دستیارهای هوش مصنوعی «کوپایلوت» مایکروسافت — از Microsoft 365 Copilot در برنامه‌های آفیس، تا GitHub Copilot برای برنامه‌نویسی، و Windows Copilot جدید — همه وعده افزایش بهره‌وری با هوش مصنوعی مولد را می‌دهند. اما در حال حاضر، این ابزارها عمدتاً مبتنی بر فضای ابری هستند. آنها به مدل‌های زبان بزرگ که در مراکز داده مایکروسافت اجرا می‌شوند وابسته‌اند تا پاسخ‌ها، پیشنهادهای کد و بینش‌ها را تولید کنند. این موضوع پرسش مهمی را برای بسیاری از مدیران فناوری اطلاعات مطرح می‌کند: آیا می‌توان کوپایلوت را بدون اتصال اینترنت یا وابستگی به فضای ابری استفاده کرد؟

در این بررسی عمیق، وضعیت فعلی وابستگی کوپایلوت به فضای ابری را بررسی خواهیم کرد، گزینه‌های موجود برای استفاده آفلاین یا در محل (on-premises) را بررسی می‌کنیم و نحوه تکامل کوپایلوت توسط مایکروسافت برای سناریوهای ترکیبی را می‌نگریم. هر یک از نسخه‌های کوپایلوت — Microsoft 365، GitHub و Windows — را بررسی می‌کنیم و استراتژی‌های سازمانی برای محیط‌هایی با اتصال محدود را مطرح خواهیم کرد. همچنین نقشه راه مایکروسافت و راه‌حل‌های نوظهوری که هدفشان گسترش دسترسی کوپایلوت فراتر از فضای ابری است را برجسته خواهیم نمود.

ماهیت مبتنی بر فضای ابری مایکروسافت کوپایلوت در حال حاضر

تمام خدمات فعلی مایکروسافت کوپایلوت عمدتاً به عنوان دستیارهای هوش مصنوعی مبتنی بر فضای ابری اجرا می‌شوند، به این معنی که پردازش‌های سنگین هوش مصنوعی روی سرورهای راه دور انجام می‌شود. بیایید به طور خلاصه مرور کنیم هر کوپایلوت چگونه کار می‌کند و چرا معمولاً نیاز به اتصال فعال اینترنت دارد:

• Microsoft 365 Copilot – دستیار هوش مصنوعی برای برنامه‌هایی مانند ورد، اکسل، پاورپوینت، اوت‌لوک، تیمز و غیره که از OpenAI GPT-4 (میزبانی شده در Azure) به همراه داده‌های Microsoft Graph برای تولید محتوا و پاسخ‌ها استفاده می‌کند. این سرویس فقط به عنوان بخشی از خدمات ابری مایکروسافت در دسترس است. Microsoft 365 Copilot به صراحت مبتنی بر ابر است و هیچ اجرای محلی یا آفلاینی ندارد. در واقع، مستندات مایکروسافت به صراحت بیان می‌کند: «Microsoft 365 Copilot مبتنی بر فضای ابری است و به صندوق‌های پستی محلی دسترسی ندارد.» اگر داده‌های کاربر (مانند صندوق پستی Exchange) به صورت محلی ذخیره شده باشد و نه در Exchange Online، کوپایلوت به آن دسترسی ندارد. تمام پردازش‌ها در فضای ابری Microsoft 365 انجام می‌شود، پس بدون اتصال اینترنت به این فضا، کوپایلوت نمی‌تواند کار کند. کارشناسان صنعت نیز هشدار داده‌اند: «انتظار نداشته باشید کوپایلوت به صورت آفلاین کار کند… کوپایلوت بدون دسترسی به خدمات Azure کار نمی‌کند.» به عبارت دیگر، بدون اینترنت، کوپایلوت در آفیس کار نمی‌کند.

• GitHub Copilot – برنامه‌نویس همراه هوش مصنوعی که درون محیط توسعه شما پیشنهاد کد می‌دهد. GitHub Copilot به مدل‌های OpenAI Codex/GPT که توسط GitHub (شرکت تابعه مایکروسافت) میزبانی می‌شوند، وابسته است. ویرایشگر کد شما زمینه کد را به سرویس کوپایلوت در ابر می‌فرستد و پیشنهادهای تولید شده توسط هوش مصنوعی را دریافت می‌کند. این یعنی GitHub Copilot هنگام ارائه پیشنهادات به اتصال اینترنت فعال نیاز دارد و حالت آفلاین ندارد. انجمن‌های پشتیبانی GitHub تأیید می‌کنند: «کوپایلوت برای دریافت پیشنهادات به اینترنت نیاز دارد چون پردازش در سمت GitHub انجام می‌شود.» وقتی درباره نسخه محلی برای شرکت‌ها سؤال شد، پاسخ کوتاه بود: «هیچ برنامه‌ای برای نسخه محلی کوپایلوت وجود ندارد.» بنابراین امروز، چه شما یک توسعه‌دهنده تنها باشید یا سازمانی که از Copilot for Business استفاده می‌کند، تکمیل کدها از طریق سرویس ابری انجام می‌شود (با تدابیر امنیتی مناسب برای حفظ حریم کد شما در نسخه تجاری). اگر توسعه‌دهندگان شما کاملاً آفلاین باشند یا در شبکه‌ای محدود با بدون اینترنت کار کنند، GitHub Copilot کار نخواهد کرد.

• Windows Copilot – که در ویندوز 11 (سال 2023) به عنوان دستیار هوش مصنوعی داخلی معرفی شد، در اصل یک رابط کاربری برای Bing Chat (GPT-4) درون ویندوز است. در نسخه اولیه، قابلیت‌های Windows Copilot (پاسخ به سوالات، خلاصه‌سازی محتوا، کنترل تنظیمات) همه مبتنی بر فضای ابری – به‌خصوص هوش مصنوعی بینگ – بودند و نیازمند دسترسی به اینترنت بودند. کاربران اولیه گفتند که Windows Copilot اساساً «یک سرویس آنلاین الحاق شده به ویندوز» است — اگر آفلاین باشید، هیچ کاری انجام نمی‌دهد. حتی کارهای ساده مانند درخواست خلاصه یک سند یا نوشتن پیش‌نویس ایمیل نیاز به هوش مصنوعی ابری داشت. این وضعیت چه روی کامپیوتر جدید مجهز به هوش مصنوعی و چه روی دستگاه 10 ساله برقرار بود — بدون اینترنت، کوپایلوت در دسترس نبود. به طور خلاصه، نسخه اول Windows Copilot، کامپیوتر را فقط به عنوان یک رابط برای هوش مصنوعی ابری در نظر می‌گرفت.

