اوراکل با معماری Deep Trust، امنیت و نظارت بر ایجنت‌های هوش مصنوعی را به پایگاه داده آورد

شرکت اوراکل در رویداد Oracle AI World از معماری نوین خود با نام Deep Trust AI رونمایی کردطرحی راهبردی که هدف آن رفع چالش بزرگ سازمان‌ها در جلب اعتماد به چرخه حیات برنامه‌های تولیدشده با هوش مصنوعی و ایجنت‌های خودمختار است. اوراکل به‌جای اتکا به مدل‌ها، ایجنت‌ها یا برنامه‌های مجزا برای پیاده‌سازی سازوکارهای امنیتی و نظارتی، امنیت و اعتماد را مستقیماً در مبدأ، یعنی پایگاه داده پیاده‌سازی کرده است؛ جایی که سیاست‌های سازمانی فارغ از نوع سیستم هوش مصنوعی فعال، به‌طور یکپارچه اعمال می‌شوند.

امروزه هوش مصنوعی می‌تواند کد بنویسد، نرم‌افزار بسازد، داده‌های تجاری را تحلیل کند و حتی به نمایندگی از کارکنان، تصمیم‌ها و اقداماتی را در سازمان انجام دهد. با این حال، با گذار شرکت‌ها از مرحله آزمون و خطای هوش مصنوعی به استقرار ایجنت‌ها برای مدیریت فرایندهای حیاتی کسب‌وکار، پرسشی کلیدی و سرنوشت‌ساز مطرح می‌شود: سازمان‌ها چگونه می‌توانند به آنچه هوش مصنوعی می‌سازد، اطلاعاتی که به آن‌ها دسترسی دارد، تصمیم‌هایی که می‌گیرد و اقداماتی که انجام می‌دهد، اعتماد کنند؟

موسسه پژوهشی گارتنر پیش‌بینی می‌کند تا پایان سال ۲۰۲۶ میلادی، نزدیک به ۴۰ درصد از برنامه‌های سازمانی به ایجنت‌های هوش مصنوعی با وظایف مشخص مجهز خواهند شد؛ آماری که در مقایسه با سهم کمتر از ۵ درصدی سال ۲۰۲۵، جهشی چشمگیر را نشان می‌دهد و ضرورت ایجاد سازوکارهای امنیتی پایدار را دوچندان می‌کند.

معماری چهارلایه‌ای Deep Trust AI اوراکل با گردهم آوردن امنیت، حریم خصوصی داده‌ها، اعمال خودکار قوانین تجاری، دسترسی کنترل‌شده به اطلاعات و توسعه نرم‌افزارهای قابل اعتماد، پایه‌ای مشترک و منسجم را برای محیط‌های سازمانی فراهم می‌آورد.

خوان لوایزا، معاون ارشد فناوری‌های پایگاه داده هوش مصنوعی اوراکل، در جریان کنفرانس Oracle AI World در این خصوص تأکید کرد: «مدل‌های هوش مصنوعی اکنون بهره‌وری و نوآوری شگفت‌انگیزی به‌همراه دارند، اما سازمان‌ها اگر نتوانند به خروجی‌های هوش مصنوعی اعتماد کنند، از این مزایا بی‌بهره خواهند ماند؛ بی‌اعتمادی به هوش مصنوعی بزرگ‌ترین چالشی است که امروز با آن روبه‌رو هستیم.»

نگاهی عمیق به لایه‌های معماری Deep Trust AI اوراکل

معماری Deep Trust AI قابلیت‌های تازه و موجود اوراکل را در چهار لایه از پشته فناوری سازمان‌دهی می‌کند. این چارچوب بر پایه مدل شناخته‌شده «معماری حداکثر پایداری» (Maximum Availability Architecture) اوراکل بنا شده است؛ رویکردی باسابقه برای ایجاد زیرساخت‌هایی با تاب‌آوری بسیار بالا در پردازش‌های حیاتی که پایداری حداکثری، حفظ کامل داده‌ها و زمان بازیابی کمتر از ۳ ثانیه را میسر می‌سازد.

