در این مقاله می خوانید

استفاده از مایکروسافت کوپایلت بدون نیاز به فضای ابری

دستیارهای هوش مصنوعی «Copilot» مایکروسافت – از Microsoft 365 Copilot در برنامه‌های آفیس گرفته تا GitHub Copilot برای کدنویسی و Windows Copilot جدید – همگی با هدف افزایش بهره‌وری از طریق هوش مصنوعی مولد طراحی شده‌اند. اما در حال حاضر، این ابزارها عمدتاً به فضای ابری وابسته‌اند. آن‌ها برای تولید پاسخ‌ها، پیشنهادهای کد و بینش‌ها، به مدل‌های زبانی بزرگ که در دیتاسنترهای مایکروسافت اجرا می‌شوند، متکی هستند. این موضوع یک سؤال مهم را برای بسیاری از مدیران IT مطرح می‌کند: آیا می‌توان Copilot را بدون اتصال به اینترنت یا وابستگی به فضای ابری استفاده کرد؟

در این بررسی عمیق، وضعیت فعلی وابستگی Copilot به فضای ابری را بررسی می‌کنیم، اینکه چه گزینه‌هایی – در صورت وجود – برای استفاده آفلاین یا در محل (On-Premises) وجود دارد، و مایکروسافت چگونه در حال توسعه Copilot برای سناریوهای هیبریدی است. ما به هر یک از نسخه‌های Copilot – شامل Microsoft 365، GitHub و Windows – می‌پردازیم و استراتژی‌های سازمانی را برای محیط‌هایی با اتصال محدود بررسی خواهیم کرد. همچنین، نقشه راه مایکروسافت و راه‌حل‌های نوظهوری را معرفی می‌کنیم که هدف‌شان گسترش دسترسی به Copilot فراتر از فضای ابری است.

(نکته کلیدی: تجربه‌های امروزی Copilot عمدتاً به فضای ابری وابسته‌اند، اما تغییراتی در راه است. در این میان، راهکارهایی برای کاهش نیاز به ابر و آمادگی برای استقرارهای منعطف‌تر هوش مصنوعی وجود دارد.)

ماهیت مبتنی بر فضای ابری Copilot مایکروسافت در حال حاضر

تمام سرویس‌های فعلی Copilot مایکروسافت به‌صورت دستیارهای هوش مصنوعی مبتنی بر فضای ابری عمل می‌کنند؛ به این معنا که پردازش‌های سنگین هوش مصنوعی در سرورهای راه دور انجام می‌شود. در ادامه به‌طور خلاصه توضیح می‌دهیم که هر Copilot چگونه کار می‌کند و چرا اتصال فعال به اینترنت معمولاً ضروری است:

  • Microsoft 365 Copilot – دستیار هوش مصنوعی برای Word، Excel، PowerPoint، Outlook، Teams و غیره است که از مدل GPT-4 شرکت OpenAI (میزبانی‌شده در Azure) و داده‌های Microsoft Graph برای تولید محتوا و پاسخ‌ها استفاده می‌کند. این سرویس صرفاً بخشی از خدمات ابری مایکروسافت است و اجرای محلی یا آفلاین ندارد. حتی در مستندات رسمی مایکروسافت نیز تأکید شده است: «Microsoft 365 Copilot مبتنی بر فضای ابری است و به هیچ‌گونه صندوق پستی محلی دسترسی ندارد». بنابراین اگر داده‌های کاربر مانند صندوق پستی Exchange به‌صورت محلی ذخیره شده باشد و نه در Exchange Online، Copilot نمی‌تواند به آن دسترسی پیدا کند. همه پردازش‌ها در فضای ابری Microsoft 365 انجام می‌شوند؛ بنابراین، بدون اینترنت، Copilot نیز کار نمی‌کند. کارشناسان صنعت نیز هشدار داده‌اند: «انتظار نداشته باشید Copilot آفلاین کار کند… بدون دسترسی به سرویس‌های Azure، Copilot کار نمی‌کند». به‌عبارت‌دیگر: بدون اینترنت، در آفیس هم خبری از Copilot نیست.

  • GitHub Copilot – دستیار هوش مصنوعی برای برنامه‌نویسی که پیشنهادات کد را درون محیط IDE شما ارائه می‌دهد. این ابزار به مدل‌های Codex/GPT متعلق به OpenAI که از طریق GitHub (اکنون تحت مالکیت مایکروسافت) میزبانی می‌شود، متکی است. ویرایشگر کد شما، زمینه کدنویسی را به سرویس ابری Copilot ارسال می‌کند و پاسخ‌های هوش مصنوعی دریافت می‌کند. بنابراین GitHub Copilot برای ارائه پیشنهادات به اینترنت فعال نیاز دارد و فاقد حالت آفلاین است. در انجمن پشتیبانی GitHub نیز تصریح شده است: «Copilot برای پردازش پیشنهادات شما به دسترسی اینترنت نیاز دارد، چون همه پردازش‌ها در سرورهای GitHub انجام می‌شود». زمانی که درباره نسخه‌ای On-Premises برای شرکت‌ها سؤال شد، پاسخ صریح بود: «هیچ برنامه‌ای برای نسخه محلی Copilot وجود ندارد». بنابراین در حال حاضر چه یک توسعه‌دهنده انفرادی باشید و چه یک سازمان بزرگ، تکمیل کدها از طریق سرویس ابری انجام می‌شود (البته در نسخه تجاری Copilot، تدابیر امنیتی لازم برای عدم نگهداری کد رعایت شده است). اگر توسعه‌دهندگان شما کاملاً آفلاین باشند یا شبکه‌ای محدود به اینترنت نداشته باشند، GitHub Copilot کار نخواهد کرد.

