چرا نهادهای دولتی باید پیش از گسترش هوش مصنوعی، زیرساخت داده‌ای خود را تقویت کنند
نهادهای فدرال آمریکا سال مالی ۲۰۲۷ را با چالشی آشنا آغاز می‌کنند: پیشبرد طرح‌های هوش مصنوعی، هم‌زمان با ادامه نوسازی سامانه‌های قدیمی، تقویت امنیت سایبری و فعالیت در شرایط محدودیت شدید بودجه.
از نظر جرمی ویلسون، مدیر ارشد فناوری بخش دولتی در شرکت EDB، داده حلقه اتصال این اولویت‌هاست. او می‌گوید نهادهای دولتی بیش از پیش دریافته‌اند که موفقیت طرح‌های هوش مصنوعی و امنیت سایبری، کمتر به فناوری‌های افزوده‌شده در لایه‌های بالایی و بیشتر به زیرساخت داده‌ای زیربنایی وابسته است.
ویلسون گفت: «هوش مصنوعی پیش از آنکه مسئله مدل باشد، مسئله داده است. نهادهای دولتی دریافته‌اند که پیشرفت در حوزه هوش مصنوعی، بیش از دسترسی به مدل‌ها، به میزان آمادگی داده‌هایشان بستگی دارد.»
به گفته ویلسون، بسیاری از نهادهای دولتی همچنان با داده‌هایی سروکار دارند که در محیط‌های مختلف پراکنده‌اند و استفاده عملیاتی گسترده از آن‌ها دشوار است. این چالش باعث شده است مدیران فناوری در دولت درباره محل اجرای بارهای کاری هوش مصنوعی و بهترین شیوه تعامل این سامانه‌ها با داده‌های مرتبط با مأموریت‌های سازمانی بازنگری کنند.
او گفت: «راهبرد اصلی ما این است که هوش مصنوعی را به سراغ داده ببریم، نه اینکه داده را به سمت هوش مصنوعی منتقل کنیم. اگر داده‌های مأموریتی شما در PostgreSQL قرار دارند ــ که این وضعیت روزبه‌روز رایج‌تر می‌شود ــ می‌توانید قابلیت‌هایی مانند جست‌وجوی برداری، تولید تقویت‌شده با بازیابی (RAG) و عامل‌های هوش مصنوعی را روی همان بستر تحت حاکمیت و نظارت مستقر کنید.»
نیاز اساسی اول: حفظ حاکمیت داده‌ها
با گسترش کاربردهای هوش مصنوعی در نهادهای دولتی، نگرانی‌ها درباره امنیت، حریم خصوصی و کنترل بر داده‌های دولتی، توجه به معماری‌های هوش مصنوعی حاکمیتی را افزایش داده است.
ویلسون گفت نهادهای دولتی نمی‌توانند از دست دادن دید و کنترل بر محل نگهداری داده‌های حساس یا افرادی را که به آن‌ها دسترسی دارند، بپذیرند.
او گفت: «نهادهای دولتی نمی‌توانند داده‌های شهروندان، اطلاعات نیروهای انتظامی یا داده‌های مرتبط با اطلاعات طبقه‌بندی‌شده را صرفاً به این دلیل که یک نقطه پایانی استنتاج ارزان‌تر است، به آن ارسال کنند. حاکمیت یعنی شما کنترل کنید داده‌ها کجا نگهداری می‌شوند، مدل‌ها کجا اجرا می‌شوند و چه کسانی به هر دو دسترسی دارند.»
EDB برای پاسخ‌گویی به این نگرانی‌ها، رویکرد انتقال مدل به داده را در پیش گرفته است؛ رویکردی که به نهادهای دولتی امکان می‌دهد مدل‌های هوش مصنوعی را در همان محلی اجرا کنند که داده‌های مأموریتی آن‌ها از قبل نگهداری می‌شود، به‌جای آنکه داده‌ها را به سرویس‌های خارجی انتقال دهند. ویلسون گفت این معماری به نهادها اجازه می‌دهد قابلیت‌های هوش مصنوعی عامل‌محور را در محیط‌های کنترل‌شده توسعه دهند و وابستگی خود را به نقاط پایانی عمومی مدل‌های زبانی بزرگ کاهش دهند.
او افزود که هوش مصنوعی حاکمیتی، علاوه بر یک الزام امنیتی، بیش از پیش به ضرورتی تجاری تبدیل می‌شود.
ویلسون گفت: «پژوهش ما با عنوان اهمیت حاکمیت نشان داد سازمان‌هایی که تعهد جدی‌تری به حاکمیت داده‌ها دارند، می‌توانند تا پنج برابر بازده سرمایه‌گذاری بیشتری از هوش مصنوعی به دست آورند.»
نیاز اساسی دوم: حاکمیت داده‌ها در عصر هوش مصنوعی
ویلسون گفت در حالی که بخش عمده بحث‌های دولت فدرال درباره معماری اعتماد صفر بر هویت، دستگاه‌ها و شبکه‌ها متمرکز است، نقش داده‌ها ممکن است نادیده گرفته شود.
او گفت: «داده یکی از پنج ستون مدل بلوغ آژانس امنیت سایبری و امنیت زیرساخت ایالات متحده و همچنین معماری مرجع وزارت دفاع است؛ بااین‌حال، اغلب کم‌بلوغ‌ترین ستون به شمار می‌رود. ممکن است هویت‌سنجی و بخش‌بندی شبکه را به بهترین شکل اجرا کرده باشید، اما اگر خود پایگاه داده اصل حداقل سطح دسترسی را اعمال نکند و از داده‌های ذخیره‌شده محافظت نشود، کار هنوز به پایان نرسیده است.»