چرا وابستگی به فضای ابری؟

وجه مشترک این است که این تجربه‌های کوپایلوت از مدل‌های زبانی بزرگ (LLM) استفاده می‌کنند که بسیار حجیم هستند و تا همین اواخر قابل اجرا روی سخت‌افزار محلی معمولی نبودند. Microsoft 365 Copilot از GPT-4 استفاده می‌کند؛ GitHub Copilot از Codex و مدل‌های جدید مبتنی بر GPT-4 برای چت بهره می‌برد؛ Bing/Windows Copilot نیز GPT-4 را به کار می‌گیرد. این مدل‌ها میلیاردها پارامتر دارند و به کارت‌های گرافیک قدرتمند نیازمندند — بنابراین در فضای ابری Azure میزبانی می‌شوند. اجرای این مدل‌ها در ابر همچنین اجازه می‌دهد کوپایلوت با داده‌های ابری (مانند اسناد، ایمیل‌ها یا مخازن کد عمومی Microsoft 365 شما) یکپارچه شده و کنترل‌های امنیتی سازمانی به صورت مرکزی اعمال شوند.

با این حال، وابستگی به فضای ابری چالش‌هایی ایجاد می‌کند. بیایید بررسی کنیم چرا بسیاری از سازمان‌ها خواستار قابلیت‌های کوپایلوت آفلاین یا در محل هستند و گزینه‌های فعلی چیست.

چرا سازمان‌ها خواهان استفاده از کوپایلوت بدون فضای ابری هستند

برای تصمیم‌گیرندگان فناوری اطلاعات، ماهیت مبتنی بر فضای ابری کوپایلوت نکات مهمی را درباره اتصال، حریم خصوصی و تطابق با مقررات مطرح می‌کند. برخی شرایطی که در آن استفاده از کوپایلوت وابسته به ابر ایده‌آل نیست عبارت‌اند از:

محیط‌های با اتصال محدود یا بدون اتصال

بسیاری از صنایع کاربران خود را در مکان‌های دورافتاده یا منزوی دارند – مانند سکوهای نفتی، معادن، کشتی‌های در دریا، ایستگاه‌های پژوهشی میدانی، کلینیک‌های درمانی روستایی یا استقرارهای نظامی. در این موارد، اتصال اینترنت قابل اطمینان تضمین شده نیست. مهندسی روی یک کشتی باری یا سربازی در پایگاه عملیاتی جلو ممکن است از دستیار هوش مصنوعی بهره زیادی ببرد، اما اگر این دستیار نیازمند اتصال همیشگی به اینترنت باشد، کاربردی نیست. این کاربران خواهان ابزارهای هوش مصنوعی هستند که بتوانند به صورت آفلاین یا با اتصال ناپایدار کار کنند.

امنیت داده‌ها و تطابق سختگیرانه

بخش‌هایی با قوانین سختگیرانه (دولت، دفاع، مالی، بهداشت) اغلب سیاست‌هایی دارند که انتقال داده‌های حساس از طریق اینترنت عمومی را ممنوع می‌کنند. حتی اگر فضای ابری مایکروسافت امن باشد، این که داده‌ها یا ورودی‌های کاربر از محیط داخلی خارج شود، می‌تواند قوانین را نقض کند. برای مثال، یک سازمان دولتی ممکن است ایده خلاصه‌سازی گزارش محرمانه توسط کوپایلوت را دوست داشته باشد، اما اگر استفاده از آن به معنای ارسال متن گزارش به فضای ابری باشد، ممکن است خلاف پروتکل‌های امنیتی باشد. چنین سازمان‌هایی به دنبال راهکارهای هوش مصنوعی محلی یا ابری خصوصی هستند که داده‌ها همیشه در محیط کنترل‌شده خودشان باقی بماند.

تاخیر و قابلیت اطمینان

وابستگی به خدمات ابری یعنی کاربران در برابر تأخیر اینترنتی و قطعی‌ها آسیب‌پذیرند. اگر اتصال کند باشد یا قطع شود، کوپایلوت کند یا غیرفعال می‌شود. در فرآیندهای حیاتی، این ناپایداری مشکل‌ساز است. کوپایلوتی که توانایی کار آفلاین داشته باشد می‌تواند تداوم کار را تضمین کند – دستیار هوش مصنوعی حتی زمانی که شبکه قطع می‌شود در دسترس باشد. این موضوع مربوط به تاب‌آوری است: تصور کنید در شرایط اضطراری مانند بلایای طبیعی که اینترنت قطع است، دستیار هوش مصنوعی بتواند داده‌ها را به صورت محلی تحلیل کند و کمک‌رسانی کند.

هزینه و پهنای باند

ارسال مداوم داده‌ها برای پردازش هوش مصنوعی به فضای ابری می‌تواند پهنای باند زیادی مصرف کند و ممکن است هزینه‌بر باشد (اگرچه خود کوپایلوت به صورت مجوز بر اساس کاربر عرضه می‌شود). در شعب دورافتاده با ارتباطات محدود یا کم‌پهنای باند، کاهش ترافیک ابری مطلوب است. مدل هوش مصنوعی محلی می‌تواند بار پهنای باند را کاهش دهد.

نگرش نسبت به حریم خصوصی

فراتر از امنیت واقعی، برخی سازمان‌ها به دلایل فرهنگی یا خواست مشتریان نیاز دارند که داده‌ها را در محل نگه دارند. ممکن است به فضای ابری مایکروسافت اعتماد داشته باشند، اما ترجیح می‌دهند به ذی‌نفعان بگویند «هوش مصنوعی به صورت محلی اجرا می‌شود و داده‌های شما هیچ‌گاه از مرکز ما خارج نمی‌شود.» این موضوع برای مشتریان یا شهروندان تضمین می‌کند که اطلاعات حساس حتی موقتاً وارد سیستم خارجی نمی‌شود.