  • Windows Copilot – در سال ۲۰۲۳ همراه با Windows 11 معرفی شد و به‌عنوان یک دستیار هوش مصنوعی داخلی عمل می‌کند. نسخه ابتدایی Windows Copilot در واقع یک رابط کاربری برای Bing Chat (با پشتیبانی GPT-4) درون ویندوز بود. در نسخه اولیه، همه قابلیت‌ها مانند پاسخ به سؤالات، خلاصه‌سازی محتوا و کنترل تنظیمات، از طریق فضای ابری Bing انجام می‌شد. بنابراین به اینترنت نیاز داشت. کاربران اولیه گزارش دادند که این ابزار «در واقع یک سرویس آنلاین متصل‌شده به ویندوز» است – اگر آفلاین باشید، هیچ عملکردی ندارد. حتی وظایف ساده‌ای مانند خلاصه کردن یک سند یا نوشتن پیش‌نویس ایمیل نیز به هوش مصنوعی ابری نیاز داشت. این موضوع در همه دستگاه‌ها صادق بود – چه یک کامپیوتر جدید با پردازنده AI داشته باشید، چه یک سیستم قدیمی ۱۰ ساله – بدون اینترنت، Copilot در دسترس نبود. به‌طور خلاصه، نسخه اول Windows Copilot صرفاً پلی برای اتصال به هوش مصنوعی ابری بود.

چرا وابستگی به فضای ابری؟

نکتهٔ مشترک میان تمام این Copilotها این است که از مدل‌های زبان بزرگ (LLM) استفاده می‌کنند که بیش‌ازحد سنگین هستند و اجرای آن‌ها روی سخت‌افزارهای معمولی ممکن نیست (حداقل تا همین اواخر). Microsoft 365 Copilot از GPT-4 استفاده می‌کند؛ GitHub Copilot از Codex و مدل‌های جدیدتر مبتنی بر GPT-4 برای گفتگو بهره می‌برد؛ و Bing/Windows Copilot نیز بر پایه GPT-4 کار می‌کند. این مدل‌ها میلیاردها پارامتر دارند و نیازمند GPUهای قدرتمند هستند – به همین دلیل در فضای ابری Azure مستقر شده‌اند. اجرای این مدل‌ها در فضای ابری همچنین اجازه می‌دهد Copilot بتواند به داده‌های ابری (مثل اسناد Microsoft 365، ایمیل‌ها یا مخازن کد عمومی) دسترسی داشته باشد و کنترل‌های امنیتی سازمانی را به‌صورت متمرکز اعمال کند.

بااین‌حال، این وابستگی به فضای ابری چالش‌هایی ایجاد می‌کند. در ادامه بررسی می‌کنیم که چرا بسیاری از سازمان‌ها درخواست قابلیت‌های آفلاین یا داخلی برای Copilot را دارند و گزینه‌های فعلی در این زمینه چیست.

چرا سازمان‌ها خواهان Copilot بدون اتصال به فضای ابری هستند؟

برای تصمیم‌گیرندگان فناوری اطلاعات، ماهیت مبتنی بر فضای ابری Copilot ملاحظات مهمی را در زمینه اتصال، حریم خصوصی و انطباق با مقررات به همراه دارد. در برخی سناریوها، وابستگی Copilot به فضای ابری ممکن است ایده‌آل نباشد، از جمله:

محیط‌های با اتصال محدود یا بدون اتصال

بسیاری از صنایع دارای کاربرانی در مکان‌های دورافتاده یا ایزوله هستند – مانند سکوهای نفتی، معادن، کشتی‌ها در دریا، ایستگاه‌های تحقیقاتی صحرایی، کلینیک‌های بهداشت روستایی یا مأموریت‌های نظامی. در این موارد، اتصال پایدار به اینترنت تضمین‌شده نیست. مهندسی در یک کشتی باری یا سربازی در یک پایگاه عملیاتی پیشرفته ممکن است واقعاً از یک دستیار هوش مصنوعی بهره‌مند شود، اما اگر این ابزار به اینترنت دائمی نیاز داشته باشد، اساساً غیرقابل استفاده خواهد بود. این کاربران به ابزارهای هوش مصنوعی نیاز دارند که به‌صورت آفلاین یا با اتصال گاه‌به‌گاه نیز کار کنند.

امنیت داده و انطباق با مقررات سخت‌گیرانه

بخش‌های بسیار قانون‌مند مانند دولت، دفاع، امور مالی و سلامت اغلب دارای سیاست‌هایی هستند که انتقال داده‌های حساس از طریق اینترنت عمومی را ممنوع می‌کند. حتی اگر فضای ابری مایکروسافت از نظر فنی امن باشد، فرستادن درخواست یا داده کاربر به بیرون از محیط داخلی سازمان می‌تواند نقض مقررات محسوب شود. برای مثال، ممکن است یک نهاد دولتی از این ایده خوشش بیاید که Copilot یک گزارش محرمانه را خلاصه کند، اما اگر این کار مستلزم ارسال متن گزارش به فضای ابری باشد، ممکن است با سیاست‌های امنیتی مغایرت داشته باشد. چنین سازمان‌هایی به دنبال راهکارهای هوش مصنوعی در محل (on-premises) یا ابر خصوصی هستند که داده‌ها همیشه در محیط تحت کنترل خودشان باقی بماند.