به گفته ویلسون، حفاظت از لایه داده مستلزم کنترل‌های دسترسی قدرتمند، رمزگذاری، قابلیت‌های حسابرسی و رعایت الزامات امنیتی دولت فدرال است. این اقدامات با افزایش توجه نهادهای دولتی به امنیت زنجیره تأمین نرم‌افزار و انطباق با مقررات، اهمیت بیشتری پیدا کرده‌اند.
او با اشاره به فرمان اجرایی شماره ۱۴۰۲۸ گفت: «پس از صدور این فرمان، نهادهای دولتی در قبال زنجیره تأمین نرم‌افزار خود پاسخ‌گو هستند.» وی همچنین بر اهمیت فزاینده فهرست اقلام نرم‌افزاری (SBOM) و قابلیت‌های خودکار انطباق با الزامات تأکید کرد.
نیاز اساسی سوم: برنامه‌ریزی برای فرصت‌های بلندمدت نوسازی
تلاش برای نوسازی محیط‌های فناوری قدیمی نیز نهادهای دولتی را به بازنگری در سرمایه‌گذاری‌های دیرینه خود در حوزه پایگاه داده واداشته است.
ویلسون گفت بسیاری از سازمان‌های فدرال همچنان به پلتفرم‌های اختصاصی وابسته‌اند؛ پلتفرم‌هایی که هزینه‌ها را افزایش می‌دهند و فرایند نوسازی را پیچیده‌تر می‌کنند. او به افزایش علاقه به فناوری‌های متن‌باز اشاره کرد و گفت نهادهای دولتی در پی انعطاف‌پذیری بیشتر و کاهش هزینه‌های عملیاتی هستند.
او گفت: «ما سازگاری گسترده با Oracle را در EDB Postgres Advanced Server تعبیه کردیم تا نهادهای دولتی برای رهایی از مجوزهای نرم‌افزاری اختصاصی مجبور نباشند همه برنامه‌های کاربردی خود را بازنویسی کنند.»
ویلسون سازمان جنگل‌داری آمریکا را نمونه‌ای از نهادی دانست که از فرایند نوسازی به‌عنوان فرصتی برای مهاجرت به پلتفرمی کم‌هزینه‌تر و کارآمدتر استفاده کرده است. به گفته او، نتیجه این اقدام، ایجاد زیرساختی باز و قابل‌انتقال بوده است که سازمان را از وابستگی انحصاری به یک فروشنده رها می‌کند، بی‌آنکه صرفاً شکل دیگری از همین وابستگی را جایگزین کند.
نیاز اساسی چهارم: ایجاد زیرساخت برای اولویت‌های سال مالی ۲۰۲۷
ویلسون گفت در شرایطی که نهادهای دولتی برای اثبات بازده قابل‌اندازه‌گیری سرمایه‌گذاری‌های خود در هوش مصنوعی تحت فشارند، مدیران فناوری فدرال باید به‌جای تمرکز بر ابزارهای منفرد، زیرساخت داده‌ای زیربنایی آن‌ها را در اولویت قرار دهند.
به گفته ویلسون، رویکردی زیربنایی که داده را در مرکز توجه قرار می‌دهد، تعیین خواهد کرد که نهادهای دولتی طی چند سال آینده تا چه اندازه می‌توانند سرمایه‌گذاری‌های فناورانه خود را به نتایج ملموس در انجام مأموریت‌هایشان تبدیل کنند.
او گفت: «در نهایت، همه طرح‌های موجود در دستور کار دولت فدرال ــ از به‌کارگیری هوش مصنوعی و اعتماد صفر گرفته تا بهبود تجربه مشتریان و کنار گذاشتن سامانه‌های قدیمی ــ به لایه داده وابسته‌اند. اگر این لایه باز، امن، تحت حاکمیت و آماده استفاده از هوش مصنوعی باشد، توسعه همه قابلیت‌های بالاتر از آن آسان‌تر و کم‌هزینه‌تر خواهد شد.»
آوردن هوش مصنوعی به سراغ داده: رویکردی متفاوت برای استفاده نهادهای دولتی از هوش مصنوعی
در پیاده‌سازی‌های سنتی هوش مصنوعی، اغلب لازم است داده‌ها برای تحلیل و آموزش مدل به پلتفرمی جداگانه منتقل شوند. به گفته جرمی ویلسون از شرکت EDB، این کار می‌تواند چالش‌های بیشتری در زمینه حاکمیت داده، امنیت و انطباق با مقررات ایجاد کند.
رویکرد انتقال مدل به داده، این فرایند را معکوس می‌کند:
گام اول: داده‌های مرتبط با مأموریت سازمان را در همان محلی نگه دارید که از قبل در آن قرار دارند.
گام دوم: سازوکارهای حاکمیت داده، امنیت و کنترل دسترسی را در لایه داده اعمال کنید.
گام سوم: قابلیت‌های هوش مصنوعی، از جمله جست‌وجوی برداری، تولید تقویت‌شده با بازیابی و عامل‌های هوش مصنوعی را در همان محیط کنترل‌شده اجرا کنید.
گام چهارم: بینش‌ها و نتایج حاصل از هوش مصنوعی را ارائه دهید و هم‌زمان کنترل بر داده‌های حساس دولتی را حفظ کنید.
مزایای احتمالی برای نهادهای دولتی:
- کاهش جابه‌جایی داده‌ها
- تقویت حاکمیت داده‌ها
- ساده‌تر شدن فرایندهای نظارت و راهبری داده
- کاهش خطرات امنیتی
- استقرار سریع‌تر قابلیت‌های هوش مصنوعی
ببینید سازمان جنگل‌داری آمریکا چگونه از EDB Postgres AI استفاده می‌کند.