راهبرد اوراکل در مواجهه با هوش مصنوعی این است که نرم‌افزارها و ایجنت‌ها بتوانند سازوکارهای کنترلی پلتفرم را به‌طور خودکار به کار بگیرند تا توسعه‌دهندگان ناچار نباشند این الزامات امنیتی را در هر پروژه از ابتدا کدنویسی کنند. هر یک از این چهار لایه، بخشی از این وظیفه خطیر را بر عهده دارند؛ از ایمن‌سازی زیرساخت گرفته تا نظارت بر تغییرات داده‌ها و ابزارهای توسعه نرم‌افزار.

۱. لایه پلتفرم نرم‌افزاری

لایه بنیادین این معماری، پلتفرم نرم‌افزاری است. سیستم پایگاه داده خودگردان Oracle Autonomous AI Database پیش از انتشار عمومی وصله‌های امنیتی، آن‌ها را به‌طور خودکار روی موتور پایگاه داده، سیستم‌عامل، ذخیره‌سازهای Exadata و سفت‌افزارها اعمال می‌کند. فرایند وصله‌گذاری تدریجی مانع از توقف برنامه‌ها می‌شود و رمزنگاری همیشگی نیز از داده‌ها در حالت سکون و حین انتقال به کامل‌ترین شکل محافظت می‌نماید.

۲. لایه داده

اوراکل مجوزهای مربوط به دسترسی خواندن داده‌ها را از مجوزهای مربوط به ویرایش و تغییر آن‌ها کاملاً تفکیک می‌کند. فناوری Deep Data Security نقشی کلیدی در انتقال وظایف نظارتی هوش مصنوعی از سطح کدهای نرم‌افزاری به درون خود پایگاه داده ایفا می‌نماید.

اوراکل با انتشار هویت رمزنگاری‌شده کاربران نهایی و اعمال دقیق سیاست‌های دسترسی بر داده‌های سازمانی، قوانین امنیتی را در تمام برنامه‌ها و ایجنت‌های هوش مصنوعی به‌طور پیوسته حفظ می‌کند. این ویژگی وابستگی به کدهای تولیدشده توسط هوش مصنوعی را برای پیاده‌سازی بی‌نقص الزامات حریم خصوصی و مجوزهای دسترسی تا حد چشمگیری کاهش می‌دهد.

قابلیت SQL Assertions در اوراکل، تراکنش‌ها را بر اساس قوانین تجاری سازمان اعتبارسنجی می‌کند. مدیران می‌توانند قواعد مورد نظر خود را تعریف کنند و پایگاه داده هرگونه تغییری را که خلاف این قوانین باشد، صرف‌نظر از منبع ارسال آن، بی‌درنگ رد می‌کند. این سازوکار در عملیات بازنویسی داده‌ها، یک سد اعتبارسنجی شفاف و قابل اطمینان به وجود می‌آورد.

۳. لایه دسترسی به داده

لایه دسترسی به داده چگونگی تعامل ایجنت‌ها با این سازوکارهای کنترلی را مشخص می‌کند. رابط‌های برنامه‌نویسی Deep Trust Data APIs به‌جای دسترسی نامحدود به جداول پایگاه داده از طریق SQL، دسترسی کنترل‌شده‌ای برای خواندن و نوشتن روی موجودیت‌های تجاری مانند سفارش‌های خرید ارائه می‌دهند. هم‌زمان، ابزار Deep NL2SQL نیز زمینه داده‌ای و منطق تجاری را به پرس‌وجوهای به زبان طبیعی اضافه می‌کند.

اعتماد به هوش مصنوعی در محیط‌های سازمانی تنها به حفظ امنیت داده‌ها محدود نمی‌شود، بلکه اطمینان از صحت پاسخ‌هایی که سیستم تولید می‌کند را نیز در بر می‌گیرد. ابزارهای تبدیل متن به SQL ممکن است کدهایی کاملاً معتبر از نظر دستوری بسازند، اما پرسش تجاری کاربر را اشتباه متوجه شوند؛ امری که یکی از نقاط ضعف بنیادی در تحلیل‌های مبتنی بر زبان طبیعی به‌شمار می‌رود.