تأخیر و قابلیت اطمینان

اتکا به خدمات ابری یعنی کاربران در معرض تأخیرهای اینترنتی و قطعی‌ها قرار دارند. اگر اتصال کند باشد یا قطع شود، Copilot نیز کند یا غیرقابل استفاده خواهد بود. در جریان‌های کاری حیاتی، این عدم اطمینان مشکل‌ساز است. یک Copilot که قابلیت کار به‌صورت آفلاین را داشته باشد، می‌تواند تداوم کار را تضمین کند – یعنی کمک هوش مصنوعی حتی زمانی که شبکه قطع می‌شود، در دسترس باقی بماند. این موضوع به تاب‌آوری مربوط می‌شود: تصور کنید در یک وضعیت اضطراری در زمان وقوع بلایای طبیعی که اینترنت قطع شده، یک دستیار هوش مصنوعی هنوز بتواند به‌صورت محلی داده‌ها را تحلیل کند.

هزینه و پهنای باند

ارسال مداوم داده‌ها به فضای ابری برای پردازش هوش مصنوعی می‌تواند مصرف پهنای باند را افزایش داده و در برخی موارد هزینه‌بر باشد (گرچه خود Copilot بر اساس مجوزهای کاربری قیمت‌گذاری می‌شود). در شعب دورافتاده با اینترنت محدود یا کم‌سرعت، کاهش وابستگی به فضای ابری بسیار مطلوب است. اجرای یک مدل هوش مصنوعی به‌صورت محلی می‌تواند مصرف پهنای باند را کاهش دهد.

درک فرهنگی از حریم خصوصی

فراتر از امنیت واقعی، برخی سازمان‌ها بنا بر فرهنگ داخلی یا فشار مشتریان ترجیح می‌دهند داده‌ها را در محل نگه دارند. ممکن است در اصل به فضای ابری مایکروسافت اعتماد داشته باشند، اما ترجیح دهند به ذی‌نفعان خود بگویند: «هوش مصنوعی به‌صورت محلی اجرا می‌شود و داده‌های شما هرگز از مجموعه ما خارج نمی‌شود». این یک اطمینان خاطر برای مشتریان یا شهروندان است که اطلاعات حساس حتی به‌طور موقت هم به بیرون منتقل نمی‌شود.

ارزش داده‌های اختصاصی

مایکروسافت به‌طور شفاف اعلام کرده که Copilot در Microsoft 365 و GitHub، داده‌های شما را برای آموزش مدل‌های پایه استفاده نمی‌کند (داده‌های سازمانی محرمانه در محیط شما باقی می‌ماند). با این حال، سازمان‌هایی که فوق‌العاده حساس هستند ممکن است همچنان نگران هرگونه احتمال افشا باشند. داشتن یک مدل هوش مصنوعی که بتوان آن را درون فایروال داخلی اجرا کرد – حتی بدون اتصال به اینترنت – به آن‌ها کنترل کامل می‌دهد. همچنین امکان سفارشی‌سازی عمیق هوش مصنوعی بر اساس داده‌های اختصاصی را بدون ارسال آن داده‌ها به بیرون فراهم می‌سازد.

مایکروسافت ۳۶۵ کوپایلوت – فعلاً فقط مبتنی بر فضای ابری، اما دسترسی ترکیبی به داده‌ها امکان‌پذیر است

Microsoft 365 Copilot دستیار هوش مصنوعی مایکروسافت است که در برنامه‌های آفیس مانند Word، Excel، PowerPoint، Outlook، Teams و سایر برنامه‌ها یکپارچه شده است. این ابزار می‌تواند اسناد ایجاد کند، اسلاید طراحی کند، 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 Microsoft 365 (مانند SharePoint، OneDrive، Exchange Online و…) به همراه هوش مصنوعی GPT-4 انجام می‌گیرد. این سرویس به‌صورت طراحی‌شده تنها در فضای ابری مایکروسافت (سرویس Azure OpenAI در محیط Microsoft 365) اجرا می‌شود.

در حال حاضر هیچ راهی برای اجرای اجزای LLM کوپایلوت Microsoft 365 به‌صورت آفلاین یا در محل (On-Premises) وجود ندارد – برای استفاده از آن باید به فضای ابری مایکروسافت متصل باشید. حتی داده‌هایی که کوپایلوت به آن‌ها دسترسی دارد نیز معمولاً در فضای ابری (مثل SharePoint Online یا صندوق‌های Exchange Online) قرار دارند. اگر به این منابع متصل نباشید، کوپایلوت چیزی برای استفاده ندارد. مایکروسافت نیز در مستندات خود صراحتاً اعلام کرده: «Microsoft 365 Copilot مبتنی بر فضای ابری است.» این ابزار نمی‌تواند به سیستم‌های محلی که با فضای ابری یکپارچه نشده‌اند، دسترسی داشته باشد.

مثلاً در مورد ایمیل، اگر صندوق ایمیل یک کاربر در Exchange Online باشد، کوپایلوت می‌تواند ایمیل‌ها (با رعایت مجوزهای دسترسی کاربر) را بخواند، خلاصه کند یا پاسخ دهد. اما اگر این صندوق در سرور Exchange محلی باشد که به Microsoft 365 متصل نیست، کوپایلوت آن ایمیل‌ها را در تحلیل خود لحاظ نخواهد کرد. در سناریوهای ترکیبی ایمیل، مایکروسافت اعلام کرده که کوپایلوت فقط با محتوای ابری کار می‌کند و «استفاده از ایمیل‌های محلی پشتیبانی نمی‌شود.»

