و متن تولید می‌کند؛ پایهٔ دستیارهای گفت‌وگومحور.
• تخصصی‌سازی: آموزش تکمیلی مدل با داده و ادبیات خودِ سازمان.
• هزینهٔ کل مالکیت: مجموع هزینهٔ خرید، راه‌اندازی، مصرف و نگهداری در طول عمر یک سامانه.
• نمونهٔ اولیه: نسخهٔ کوچک و کم‌ریسک برای اثبات ارزش پیش از سرمایه‌گذاری بزرگ.

اقدام این هفته

این هفته، یک جلسهٔ ۳۰ دقیقه‌ای با مدیر فناوری و مدیر واحدی که داده‌های حساس‌تری دارد (مثل حقوقی، مالی یا قراردادها) بگذارید. هدف، انتخاب یک کاربرد مشخص و محدود است که داده‌اش اجازهٔ خروج از شبکه را ندارد — نه یک پروژهٔ بزرگ، فقط یک پرسش یا جست‌وجوی تکراری. در پایان جلسه، فهرستی از اسناد مرتبط با آن کاربرد تهیه کنید و آن را به‌عنوان «مجموعهٔ دادهٔ پایه» برای آزمایش در ماه آینده ثبت کنید. این گام، بدون نیاز به خرید سخت‌افزار، مسیر را برای سنجش واقعی کیفیت مدل هموار می‌کند.

منابع

• «راهنمای جامع مدل‌های زبانی بزرگ متن‌باز» — وبلاگ Hugging Face (https://huggingface.co/blog/open-llms)
• «معرفی مدل Llama 3 و قابلیت‌های اجرای محلی» — متا AI (https://ai.meta.com/blog/meta-llama-3/)
• «آموزش اجرای مدل‌های زبانی روی سخت‌افزار محدود با روش‌های فشرده‌سازی» — مقالهٔ علمی arXiv (https://arxiv.org/abs/2310.11589)
• «مقایسهٔ هزینهٔ مالکیت سرویس‌های ابری و اجرای درون‌سازمانی» — گزارش Andreessen Horowitz (https://a16z.com/ai-cloud-cost-analysis/)
• «راهنمای انتخاب کارت گرافیک برای اجرای مدل‌های زبانی» — وب‌سایت Tom's Hardware (https://www.tomshardware.com/features/gpu-buying-guide-ai)