ارزش داده‌های اختصاصی

Microsoft 365 Copilot و GitHub Copilot به گونه‌ای طراحی شده‌اند که داده‌های شما برای آموزش مدل‌های پایه استفاده نمی‌شود (داده‌های سازمانی فقط به مستاجر شما اختصاص دارد) – مایکروسافت این موضوع را به وضوح اعلام کرده است. با این حال، سازمان‌های بسیار حساس ممکن است نگران هرگونه افشا باشند. داشتن یک هوش مصنوعی که بتواند درون فایروال سازمان مستقر شود – و حتی بدون دسترسی به اینترنت – کنترل کامل را به آنها می‌دهد. همچنین این امکان را فراهم می‌کند که هوش مصنوعی را به طور عمیق روی داده‌های اختصاصی خود شخصی‌سازی کنند بدون اینکه داده‌ها به بیرون ارسال شوند.

با توجه به این دلایل، تعجبی ندارد که بلافاصله پس از معرفی کوپایلوت، مشتریان شروع به پرسش کردند: «آیا نسخه محلی یا آفلاین وجود خواهد داشت؟» در ادامه، هر یک از نسخه‌های کوپایلوت را بررسی می‌کنیم و می‌گوییم چه کاری می‌توان یا نمی‌توان به صورت غیرابری انجام داد.

مایکروسافت ۳۶۵ کوپایلوت – امروز فقط ابری، دسترسی هیبریدی به داده‌ها ممکن است

مایکروسافت ۳۶۵ کوپایلوت دستیار هوش مصنوعی است که در برنامه‌های آفیس مانند ورد، اکسل، پاورپوینت، اوت‌لوک، تیمز و دیگران ادغام شده است. این دستیار می‌تواند اسناد را پیش‌نویس کند، اسلاید بسازد، ایمیل‌ها یا چت‌ها را خلاصه کند، داده‌های اکسل را تحلیل کند و به سوالات پاسخ دهد – همه این‌ها با استفاده از داده‌های سازمان شما در مایکروسافت ۳۶۵ (مانند شیرپوینت، وان‌درایو، اکسچنج آنلاین و غیره) به علاوه هوش GPT-4 انجام می‌شود. به طور پیش‌فرض، این سرویس در فضای ابری مایکروسافت (در سرویس Azure OpenAI و در محیط مایکروسافت ۳۶۵) اجرا می‌شود.

در حال حاضر، امکان اجرای بخش‌های مدل زبانی بزرگ (LLM) مایکروسافت ۳۶۵ کوپایلوت به صورت محلی یا آفلاین وجود ندارد – برای استفاده از آن باید به فضای ابری مایکروسافت ۳۶۵ متصل باشید. حتی داده‌هایی که کوپایلوت استفاده می‌کند معمولاً در فضای ابری قرار دارند (مثلاً صندوق پستی اکسچنج آنلاین یا فایل‌های شیرپوینت آنلاین شما). اگر به این‌ها متصل نباشید، کوپایلوت داده‌ای برای کار کردن ندارد. همان‌طور که قبلاً اشاره شد، مستندات مایکروسافت کاملاً صریح است: «مایکروسافت ۳۶۵ کوپایلوت مبتنی بر فضای ابری است.» این سرویس نمی‌تواند به سیستم‌های محلی که به ابر متصل نیستند دسترسی داشته باشد.

مثلاً ایمیل را در نظر بگیرید. اگر صندوق پستی کاربر در اکسچنج آنلاین باشد، کوپایلوت می‌تواند ایمیل‌هایی را که کاربر به آن‌ها دسترسی دارد بخواند، خلاصه کند یا پاسخ دهد. اما اگر صندوق پستی کاربر روی سرور اکسچنج محلی باشد که به مایکروسافت ۳۶۵ متصل نیست، کوپایلوت نمی‌تواند آن ایمیل‌ها را در تحلیل خود لحاظ کند. در تنظیمات هیبریدی ایمیل، مایکروسافت می‌گوید کوپایلوت فقط با محتوای ابری کار می‌کند و «استفاده از صندوق پستی محلی برای تحلیل ایمیل پشتیبانی نمی‌شود.» یعنی در عمل کوپایلوت ممکن است به سوالات عمومی پاسخ دهد یا از فایل‌های شیرپوینت آنلاین استفاده کند، اما ایمیل‌ها یا تقویم محلی شما را نادیده می‌گیرد.

عدم وجود حالت آفلاین

اگر کاربر آفلاین باشد (مثلاً روی لپ‌تاپی بدون اینترنت کار کند) ویژگی‌های کوپایلوت در برنامه‌های آفیس حتی ظاهر نمی‌شوند یا کار نمی‌کنند. تونی رد موند از Practical 365 به خوبی این موضوع را خلاصه کرده است: کوپایلوت آفلاین کار نمی‌کند… نیاز به دسترسی سریع به سرویس‌های ابری و داده‌های گراف دارد. حتی اگر کپی‌های محلی اسناد را از طریق همگام‌سازی وان‌درایو داشته باشید، پردازش هوش مصنوعی همچنان در Azure انجام می‌شود – پس بدون اتصال، کوپایلوت نمی‌تواند «فکر کند». در این حالت آیکون کوپایلوت در برنامه‌ها ممکن است خاکستری و غیر فعال نمایش داده شود.

دسترسی هیبریدی به داده‌ها از طریق گراف کانکتورها

اگرچه نمی‌توانید مدل LLM کوپایلوت را به صورت محلی اجرا کنید، اما مایکروسافت ۳۶۵ راهی برای اضافه کردن برخی داده‌های محلی به دامنه دسترسی کوپایلوت ارائه می‌دهد: گراف کانکتورها. گراف کانکتورها به سازمان‌ها اجازه می‌دهند منابع داده خارجی (مثل اشتراک فایل‌های محلی، شیرپوینت محلی، سرویس‌های شخص ثالث و غیره) را در نمایه جستجوی مایکروسافت ۳۶۵ ایندکس کنند. وقتی این داده‌ها در فضای ابری ایندکس شدند، بخشی از محتوایی می‌شوند که کوپایلوت می‌تواند هنگام پاسخ به سوالات به آن‌ها دسترسی داشته باشد (چون کوپایلوت برای بازیابی محتوا از مایکروسافت سرچ/گراف استفاده می‌کند). مثلاً اگر فایل‌هایی روی یک سرور فایل محلی دارید، می‌توانید از گراف کانکتور Windows File Share استفاده کنید تا آن فایل‌ها در مایکروسافت ۳۶۵ ایندکس شوند. سپس وقتی کاربری سوالی می‌پرسد، کوپایلوت می‌تواند جواب خود را بر اساس آن فایل‌های محلی که حالا در نمایه ابری ثبت شده‌اند، «مبنا» کند.