عدم پشتیبانی از حالت آفلاین

اگر کاربر به‌طور کلی آفلاین باشد (مثلاً هنگام استفاده از لپ‌تاپ بدون اینترنت)، امکانات کوپایلوت در برنامه‌های آفیس ظاهر نخواهند شد یا کار نمی‌کنند. تونی ردموند از Practical 365 به‌خوبی این وضعیت را توصیف کرده: «کوپایلوت آفلاین کار نمی‌کند… این ابزار نیاز به دسترسی سریع به خدمات ابری و داده‌های Graph دارد.» حتی اگر اسناد را به‌صورت محلی با OneDrive Sync در اختیار داشته باشید، پردازش‌های هوش مصنوعی همچنان در Azure انجام می‌شود – پس بدون اتصال اینترنت، کوپایلوت نمی‌تواند «فکر کند». برنامه‌های آفیس ممکن است در این حالت آیکون خاکستری کوپایلوت را نشان دهند.

دسترسی ترکیبی به داده‌ها از طریق Graph Connectors

با اینکه نمی‌توان اجزای LLM کوپایلوت را محلی اجرا کرد، اما Microsoft 365 راهی برای در دسترس قرار دادن برخی داده‌های محلی برای کوپایلوت دارد: Graph Connectors. این کانکتورها به سازمان‌ها امکان می‌دهند تا منابع داده خارجی (مثل پوشه‌های فایل محلی، SharePoint محلی، خدمات شخص ثالث و…) را ایندکس کرده و به جستجوی Microsoft 365 متصل کنند. پس از ایندکس شدن در فضای ابری، آن داده‌ها بخشی از محتوایی می‌شوند که کوپایلوت هنگام پاسخ دادن به سوالات می‌تواند به آن‌ها استناد کند.

برای مثال، اگر فایل‌هایی روی یک فایل سرور محلی دارید، می‌توانید از Windows File Share Graph Connector برای ایندکس و اتصال آن فایل‌ها به Microsoft 365 استفاده کنید. در این صورت، وقتی کاربر سوالی از کوپایلوت می‌پرسد، کوپایلوت می‌تواند پاسخ خود را بر اساس این فایل‌های محلی – که حالا در ایندکس ابری نمایان شده‌اند – ارائه دهد.

البته این راهکار آفلاین نیست – بلکه شامل کپی متادیتا (و در صورت نیاز محتوا) به ایندکس ابری است – اما راهی است برای اتصال داده‌های محلی به کوپایلوت ابری. با این حال، راه‌اندازی این کانکتورها نیاز به برنامه‌ریزی دارد (برای ایندکس‌گذاری، امنیت، و…) و داده‌ها به فضای ابری Microsoft 365 ارسال می‌شوند؛ که ممکن است برای سازمان‌های بسیار حساس قابل‌قبول نباشد. ولی برای بسیاری از سازمان‌ها، این یک مصالحه مناسب است تا کوپایلوت بتواند به محتوای محلی بدون مهاجرت کامل آن به ابر دسترسی داشته باشد.

امنیت و محل ذخیره داده‌ها

مایکروسافت برای رفع نگرانی‌های امنیتی در فضای ابری تلاش کرده است. مهم‌ترین نکته این است که کوپایلوت (در نسخه سازمانی) از داده‌های خصوصی شما برای آموزش مدل‌های عمومی استفاده نمی‌کند – داده‌ها و پرس‌وجوهای کاربران در مرز سازمانی شما باقی می‌مانند. کوپایلوت بر پایه Azure OpenAI در محیط کنترل‌شده مایکروسافت اجرا می‌شود، نه از طریق API عمومی OpenAI. همچنین داده‌ها، درخواست‌ها و پاسخ‌ها فقط در محدوده Microsoft 365 tenant شما باقی می‌مانند.

اگر مایل نیستید کوپایلوت داده‌ها را به افزونه‌های خارجی یا Bing ارسال کند، می‌توانید آن را غیرفعال کنید. (مثلاً اگر افزونه جستجوی وب فعال باشد، ممکن است کوپایلوت برای ارائه پاسخ بهتر از Bing API استفاده کند – که این قابلیت توسط مدیران قابل غیرفعال‌سازی است). در مجموع، مایکروسافت تلاش دارد اطمینان خاطر مشتریانی را که نگران فضای ابری هستند، فراهم کند.

با این حال، برخی سازمان‌ها به دلایل امنیتی یا نبود ارتباط شبکه‌ای، اساساً نمی‌توانند از سرویس‌های ابری استفاده کنند. برای آن‌ها سوال این است که: آیا کوپایلوت مایکروسافت ۳۶۵ روزی در محل یا دیتاسنتر خصوصی قابل اجرا خواهد بود؟

چشم‌انداز آینده

مایکروسافت اشاره‌هایی به استفاده از پردازش محلی برای کوپایلوت در آینده کرده است. در سال ۲۰۲۴، این شرکت رایانه‌های Copilot+ PC را معرفی کرد – دستگاه‌هایی با واحد پردازش عصبی (NPU) که برخی از وظایف هوش مصنوعی را به‌صورت محلی انجام می‌دهند. گزارش‌ها نشان دادند که «Microsoft 365 Copilot به‌زودی می‌تواند از NPU دستگاه‌های Copilot+ برای اجرای مدل‌های AI به‌صورت محلی استفاده کند.»

این یعنی، مثلاً هنگام استفاده از Word در Copilot+ PC، ممکن است برخی قابلیت‌های کوپایلوت بدون نیاز به ارتباط با فضای ابری اجرا شوند. مثل پیشنهادهای گرامری یا خلاصه‌سازی ساده که می‌توانند توسط مدل‌های کوچک‌تر روی دستگاه انجام شوند. این نشان‌دهنده حرکت مایکروسافت به سمت معماری‌های ترکیبی برای کوپایلوت است: وظایف سنگین‌تر هنوز به GPT-4 در فضای ابری نیاز دارند، اما برخی عملکردهای پشتیبان ممکن است به‌صورت محلی اجرا شوند.