اوراکل با این فرایند، رویکردی نظام‌مند برای افزایش قابلیت اطمینان تحلیل‌های تجاری تولیدشده با هوش مصنوعی در پیش گرفته است. این امکانات کیفیت و یکپارچگی پرس‌وجوها را ارتقا می‌بخشند و از قواعد پایگاه داده در خصوص دسترسی و به‌روزرسانی داده‌ها پاسداری می‌کنند.

۴. لایه توسعه نرم‌افزار

لایه توسعه برنامه‌ها از شیوه‌ای منسجم برای ساخت نرم‌افزار بهره می‌برد. ابزار Oracle APEX AI Application Generator از ایجنت‌های برنامه‌نویسی برای تبدیل توصیفات زبان طبیعی به زبان اعلانی و باز APEXlang استفاده می‌کند. در ادامه، محیط اجرای APEX این تعاریف را به اجرا درمی‌آورد و پایداری، امنیت و مقیاس‌پذیری نرم‌افزار را تضمین می‌کند.

توسعه‌دهندگان می‌توانند از محیط‌هایی چون VS Code یا پلتفرم Oracle APEX و حتی ابزارهایی مانند Codex استفاده کنند. برنامه‌های خروجی روی بستری اجرا می‌شوند که کنترل‌های امنیتی در آن تعبیه شده است؛ در نتیجه برنامه‌نویسان دیگر نیازی به افزودن دستی لایه‌های امنیتی نخواهند داشت.

ابزار ساخت برنامه Oracle APEX الگوی جدیدی برای توسعه نرم‌افزار مبتنی بر هوش مصنوعی ارائه می‌دهد؛ به این صورت که تعیین عملکرد برنامه به هوش مصنوعی سپرده می‌شود، در حالی که شیوه اجرای آن را یک محیط آزموده‌شده و مدیریت‌شده مدیریت می‌کند. در این الگو، ایجنت‌های کدنویسی تنها تعاریف اعلانی برنامه را به زبان APEXlang تولید می‌کنند.

سپس پلتفرم Oracle APEX این تعاریف را در چارچوبی مستحکم به اجرا درمی‌آورد که امنیت، دسترس‌پذیری و مقیاس‌پذیری خود را از پایگاه داده هوش مصنوعی اوراکل به ارث برده است. این جداسازی حجم کدهای اجرایی تولیدشده توسط هوش مصنوعی را که سازمان‌ها ناگزیر به بررسی، اعتبارسنجی و نگهداری مستقل آن‌ها بودند، به حداقل می‌رساند.

چشم‌انداز رقابتی در برابر رقبا

اوراکل وارد بازاری پررقابت برای حاکمیت و نظارت بر ایجنت‌ها شده است. رقبایی چون Snowflake و Databricks کنترل‌های خود را از طریق کاتالوگ‌ها و درگاه‌ها (Gateways) ارائه می‌دهند، اما سیاست‌های خود را با این قدرت در سطح معماری پایه اعمال نمی‌کنند. برای درک تفاوت‌ها، باید دید هر پلتفرم چه قوانینی را در چه نقطه‌ای و روی کدام دسته‌بندی از داده‌ها و پردازش‌ها به اجرا می‌گذارد.

نقطه قوت اوراکل در یکپارچگی عمیق میان هسته پایگاه داده، پلتفرم پردازشی Exadata و محیط اجرای APEX نهفته است. این یکپارچگی به سیستم امکان می‌دهد قوانین را مستقیماً درون موتور تراکنشی داده‌ها به کار بگیرد و تمام نظارت‌ها را در معماری واحدی متمرکز کند. سهم بازار گسترده اوراکل مزیت بزرگی است؛ چراکه شمار زیادی از شرکت‌های بزرگ جهان هم‌اکنون برای مدیریت بارهای کاری حساس خود بر پایگاه داده اوراکل تکیه دارند.

قابلیت اعتبارسنجی SQL برای ایجنت‌هایی که اقدام به نوشتن و ثبت داده می‌کنند، حیاتی‌ترین بخش به‌شمار می‌رود. یک قاعده پایگاه داده می‌تواند هر تغییری را که با منطق تجاری در تضاد است بدون نیاز به اینکه ایجنت هوش مصنوعی دلیل آن را متوجه شود، مسدود کند. هرچند سیاست‌های مبتنی بر کاتالوگ و کنترل‌های درگاهی مفید هستند، اما نمی‌توانند قواعد تجاری را در تراکنش‌های سطح پایین با این اثر‌بخشی مدیریت نمایند.