این راهکار آفلاین نیست – چون عملاً متادیتا (و در صورت انتخاب، محتوا) به نمایه ابری منتقل می‌شود – اما راهی است برای وصل کردن داده‌های محلی به کوپایلوت ابری. یک مدیر در انجمن مایکروسافت پرسید آیا کوپایلوت می‌تواند داده‌های اشتراک فایل محلی را شامل شود و نماینده مایکروسافت تایید کرد: بله – یک گراف کانکتور از مایکروسافت ۳۶۵ به اشتراک فایل محلی خود بسازید. نتیجه یک سناریوی هیبریدی است: داده‌ها به صورت اصلی روی محل ذخیره می‌مانند اما یک نسخه قابل جستجو در مایکروسافت ۳۶۵ وجود دارد که کوپایلوت می‌تواند از آن استفاده کند. البته تنظیم گراف کانکتورها نیازمند برنامه‌ریزی (برای ایندکس جستجو و کنترل دسترسی) است و داده‌ها به نمایه ابری مایکروسافت ۳۶۵ ارسال می‌شوند که ممکن است برخی سازمان‌های فوق حساس آن را نپذیرند. اما برای بسیاری، این یک راه‌حل عملی برای دید دادن کوپایلوت به محتوای محلی بدون مهاجرت کامل داده‌هاست.

امنیت و محل نگهداری داده‌ها

مایکروسافت تلاش کرده نگرانی‌های امنیت ابری کوپایلوت را کاهش دهد. به ویژه، کوپایلوت سازمانی داده‌های خصوصی شما را برای آموزش مدل‌های عمومی استفاده نمی‌کند – داده‌ها و ورودی‌های مستاجر شما ایزوله هستند. مایکروسافت ۳۶۵ کوپایلوت روی Azure OpenAI و در محدوده کنترل شده مایکروسافت اجرا می‌شود، نه روی API عمومی OpenAI. مایکروسافت اعلام کرده که ورودی‌ها، داده‌های بازیابی شده و پاسخ‌ها همه در محدوده مستاجر مایکروسافت ۳۶۵ شما باقی می‌مانند. هرگونه کشینگ موقتی است و فقط برای همان جلسه استفاده می‌شود. همچنین اگر نخواهید کوپایلوت داده‌ای را به افزونه‌های خارجی یا حتی بینگ برای جستجوی وب بفرستد، می‌توانید این را کنترل کنید (مثلاً اگر افزونه جستجوی وب فعال باشد، کوپایلوت گاهی از API جستجوی بینگ برای جواب‌های بهتر استفاده می‌کند – مدیران می‌توانند این را غیرفعال کنند). اساساً، مایکروسافت می‌خواهد مشتریان حساس به فضای ابری احساس اطمینان کنند که کوپایلوت در مایکروسافت ۳۶۵ از نظر حریم خصوصی برای سازمان‌ها آماده است.

با این حال، برای برخی سازمان‌ها این کافی نیست – به دلیل سیاست‌ها یا فقدان اتصال، آن‌ها نمی‌توانند از خدمات ابری استفاده کنند، هرچقدر هم امن باشد. برای این گروه، سوال این است: آیا مایکروسافت ۳۶۵ کوپایلوت روزی به صورت محلی یا در دیتاسنتر خصوصی اجرا خواهد شد؟

چشم‌انداز آینده

مایکروسافت اشاره کرده که ممکن است در آینده، حداقل در برخی شرایط، از پردازش محلی برای کوپایلوت استفاده کند. در سال ۲۰۲۴، مایکروسافت از Copilot+ PCs رونمایی کرد (که در بخش ویندوز به آن خواهیم پرداخت) – دستگاه‌های ویندوزی بهینه شده برای هوش مصنوعی با واحدهای پردازش عصبی (NPU) که برخی وظایف هوش مصنوعی را محلی اجرا می‌کنند. گزارش‌ها نشان داده‌اند که «مایکروسافت ۳۶۵ کوپایلوت به زودی قادر خواهد بود از NPU روی دستگاه‌های Copilot+ برای اجرای مدل‌های هوش مصنوعی به صورت محلی استفاده کند.»

این یعنی اگر مثلاً شما در ورد روی یک کامپیوتر Copilot+ کار کنید، برخی عملکردهای کوپایلوت ممکن است بدون نیاز به ارسال داده به فضای ابری روی دستگاه اجرا شوند. مثلاً پیشنهادهای سریع گرامری یا سبک نگارش یا خلاصه‌سازی‌های ساده ممکن است توسط یک مدل کوچکتر محلی انجام شود. جزئیات هنوز در حال شکل‌گیری است، اما این نشانه قوی است که مایکروسافت در حال بررسی معماری‌های هیبریدی برای کوپایلوت است: کارهای سنگین‌تر همچنان روی GPT-4 ابری اجرا می‌شود، اما مدل‌های کمکی AI (مثلاً برای ایندکس کردن محتوای محلی یا درک بخشی از سند) ممکن است روی سخت‌افزار توانمند محلی انجام شود.