مایکروسافت همچنین کوپایلوت را به فضای ابری جامعه دولتی (GCC) نیز گسترش داده است، که سازمان‌های دولتی و نهادهای حساس نیز بتوانند از آن استفاده کنند. هرچند هنوز در GCC High یا DoD (امن‌ترین محیط‌های دولتی ایالات متحده) فعال نشده است، اما احتمالاً در حال آماده‌سازی برای رعایت الزامات سختگیرانه‌تر است – مثل شبکه‌های کاملاً ایزوله یا مجوزهای داده‌ای خاص. این ممکن است به سمت چیزی شبیه «ابر بدون اینترنت» حرکت کند – سرویسی که در مناطق دولتی Azure اجرا می‌شود ولی از اینترنت عمومی جداست. هنوز به معنای اجرای کامل در محل نیست، ولی قدمی به آن نزدیک‌تر است (ابر اختصاصی).

جمع‌بندی

در حال حاضر، اگر می‌خواهید از Microsoft 365 Copilot استفاده کنید، باید به سرویس ابری مایکروسافت متصل باشید. امکان نصب یا اجرای محلی وجود ندارد. با این حال، می‌توانید از طریق Graph Connectors داده‌های محلی را در دسترس کوپایلوت قرار دهید و همچنین تنظیمات امنیتی شبکه را طوری پیکربندی کنید که ترافیک کوپایلوت از اینترنت عمومی عبور نکند. نقشه راه مایکروسافت نشان می‌دهد که به‌تدریج قابلیت استفاده از منابع محلی (مثل NPUها) در کنار هوش مصنوعی ابری افزایش خواهد یافت – اما هنوز نسخه‌ای کاملاً آفلاین از Microsoft 365 Copilot ارائه نشده است.

Microsoft Copilot Without the Cloud استفاده از مایکروسافت کوپایلت بدون نیاز به فضای ابری آبان 1405 1

GitHub Copilot – دستیار هوش مصنوعی برنامه‌نویسی (و محدودیت‌های آن در محیط‌های محدودشده)

GitHub Copilot به‌عنوان یک ابزار محبوب میان برنامه‌نویسان شناخته می‌شود که پیشنهادهای کدنویسی مبتنی بر هوش مصنوعی و حتی امکان گفتگو با زبان طبیعی برای نوشتن کد را ارائه می‌دهد. این ابزار به‌صورت افزونه‌ای برای VS Code، Visual Studio، محیط‌های توسعه JetBrains و… در دسترس است. برای شرکت‌ها، نسخه GitHub Copilot for Business وجود دارد که حریم خصوصی بهتری را فراهم می‌کند (عدم ذخیره کدها، امکان مسدودسازی کلیدها و اطلاعات حساس و…). با این حال، ساختار فنی اصلی GitHub Copilot برای همه کاربران یکسان است: این ابزار به هوش مصنوعی مبتنی بر فضای ابری GitHub متکی است. مدل آن (که بر پایه Codex شرکت OpenAI توسعه یافته و در برخی ویژگی‌ها با GPT-4 تقویت شده) روی سرورهای GitHub اجرا می‌شود؛ افزونه IDE نیز متن کد را به سرور ارسال می‌کند و پاسخ را به‌صورت پیشنهاد دریافت می‌کند.

این یعنی GitHub Copilot به‌صورت محلی روی رایانه یا سرور شما اجرا نمی‌شود؛ بلکه برای کارکرد، نیاز به اتصال به سرویس GitHub دارد. اگر دستگاه توسعه‌دهنده آفلاین باشد یا به اینترنت دسترسی نداشته باشد، Copilot هیچ پیشنهادی تولید نخواهد کرد. از نظر عملی، افزونه فقط خطا نشان می‌دهد یا هیچ خروجی‌ای نمی‌دهد. تیم GitHub به‌روشنی به این محدودیت اشاره کرده‌اند. در پرسش و پاسخ‌های جامعه، زمانی که کاربران درخواست نسخه آفلاین کردند (برای شرکت‌هایی که اینترنت ندارند)، پاسخ رسمی در سال ۲۰۲۲ این بود:
«Copilot به اتصال اینترنت نیاز دارد… پردازش در سمت GitHub انجام می‌شود.»
و تاکنون (تا سال ۲۰۲۵) هیچ برنامه‌ای برای ارائه نسخه لوکال یا محلی Copilot وجود ندارد.

برای بسیاری از شرکت‌ها، این وابستگی به فضای ابری قابل‌قبول است، زیرا GitHub اقداماتی برای امنیت سازمانی انجام داده: Copilot for Business تضمین می‌دهد که «درخواست‌ها و پیشنهادها ذخیره نمی‌شوند یا برای آموزش مدل استفاده نمی‌گردند» و می‌توان دسترسی Copilot به مخازن خاص یا انواع فایل‌ها را محدود کرد. بنابراین، کد اختصاصی شما وارد یک مدل عمومی نمی‌شود؛ بلکه در لحظه پردازش و فراموش می‌شود. این موضوع برخی نگرانی‌های مربوط به مالکیت معنوی را برطرف می‌کند. اما از منظر شبکه، توسعه‌دهندگان همچنان باید به اینترنت متصل باشند. برای سازمان‌هایی با محیط توسعه ایزوله (رایج در بخش دفاعی، مالی یا زیرساخت‌های حیاتی)، این وابستگی مشکل‌ساز است. به‌عنوان مثال، بانکی که توسعه نرم‌افزار را در یک شبکه بسته بدون دسترسی به GitHub انجام می‌دهد، نمی‌تواند اجازه دهد برنامه‌نویسان از Copilot استفاده کنند، حتی اگر مفید باشد، چون سرویس قابل دسترسی نیست.