رویکرد اوراکل فراتر از پایگاه داده رابطه‌ای سنتی گسترش یافته است. این شرکت با پلتفرم Autonomous AI Lakehouse، نظارت یکپارچه، درک منطق تجاری و تحلیل‌های مجهز به هوش مصنوعی را برای داده‌های سازمانی در محیط‌های اوراکل و غیراوراکل، از جمله جداول متن‌باز Apache Iceberg، در دسترس قرار می‌دهد.

پشتیبانی گسترده از Apache Iceberg و معرفی «لایه معنایی تجاری» (Business Semantic Layer) به سازمان‌ها امکان می‌دهد با داده‌های عملیاتی و داده‌های دریاچه داده کار کنند، در حالی که تعاریف تجاری یکدست حفظ شده و جابه‌جایی‌های غیرضروری داده به کمترین میزان می‌رسد. این راهکار اوراکل را در موقعیتی قرار می‌دهد تا در اکوسیستم باز، ابری و چندگانه داده و هوش مصنوعی، رقابت تنگاتنگ‌تری با Snowflake و Databricks داشته باشد.

تحلیل و چشم‌انداز پیش‌رو

اوراکل به‌درستی نیازی حیاتی را در سازمان‌هایی شناسایی کرده است که به ایجنت‌های هوش مصنوعی اجازه تغییر و ثبت سوابق تجاری را می‌دهند. در چنین دنیایی، مفهوم اعتماد باید شامل مرزها و محدودیت‌های شفاف برای تغییرات باشد. توسعه مدل‌های هوشمندتر یا ایجاد حفاظ‌های نرم‌افزاری به‌تنهایی راهگشا نیستند و هرگز نمی‌توانند جایگزین قوانین تجاری شوند که توسط سیستم هسته و پایگاه داده پشتیبانی می‌شوند.

برای شرکت‌هایی که بارهای کاری حساس خود را روی اوراکل اجرا می‌کنند، مزایای این معماری کاملاً ملموس است؛ چراکه قاعده مربوط به حفظ حریم خصوصی یا سقف مجاز پرداخت که در سطح پایگاه داده تعریف شده باشد، به‌طور خودکار روی تمام کاربران نهایی، برنامه‌ها و هر ایجنت تازه‌ای اعمال می‌شود. این رویکرد از دوباره‌کاری در نظارت بر سیستم‌ها جلوگیری می‌کند و مبنایی قابل اتکا در اختیار تیم‌های امنیتی قرار می‌دهد تا مجوزهای لازم برای تغییر داده‌ها را تأیید نمایند.

فرصت بزرگ پیش روی اوراکل، بهره‌گیری از جایگاه قدرتمندش در تراکنش‌های سازمانی برای هدایت و نظارت بر ایجنت‌ها است. آزمون اصلی این است که آیا مشتریان می‌توانند ایجنت‌ها را از مرحله آزمایشی «فقط‌خواندنی» به سطح عملیاتی و اعمال مستقیم تغییرات در داده‌ها، همراه با نظارت دقیق و سنجش‌پذیر برسانند یا خیر.

اوراکل از موقعیتی مناسب برای تبدیل «اعتماد» به ستون فقرات هوش مصنوعی سازمانی برخوردار است. با در اختیار داشتن موتور پایگاه داده، زیرساخت و محیط اجرای نرم‌افزار، این شرکت می‌تواند قوانینی را که هنگام تغییر داده‌ها توسط ایجنت‌ها تعیین‌کننده هستند، مستقیماً اعمال کند. پیشینه طولانی اوراکل در پردازش تراکنش‌های حیاتی سازمانی باعث می‌شود مشتریان بتوانند بلافاصله از این معماری بهره‌برداری کنند.

معماری Deep Trust این فرصت را به اوراکل می‌دهد تا تجارت دیرینه پایگاه داده خود را به مزیتی پایدار تبدیل کرده و مسیر واگذاری ایمن فرایندهای سازمانی به هوش مصنوعی را برای شرکت‌ها هموار سازد.