GitHub Copilot – دستیار کدنویسی هوش مصنوعی (و محدودیت‌های آن در محیط‌های محدود)

GitHub Copilot به ابزاری محبوب در میان توسعه‌دهندگان تبدیل شده است که پیشنهادهای کدنویسی تولید شده توسط هوش مصنوعی و حتی چت به زبان طبیعی برای کدنویسی را ارائه می‌دهد. این ابزار به صورت افزونه در VS Code، Visual Studio، JetBrains IDEها و غیره در دسترس است. برای شرکت‌ها، نسخه GitHub Copilot for Business وجود دارد که حریم خصوصی بهتری دارد (مانند عدم ذخیره قطعات کد، امکان مسدودسازی اختیاری اسرار و غیره). با وجود تفاوت‌های مجوزی، معماری فنی اصلی GitHub Copilot برای همه کاربران یکسان است: این ابزار وابسته به هوش مصنوعی مبتنی بر ابر GitHub است. مدل (که از OpenAI Codex منشعب شده و اکنون با GPT-4 برای برخی ویژگی‌ها بهبود یافته) روی سرورها اجرا می‌شود؛ افزونه IDE کد زمینه را به سرور می‌فرستد و پیشنهادهای هوش مصنوعی را دریافت می‌کند.

این یعنی GitHub Copilot به‌صورت بومی روی کامپیوتر یا سرور شما اجرا نمی‌شود؛ اتصال به سرویس GitHub ضروری است. اگر دستگاه توسعه شما آفلاین باشد یا دسترسی به اینترنت نداشته باشد، Copilot هیچ خروجی‌ای تولید نخواهد کرد. به‌صورت عملی، افزونه در این شرایط خطا نشان می‌دهد یا هیچ پیشنهادی ارائه نمی‌دهد. تیم GitHub در این زمینه کاملاً شفاف بوده است. در پرسش و پاسخ‌های جامعه کاربران، وقتی سؤال شد که آیا نسخه آفلاینی برای شرکت‌هایی که دسترسی به اینترنت ندارند ارائه خواهد شد، پاسخ رسمی (در سال ۲۰۲۲) این بود: «Copilot به اتصال اینترنت نیاز دارد… پردازش در سمت GitHub انجام می‌شود» و هیچ برنامه‌ای برای ارائه نسخه روی‌محلی وجود ندارد. این موضوع تا سال ۲۰۲۵ همچنان پابرجاست – GitHub Copilot یک سرویس ابری است.

برای بسیاری از شرکت‌ها، این وابستگی به ابر قابل قبول است چون GitHub اقدامات امنیتی متعددی برای سازمان‌ها فراهم کرده است: نسخه تجاری Copilot تضمین می‌کند که «داده‌های ورودی و پیشنهادها ذخیره نمی‌شوند یا برای آموزش مدل استفاده نمی‌شوند»، و امکان محدود کردن دسترسی Copilot به مخازن یا نوع فایل‌های خاص وجود دارد. اساساً، کد اختصاصی شما وارد مجموعه‌ای عمومی نمی‌شود؛ بلکه به‌صورت آنی پردازش شده و فراموش می‌شود. این موضوع برخی نگرانی‌های مالکیت معنوی را برطرف می‌کند. اما از منظر شبکه، توسعه‌دهندگان هنوز باید به اینترنت متصل باشند. سازمان‌هایی که محیط‌های توسعه‌ای ایزوله دارند (معمولاً در دفاع، بخش مالی یا زیرساخت‌های حیاتی) این موضوع را مانع می‌دانند. به‌عنوان مثال، یک بانک که توسعه نرم‌افزار را در شبکه‌ای بسیار محدود و بدون دسترسی به GitHub انجام می‌دهد، نمی‌تواند به توسعه‌دهندگان اجازه استفاده از Copilot را بدهد، هرچند مفید باشد، چون سرویس را نمی‌تواند فراخوانی کند.

راهکارهای شبکه‌ای سازمانی

اگر مشکل اینترنت نیست بلکه امنیت داده‌ها در حین انتقال است، یک راهکار استفاده از کنترل‌های شبکه برای محدود کردن دسترسی Copilot فقط به نقاط پایانی ضروری است. مثلاً یک سازمان می‌تواند اجازه دهد دستگاه‌های توسعه‌دهنده فقط به APIهای Copilot در GitHub متصل شوند (از طریق قوانین فایروال یا پراکسی‌ها) و دسترسی به اینترنت عمومی مسدود شود. ترافیک به Copilot رمزنگاری شده است (TLS)، و در نسخه تجاری اطمینان‌هایی در مورد نحوه مدیریت داده‌ها وجود دارد. این تنظیمات هنوز نیازمند اتصال اینترنت است ولی بسیار محدود شده است. این روش ریسک را کاهش می‌دهد: کد فقط به ابر GitHub می‌رود و جای دیگر نمی‌رود. برخی شرکت‌ها این ترافیک را از طریق VPN یا لینک خصوصی نیز عبور می‌دهند. اگر تنظیم شود، می‌توان از طریق ExpressRoute یا شبکه خصوصی دیگر به Azure و GitHub دسترسی داشت که سرویس ابری را به‌نوعی به شبکه سازمان وصل می‌کند. (الگوهایی مشابه این را در سرویس‌های Azure با Private Link دیده‌ایم.) اگرچه این روش Copilot را آفلاین نمی‌کند، اما دسترسی به اینترنت عمومی را حذف می‌کند.

جایگزین‌های روی‌محلی برای هوش مصنوعی کدنویسی

با توجه به اینکه برخی شرکت‌ها استفاده از سرویس ابری برای تولید کد را نمی‌پذیرند، چند فروشنده شخص ثالث شروع به ارائه ابزارهای شبیه Copilot کرده‌اند که می‌توانند روی‌محلی اجرا شوند. مثلاً Codeium (یک دستیار کدنویسی هوش مصنوعی جایگزین) نسخه سازمانی روی‌محلی دارد که در محیط مشتری نصب می‌شود و «هیچ داده یا تله‌متری‌ای خارج نمی‌شود». این عملاً مدلی خودمیزبان برای کد است. اما این جایگزین‌ها معمولاً از مدل‌های هوش مصنوعی متفاوتی استفاده می‌کنند (اغلب متن‌باز مانند CodeGen، SantaCoder یا مشتقات LLaMA) که ممکن است به قدرت کامل مدل‌های جدید OpenAI نرسند. جذابیت این است که می‌توان آن‌ها را روی سرورهای GPU سازمان اجرا کرد، واقعاً آفلاین و پشت فایروال. شرکت‌های بزرگ با سیاست‌های سختگیرانه ممکن است این گزینه‌ها را بررسی کنند اگر Copilot رسمی برایشان مجاز نباشد.