راهکارهای شبکه‌ای در سطح سازمان

اگر نگرانی اصلی نه خود اینترنت بلکه امنیت داده‌های در حال انتقال باشد، می‌توان با کنترل‌های شبکه‌ای دامنه دسترسی Copilot را محدود کرد. برای مثال، سازمان می‌تواند با قوانین فایروال یا پروکسی، تنها اتصال به API‌های GitHub Copilot را مجاز بداند و دیگر نقاط اینترنت را مسدود کند. ترافیک Copilot با TLS رمزنگاری شده و با Copilot for Business، اطمینان‌هایی درباره نحوه پردازش داده‌ها وجود دارد. این سناریو همچنان به اینترنت نیاز دارد، اما با دسترسی بسیار محدود. برخی شرکت‌ها این ترافیک را از طریق VPN یا لینک اختصاصی عبور می‌دهند. GitHub (از طریق Azure) می‌تواند از طریق ExpressRoute یا اتصال خصوصی در دسترس باشد – و عملاً سرویس ابری به‌عنوان بخشی از شبکه داخلی سازمان عمل کند. (الگوی مشابهی در استفاده از Azure Private Link دیده می‌شود – که در بخش بعد بیشتر به آن می‌پردازیم.) هرچند این روش Copilot را کاملاً آفلاین نمی‌کند، اما ارتباط با اینترنت عمومی را از بین می‌برد.

جایگزین‌های لوکال برای هوش مصنوعی کدنویسی

با توجه به اینکه برخی شرکت‌ها نمی‌توانند از خدمات ابری برای تولید کد استفاده کنند، چند شرکت ثالث ابزارهایی مشابه Copilot ارائه داده‌اند که می‌توانند به‌صورت لوکال اجرا شوند. برای مثال، Codeium یک ابزار هوش مصنوعی جایگزین است که نسخه سازمانی آن را می‌توان در محیط مشتری مستقر کرد و «هیچ داده یا تلِمتری از محیط خارج نمی‌شود». این گزینه به شما یک مدل هوش مصنوعی محلی برای کدنویسی می‌دهد. البته این جایگزین‌ها معمولاً از مدل‌های متفاوت (و اغلب متن‌باز) مثل CodeGen، SantaCoder یا مشتقات LLaMA استفاده می‌کنند که ممکن است از لحاظ قدرت، به سطح OpenAI نرسند. مزیت آن‌ها این است که می‌توان آن‌ها را در کانتینر اجرا کرده و روی سرورهای GPU داخلی و پشت فایروال راه‌اندازی کرد، یعنی واقعاً به‌صورت آفلاین.

مسیر دیگر استفاده از Azure OpenAI Service برای ساخت یک Copilot سفارشی است. این سرویس، API مدل‌های OpenAI (Codex، GPT-3.5، GPT-4) را در بستر Azure و با پوشش سازمانی ارائه می‌دهد. هرچند Azure OpenAI همچنان یک سرویس ابری است، اما می‌توانید یک وب‌سرویس کوچک داخلی ایجاد کنید که به‌جای توسعه‌دهندگان به Azure OpenAI درخواست ارسال کند. این کار باعث می‌شود جریان داده‌ها درون محیط کنترل‌شده Azure tenant باقی بماند. همچنین می‌توانید از Private Endpoint استفاده کنید تا ترافیک بین شما و Azure از اینترنت عمومی عبور نکند، بلکه از طریق اتصال خصوصی برقرار شود. در واقع، این روش به شما اجازه می‌دهد از مدل‌های ابری بهره بگیرید ولی آن‌ها را به‌صورت بخشی از دیتاسنتر خودتان جلوه دهید (مثلاً از طریق ExpressRoute به Azure). توسعه‌دهندگان می‌توانند از طریق IDE خود به این سرویس داخلی متصل شوند. البته این راهکار نیازمند کار سفارشی و پیاده‌سازی قابل‌توجهی است و به سادگی افزونه Copilot در VS Code نیست، اما برای برخی سازمان‌ها قابل‌قبول است: کمک هوش مصنوعی با حفظ کنترل کامل بر شبکه و حتی امکان لاگ‌گیری یا فیلتر کردن درخواست‌ها و پاسخ‌ها.

محدودیت‌های کنونی

در نهایت، اگر منظور از «بدون فضای ابری» واقعاً «کاملاً آفلاین» باشد، GitHub Copilot در حال حاضر گزینه‌ای نیست. توسعه‌دهندگانی که در شبکه‌های کاملاً ایزوله (air-gapped) کار می‌کنند، نمی‌توانند از آن استفاده کنند. آن‌ها مجبورند به ابزارهای تحلیل ایستا یا ابزارهای ML نسل‌قدیمی تکیه کنند (برخی IDEها قابلیت تکمیل کد با هوش مصنوعی ساده و آفلاین دارند که روی کدهای محلی آموزش دیده‌اند – اما از نظر قابلیت‌ها قابل‌مقایسه با Copilot نیستند). این همان جایی است که برخی سازمان‌ها امیدوارند Microsoft/GitHub در آینده نسخه‌ای از Copilot را برای اجرا در محیط داخلی (مثل Azure Stack) ارائه دهند. تاکنون هیچ نقشه راهی در این خصوص منتشر نشده است – زیرا به‌روزرسانی مداوم مدل‌ها و یکپارچگی با زیرساخت ابری GitHub، توسعه نسخه لوکال را دشوار می‌کند.