گزینه دیگر استفاده از سرویس Azure OpenAI است تا «Copilot» سفارشی بسازید. Azure OpenAI APIهایی برای مدل‌های OpenAI (Codex، GPT-3.5، GPT-4) با پوشش سازمانی Azure فراهم می‌کند. اگرچه Azure OpenAI هم سرویس ابری است، می‌توانید سرویس وب کوچکی در داخل سازمان راه‌اندازی کنید که مدل کدنویسی Azure OpenAI را برای توسعه‌دهندگان فراخوانی کند. این باعث می‌شود همه جریان‌های کد در محدوده Azure کنترل‌شده شما بماند. همچنین می‌توانید از Private Endpoints استفاده کنید تا درخواست‌ها از اینترنت عمومی عبور نکنند و از طریق شبکه خصوصی بروند. به‌عبارت دیگر، همچنان ابری است ولی شبیه توسعه ابری خصوصی در مرکز داده شما رفتار می‌کند (مثلاً با ExpressRoute به Azure). IDEهای توسعه‌دهندگان می‌توانند به این سرویس داخلی اشاره کنند. این روش نیازمند کار سفارشی زیاد است (در مقایسه با ادغام plug-and-play GitHub Copilot در VS Code)، اما برای برخی سازمان‌ها راه‌حلی قابل قبول است: کمک هوش مصنوعی مشابه اما با کنترل شبکه بیشتر و احتمالاً نظارت بهتر روی ورودی‌ها و خروجی‌ها.

محدودیت‌های فعلی

در نهایت، اگر «بدون ابر» یعنی واقعاً بدون هیچ ابری، پس GitHub Copilot فعلاً قابل استفاده نیست. توسعه‌دهندگان در شبکه‌های کاملاً ایزوله نمی‌توانند از آن استفاده کنند. آن‌ها باید به ابزارهای تحلیل استاتیک یا نسخه‌های قدیمی‌تر هوش مصنوعی محلی تکیه کنند (برخی IDEها پیشنهادات کد ساده مبتنی بر یادگیری ماشین محلی دارند ولی هیچ کدام به توان Copilot نمی‌رسند). برخی سازمان‌ها امیدوارند مایکروسافت/گیت‌هاب روزی نسخه‌ای خودمیزبان از Copilot یا مدلی که روی Azure Stack (ابر روی‌محلی مایکروسافت) اجرا شود ارائه دهد. تاکنون برنامه رسمی برای این موضوع منتشر نشده است – فرض بر این است که سرعت پیشرفت مدل‌ها و وابستگی به پلتفرم ابری GitHub ساخت نسخه روی‌محلی را دشوار کرده است.

اما تقاضا واضح است – به‌ویژه با استاندارد شدن دستیارهای برنامه‌نویسی هوش مصنوعی. مایکروسافت ممکن است به جای آن، با سیاست‌گذاری به سازمان‌ها اطمینان بدهد، مثلاً در آینده امکان اجرای GitHub Copilot به‌طور کامل در Azure OpenAI داخل سازمان را فراهم کند (به طوری که حتی استنتاج مدل در یک نمونه Azure تحت کنترل مشتری باشد). این موضوع به برخی اطمینان می‌دهد که این «ابر خودشان» است نه سرویس چندمستاجری GitHub. باید منتظر ماند و دید. تا آن زمان، اگر استفاده آفلاین از مدل‌های کدنویسی بزرگ لازم باشد، باید به گزینه‌های متن‌باز یا شخص ثالث مراجعه کرد و کیفیت کمتر نسبت به GitHub Copilot را پذیرفت.

ویندوز کوپایلوت – به سمت یک مدل هوش مصنوعی ترکیبی (محلی + ابری)

ویندوز کوپایلوت، دستیار هوش مصنوعی معرفی‌شده در ویندوز 11، با هدف کمک به انجام هم درخواست‌های وبی/هوشمند و هم کارهای خاص کامپیوتر (مثل تنظیمات یا خلاصه‌سازی محتوای صفحه) ساخته شده است. در ابتدا، این دستیار کاملاً مبتنی بر فضای ابری و هوش مصنوعی کلاد (OpenAI GPT-4 از طریق بینگ) بود، اما مایکروسافت به سرعت به سمت مدل ترکیبی حرکت کرد که از قدرت سخت‌افزار محلی کامپیوترها استفاده می‌کند.

در ژوئن ۲۰۲۴، مایکروسافت با معرفی «کامپیوترهای Copilot+» که دارای واحدهای پردازش عصبی (NPU) قوی و «Windows Copilot Runtime» هستند، این تحول را عملی کرد. این کامپیوترها (مانند برخی سرفیس‌ها با پردازنده کوالکام اسنپ‌دراگون و نسل جدید اینتل با NPU) قابلیت اجرای بیش از ۴۰ مدل هوش مصنوعی به صورت محلی روی دستگاه را دارند. این یعنی بسیاری از قابلیت‌های هوش مصنوعی بدون نیاز به اینترنت و فضای ابری انجام می‌شود.

کارهایی که مدل‌های محلی انجام می‌دهند شامل موارد زیر است:

• جستجوی معنایی شخصی (Recall): نمایه‌سازی و جستجوی همه فعالیت‌ها، فایل‌ها و عکس‌های شما به صورت محلی و بدون نیاز به اینترنت.

• تولید و ویرایش تصویر: ایجاد تصاویر و ویرایش آن‌ها با مدل‌های محلی در زمان واقعی، بدون نیاز به ارسال داده به فضای ابری.

• رونویسی و ترجمه صوتی در لحظه: تبدیل گفتار به متن و ترجمه به صورت محلی.

• شناخت تصویر و زمینه: توانایی فهم محتویات صفحه یا اپ‌ها به صورت محلی برای کمک به کاربر.

این قابلیت‌ها به حفظ حریم خصوصی کمک می‌کنند چون داده‌های شخصی هیچ‌گاه به سرورهای ابری ارسال نمی‌شوند و حتی در صورت قطع اینترنت نیز کار می‌کنند.

با این حال، برخی درخواست‌ها مثل نوشتن ایمیل‌های طولانی یا کد پیچیده هنوز به مدل‌های ابری متکی هستند. مدل‌های محلی بیشتر برای وظایف سریع و محدود مناسب‌اند، ولی برای پردازش‌های سنگین و تعاملی، پردازش ابری لازم است.

از دیدگاه شرکت‌ها، این مدل ترکیبی به کاربران امکان می‌دهد حتی در محیط‌های با اتصال محدود هم از برخی قابلیت‌های Copilot بهره ببرند و در صورت اتصال به اینترنت، بخش‌های پیچیده‌تر به فضای ابری ارجاع داده می‌شود. همچنین مایکروسافت ابزارهایی برای توسعه‌دهندگان فراهم کرده تا بتوانند مدل‌های هوش مصنوعی را به صورت محلی در اپلیکیشن‌های خود اجرا کنند.

در نهایت، ویندوز کوپایلوت نمونه‌ای از استراتژی مایکروسافت برای ترکیب هوش مصنوعی ابری و محلی است که امکان ادامه کار در شرایط آفلاین را فراهم می‌کند و به مرور با پیشرفت سخت‌افزار، این رویکرد بیشتر همه‌گیر خواهد شد.

اجرای کوپایلوت شخصی: استقرار مدل‌های زبانی بزرگ (LLM) محلی و گزینه‌های سازمانی

اگر سازمانی نتواند از نسخه‌های ابری کوپایلوت استفاده کند، یکی از گزینه‌ها این است که مدل‌های زبانی بزرگ (LLM) را به صورت محلی یا در محیط خصوصی خود مستقر کند تا برخی از قابلیت‌های کوپایلوت را شبیه‌سازی کند. این روش نوعی «خود انجام‌دهی» برای داشتن دستیار هوش مصنوعی بدون وابستگی به ابر مایکروسافت است. حال سوال این است که چه امکانات و محدودیت‌هایی وجود دارد؟

• Azure OpenAI در شبکه خصوصی:
  با استفاده از Private Link/Endpoints می‌توان Azure OpenAI را به شبکه داخلی محدود کرد تا فقط داخل سازمان قابل دسترس باشد و از دسترسی عمومی اینترنتی محافظت شود. این روش برای بارهای کاری حساس کاربرد دارد. اخیراً امکان «Azure OpenAI on Your Data» اضافه شده که اجازه می‌دهد مدل بر اساس داده‌های داخلی شرکت پاسخگو باشد.

• Azure AI Edge Containers:
  مایکروسافت در حال ارائه نسخه‌های کانتینری شده از سرویس‌های هوش مصنوعی است که می‌توانند به صورت آفلاین روی دستگاه‌های محلی یا سرورهای داخلی اجرا شوند. این شامل خدمات شناختی مثل تبدیل گفتار به متن و ترجمه است، اما هنوز مدل‌های GPT-4 به این شکل ارائه نشده‌اند. این راهکار به شرکت‌های حساس مثل سازمان‌های دفاعی کمک می‌کند تا هوش مصنوعی را بدون اینترنت اجرا کنند.

• مدل‌های متن‌باز (Open-source) در محل:
  برخی سازمان‌ها از مدل‌های متن‌باز مانند LLaMA 2، StarCoder و Code Llama استفاده می‌کنند که می‌توانند روی سرورهای داخلی یا حتی لپ‌تاپ‌های قدرتمند اجرا شوند. این مدل‌ها قابل تنظیم با داده‌های داخلی سازمان بوده و برای کاربردهای ساده مانند کمک کدنویسی قابل استفاده‌اند، اما معمولاً از لحاظ دقت و کیفیت کمتر از مدل‌های ابری GPT-4 هستند و نیازمند منابع سخت‌افزاری و نیروی متخصص ML برای نگهداری‌اند.

• استقرار ترکیبی با اتصال دوره‌ای:
  در شرایطی که ارتباط دائم اینترنتی نیست، می‌توان Copilot را به صورت دوره‌ای (مثلاً روزانه یا هفتگی) به اینترنت متصل کرد تا وظایف پیچیده انجام شود و سپس خروجی‌ها برای استفاده آفلاین ذخیره گردد. مثلاً تیمی در زیردریایی که فقط هفته‌ای یک بار به اینترنت متصل می‌شود، می‌تواند تحلیل‌ها را هنگام اتصال تولید کند و بعداً به صورت آفلاین استفاده نماید.

جمع‌بندی:
اجرای کوپایلوت به صورت کاملاً محلی برای کاربردهای محدود امروزه ممکن است، اما تجربه کامل و هوش GPT-4 بیشتر وابسته به ابر است. مایکروسافت به سمت گزینه‌های شبکه خصوصی و اجرای محلی مدل‌ها حرکت می‌کند و احتمالاً در آینده نسخه‌های کاهشی و قابل استقرار محلی ارائه خواهد کرد. برای سازمان‌هایی که نمی‌خواهند از ابر استفاده کنند، گزینه‌هایی مانند شبکه خصوصی Azure و یا استقرار مدل‌های متن‌باز و کانتینری وجود دارد که باید محدودیت‌های خود را پذیرفت. بسیاری از شرکت‌ها فعلاً منتظر توسعه‌های آتی هستند یا به صورت آزمایشی Copilot را برای کاربران غیرحساس فعال کرده‌اند.

اگر سازمان‌ها نتوانند از Copilot ابری استفاده کنند، می‌توانند با روش‌هایی مانند استقرار Azure OpenAI در شبکه خصوصی، استفاده از کانتینرهای هوش مصنوعی آفلاین، یا اجرای مدل‌های متن‌باز در محل، بخشی از قابلیت‌های هوش مصنوعی را به صورت محلی داشته باشند. همچنین می‌توان از مدل ترکیبی با اتصال دوره‌ای بهره برد. با این حال، مدل‌های کامل و قدرتمند GPT-4 هنوز بیشتر وابسته به فضای ابری هستند و استقرار محلی کامل هنوز محدودیت‌هایی دارد. مایکروسافت در حال پیشرفت برای ارائه گزینه‌های آفلاین و محلی است و سازمان‌ها باید بسته به نیاز و امکانات خود بهترین گزینه را انتخاب کنند.