با این حال، تقاضا به‌وضوح وجود دارد – به‌ویژه با فراگیر شدن دستیارهای هوش مصنوعی کدنویسی. ممکن است مایکروسافت در آینده با ارائه سیاست‌هایی مانند امکان اجرای کامل Copilot از طریق Azure OpenAI در محیط اختصاصی مشتری، به سازمان‌ها اطمینان بدهد (که حتی فرایند استنتاج نیز در یک محیط اختصاصی Azure انجام شود). این می‌تواند رضایت برخی مشتریان را جلب کند که ترجیح می‌دهند بگویند: «این سرویس در فضای ابری ما اجرا می‌شود، نه در سرویس چندمستاجری GitHub.» باید دید در آینده چه خواهد شد. اما در حال حاضر، اگر استفاده آفلاین از یک LLM برای کدنویسی الزامی باشد، باید به گزینه‌های متن‌باز یا محصولات شخص ثالث فکر کرد – و البته کاهش کیفیت نسبت به مدل پیشرفته GitHub Copilot را هم پذیرفت.

Windows Copilot – به سوی مدل ترکیبی هوش مصنوعی (محلی + ابری)

Windows Copilot که در ویندوز ۱۱ معرفی شده، یک دستیار هوشمند است که ترکیبی از هوش ابری (GPT-4 از طریق بینگ) و هوش محلی روی سخت‌افزارهای ویژه (مانند NPUs) را به کار می‌برد. در سال ۲۰۲۴، مایکروسافت همراه با تولیدکنندگان سخت‌افزار، از کامپیوترهای Copilot+ با پردازنده‌های قدرتمند و اجرای محلی مدل‌های هوش مصنوعی رونمایی کرد که برخی قابلیت‌ها مثل جستجوی معنایی شخصی، تولید و ویرایش تصویر، تبدیل صوت به متن و ترجمه، و تشخیص محتوا روی صفحه را بدون نیاز به اینترنت و کاملاً محلی اجرا می‌کنند.

این مدل ترکیبی باعث می‌شود که دستگاه‌ها سریع‌تر، خصوصی‌تر و بدون وابستگی همیشگی به اینترنت کار کنند؛ در حالی که کارهای پیچیده‌تر و عمومی‌تر همچنان از هوش ابری بهره می‌برند. این رویکرد برای شرکت‌ها و کاربران در محیط‌های کم‌ارتباط یا بدون اینترنت بسیار مفید است و مایکروسافت به توسعه ابزارهایی برای استفاده توسعه‌دهندگان از این قابلیت‌ها در برنامه‌های مختلف نیز پرداخته است.

به طور خلاصه، Windows Copilot با مدل ترکیبی محلی و ابری، تجربه هوش مصنوعی بهینه‌تر، خصوصی‌تر و قابل استفاده حتی در حالت آفلاین را فراهم کرده است.

what to expect from microsoft build 2024 the surface event windows 11 and ai استفاده از مایکروسافت کوپایلت بدون نیاز به فضای ابری آبان 1405 3

اجرای کمک خلبان خودتان: استقرارهای محلی LLM و گزینه‌های سازمانی

اگر سازمانی نتواند از نسخه‌های ابری Copilot استفاده کند، می‌تواند مدل‌های بزرگ زبان (LLM) را به صورت محلی یا در محیط خصوصی خود راه‌اندازی کند تا بخشی از قابلیت‌های Copilot را شبیه‌سازی کند. این یک راه‌حل «خودت انجام بده» (DIY) برای داشتن دستیار هوش مصنوعی بدون وابستگی به کلود مایکروسافت است.
گزینه‌ها و محدودیت‌ها به طور خلاصه:

  1. Azure OpenAI در شبکه خصوصی:
    با استفاده از Private Link و Private Endpoints، سرویس Azure OpenAI می‌تواند به صورت ایزوله و فقط در شبکه داخلی سازمان در دسترس باشد، بدون دسترسی عمومی به اینترنت. داده‌ها رمزگذاری شده و فقط سازمان شما به سرویس دسترسی دارد. این مدل به صورت کاملاً آفلاین نیست اما حریم خصوصی و امنیت بالا را فراهم می‌کند. همچنین امکان اتصال مدل به داده‌های داخلی سازمان برای پاسخ‌گویی بر اساس اطلاعات شرکت وجود دارد.

  2. Azure AI Edge Containers:
    مایکروسافت در حال ارائه نسخه‌های کانتینری از برخی سرویس‌های هوش مصنوعی (مثل تبدیل گفتار به متن، ترجمه زبان) است که می‌توانند به صورت آفلاین روی سرورها یا دستگاه‌های لبه (Edge) اجرا شوند. مدل‌های GPT کامل هنوز به شکل آفلاین عرضه نشده‌اند اما احتمال دارد در آینده برای مشتریان خاص و با سخت‌افزار قوی ارائه شوند. این راهکارها برای حفظ ادامه عملیات، حفظ حریم خصوصی داده‌ها و کاهش تأخیر بسیار مفید هستند.

  3. مدل‌های متن‌باز محلی:
    برخی سازمان‌ها از مدل‌های زبان بزرگ متن‌باز مثل LLaMA 2 استفاده می‌کنند که می‌توانند روی سرورهای داخلی یا حتی لپ‌تاپ‌های قوی اجرا شوند. این مدل‌ها قابلیت آموزش روی داده‌های داخلی را دارند و می‌توانند نسخه ساده‌ای از Copilot باشند. اما دقت و کیفیت آن‌ها معمولاً پایین‌تر از مدل‌های پیشرفته GPT-4 است و نیاز به منابع سخت‌افزاری و تخصص فنی دارند.