استراتژی‌هایی برای محیط‌های با اتصال محدود: بهره‌مندی از کوپایلوت

در شرایطی که استفاده کاملاً آفلاین از کوپایلوت هنوز محدود است، می‌توان با روش‌هایی در محیط‌های با اتصال محدود یا حساسیت بالا، از قابلیت‌های کوپایلوت بهره برد:

1. استفاده از کوپایلوت در یک منطقه کنترل‌شده شبکه‌ای:
   ایجاد یک ایستگاه کاری امن (مثلاً «ایستگاه پژوهش») که به اینترنت محدوداً متصل است تا تحلیل‌گر بتواند بدون در معرض قرار دادن کل شبکه از کوپایلوت استفاده کند. این کار ریسک را بخش‌بندی می‌کند و داده‌های حساس ممکن است به صورت کنترل شده وارد شوند.

2. استفاده از لینک‌های خصوصی و VPN:
   اتصال کوپایلوت به کلود مایکروسافت از طریق شبکه‌های خصوصی مانند Azure ExpressRoute یا تونل‌های VPN به جای اینترنت عمومی که امنیت داده‌ها را افزایش می‌دهد و حس یک شبکه داخلی را ایجاد می‌کند.

3. ادغام داده‌های داخلی از طریق گراف کانکتورها:
   داده‌های داخلی مثل فایل‌ها و پایگاه‌های دانش را به شکل ایندکس شده در کلود وارد کنید تا کوپایلوت بتواند بدون دسترسی مستقیم به شبکه داخلی به این داده‌ها پاسخ دهد. امنیت نمایش داده‌ها نیز توسط Microsoft Search مدیریت می‌شود.

4. آموزش کاربران و ایجاد محیط آزمایشی برای داده‌های حساس:
   به کاربران آموزش دهید که اطلاعات محرمانه را به کوپایلوت ارسال نکنند و سیاست‌های داخلی برای استفاده از هوش مصنوعی تنظیم شود تا خطر نشت داده کاهش یابد.

5. نظارت و بهبود مستمر:
   با استفاده از ابزارهایی مانند Microsoft Purview فعالیت کوپایلوت را رصد کنید تا از امنیت و عدم افشای اطلاعات مطمئن شوید و بر اساس داده‌های جمع‌آوری شده، نیازهای واقعی به راهکارهای آفلاین را تشخیص دهید.

6. ارزیابی سخت‌افزارهای Copilot+ برای استفاده در محل‌های بدون اینترنت:
   تجهیز کارکنانی که اغلب آفلاین هستند به دستگاه‌های Copilot+ با قابلیت‌های محلی هوش مصنوعی (مثل پردازنده‌های NPU) که می‌توانند بدون اتصال، وظایفی مثل یادداشت‌برداری، تولید تصویر و تبدیل صوت به متن را انجام دهند و سپس در زمان اتصال، همگام‌سازی کنند.

7. برنامه‌ریزی برای استقرارهای ترکیبی آینده:
   آماده‌سازی زیرساخت‌ها (شامل هویت، شبکه، سخت‌افزار) برای پذیرش مدل‌های ترکیبی هوش مصنوعی در آینده، مثل استفاده از Azure Stack یا «Copilot Appliance» در محل، یا ساخت کوپایلوت‌های اختصاصی در Copilot Studio که ممکن است در ابر خصوصی نیز قابل استقرار شوند.

برای استفاده بهتر از کوپایلوت در محیط‌های محدود از نظر اتصال و امنیت، می‌توان از مناطق کنترل شده، شبکه‌های خصوصی، همگام‌سازی دوره‌ای، ادغام داده‌های داخلی و آموزش کاربران استفاده کرد. همچنین با تجهیز کارکنان به سخت‌افزارهای محلی هوشمند و برنامه‌ریزی برای آینده هیبریدی، سازمان‌ها می‌توانند بهره‌وری و امنیت را همزمان حفظ کنند.

نقشه راه مایکروسافت: به سمت کوپایلوت با قابلیت انتخاب ابر یا محلی؟

مایکروسافت با شعار «هوش مصنوعی همه‌جا» حرکت می‌کند و این «همه‌جا» اکنون شامل دستگاه‌ها، لبه شبکه و تمام محیط‌های ابری است. گام‌های مشخصی دیده می‌شود: ویندوز با هوش مصنوعی محلی، گسترش Microsoft 365 Copilot به ابرهای دولتی، ارائه نقاط پایان مدل‌های خصوصی در Azure و اشاره به امکان‌های آینده در محیط‌های محلی (on-premises).

ساتیا نادلا (مدیرعامل مایکروسافت) روی محاسبات توزیع‌شده تأکید دارد، جایی که هوش مصنوعی نه تنها در دیتاسنترهای بزرگ بلکه روی تلفن همراه، لپ‌تاپ و سرورهای داخلی شما اجرا می‌شود. سرمایه‌گذاری در واحدهای پردازش عصبی (NPUs) و همکاری با شرکت‌هایی مثل Qualcomm و Intel، نشان‌دهنده تمرکز روی هوش مصنوعی محلی است. همکاری با متا برای آوردن مدل LLaMA 2 به Azure و پشتیبانی از مدل‌های باز نیز می‌تواند امکان اجرای مدل‌های کوچک‌تر محلی را فراهم کند.

اما هنوز باید انتظار داشت مدل‌های بزرگ و پیچیده که Copilot به آن‌ها متکی است، برای بیشتر مشتریان به‌طور کامل به صورت محلی اجرا نشوند. آنچه تغییر خواهد کرد، ترکیب پردازش ابری و محلی و گزینه‌های میزبانی آن (ابر عمومی یا خصوصی) است. برای مثال، ممکن است بتوانید Copilot را در مرکز داده محلی کشورتان یا سرور اختصاصی شرکت خود میزبانی کنید.

مایکروسافت به‌صورت رسمی اعلام کرده که روی نسخه‌های محلی (on-prem) کار می‌کند و در آینده ممکن است عرضه کند، چرا که رقبایی مثل IBM نیز چنین راهکارهایی ارائه می‌دهند. در نهایت، مسیر واضح است: مایکروسافت به تدریج وابستگی Copilot به ابر خود را کاهش می‌دهد و به سمت پردازش مشترک بین ابر و دستگاه‌های محلی حرکت می‌کند.

نتیجه‌گیری: آماده‌سازی برای آینده ترکیبی هوش مصنوعی