  4. راهکارهای ترکیبی با اتصال دوره‌ای:
    اگر محیط شما عمدتاً آفلاین است اما گهگاهی به اینترنت وصل می‌شود، می‌توانید از Copilot در زمان اتصال استفاده کنید تا محتوا یا تحلیل‌های مورد نیاز را تولید کرده و بعداً به صورت آفلاین از آن‌ها بهره ببرید. این روش برای موقعیت‌هایی مانند زیردریایی‌ها که اتصال دائم ندارند، کاربرد دارد.

خلاصه نهایی:
امکان راه‌اندازی Copilot محلی و سازمانی وجود دارد اما هنوز برای تجربه کامل و هوشمندی سطح GPT-4، بیشتر به کلود وابسته هستیم. مایکروسافت به سمت ارائه گزینه‌های خصوصی و آفلاین در حال حرکت است و احتمال دارد در آینده نسخه‌های محلی و کوچک‌تری از مدل‌ها را ارائه دهد. سازمان‌هایی که نیاز به اجتناب از کلود دارند، می‌توانند از روش‌های ایزوله Azure، مدل‌های متن‌باز یا راهکارهای ترکیبی استفاده کنند ولی هرکدام محدودیت‌هایی دارند. بسیاری از شرکت‌ها فعلاً منتظر پیشرفت‌های آینده هستند و برخی با محدودیت‌هایی Copilot را در محیط‌های آزمایشی امتحان می‌کنند.

راهبردها برای محیط‌های با اتصال محدود: کسب ارزش از کوپایلت

در محیط‌هایی که اتصال اینترنت محدود یا امنیت بالا مورد نیاز است، استفاده کامل آفلاین از Copilot هنوز محدود است، اما راهکارهایی وجود دارد که می‌توان از مزایای آن بهره برد:

  1. استفاده از Copilot در یک منطقه شبکه کنترل‌شده:
    راه‌اندازی یک ایستگاه کاری مخصوص (مثلاً «ایستگاه تحقیق») که اجازه اتصال به اینترنت (از طریق کانال‌های کنترل‌شده) دارد و فقط در همان محیط می‌توان از Copilot استفاده کرد تا ریسک نفوذ به کل شبکه کاهش یابد.

  2. استفاده از لینک‌های خصوصی و VPN:
    با استفاده از Azure ExpressRoute یا تونل‌های VPN، همه ترافیک Copilot از طریق شبکه امن سازمان و بدون عبور از اینترنت عمومی به مایکروسافت منتقل می‌شود. این روش امنیت و انطباق را افزایش می‌دهد.

  3. ادغام داده‌های داخلی از طریق Graph Connectors:
    اطلاعات داخلی مثل فایل‌ها و پایگاه‌های داده به‌صورت امن به فضای ابری منتقل شده و به Copilot امکان پاسخ به سوالات با داده‌های سازمانی داده می‌شود، بدون نیاز به دسترسی مستقیم Copilot به شبکه داخلی.

  4. آموزش کاربران و استفاده از محیط‌های آزمایشی (Sandbox):
    آموزش پرسنل درباره داده‌های حساس که نباید در Copilot وارد شود و تعیین سیاست‌های داخلی برای جلوگیری از ارسال اطلاعات محرمانه، مخصوصاً تا زمان فراهم شدن مدل‌های کاملاً خصوصی.

  5. نظارت و بهبود مستمر:
    فعال‌سازی سیستم‌های گزارش‌گیری و بررسی عملکرد Copilot با ابزارهایی مثل Microsoft Purview برای اطمینان از امنیت داده‌ها و تشخیص نیاز به راه‌حل‌های آفلاین.

  6. ارزیابی سخت‌افزار Copilot+ برای استفاده میدانی:
    برای کارمندان پرتحرک یا مناطقی با اینترنت ضعیف، استفاده از دستگاه‌های دارای قابلیت‌های هوش مصنوعی محلی (مانند Copilot+ PC) که می‌توانند در حالت آفلاین برخی وظایف را انجام دهند و هنگام اتصال مجدد داده‌ها را همگام‌سازی کنند.

  7. برنامه‌ریزی برای استقرارهای ترکیبی آینده:
    پیگیری نقشه راه مایکروسافت برای Copilot و آماده‌سازی زیرساخت‌ها (هویت، شبکه، سخت‌افزار) برای ادغام راهکارهای ترکیبی آفلاین و آنلاین، مانند استفاده از Azure Stack یا Copilot Studio برای ساخت دستیارهای سفارشی.

2024 5 microsoft copilot 66cc7d122b5676090d02ed23 استفاده از مایکروسافت کوپایلت بدون نیاز به فضای ابری آبان 1405 5

مایکروسافت چشم‌انداز خود را برای هوش مصنوعی همه‌جانبه اعلام کرده است؛ جایی که هوش مصنوعی نه فقط در ابر بلکه روی دستگاه‌ها و در محیط‌های محلی (Edge و On-Prem) هم فعال باشد. این شامل استفاده از AI محلی در ویندوز، گسترش Copilot مایکروسافت ۳۶۵ به دولت‌ها، ارائه مدل‌های خصوصی روی آژور و احتمالاتی برای استفاده در محیط‌های محلی است.

ساتیا نادلا، مدیرعامل مایکروسافت، به توزیع محاسبات و نقش AI در همه پلتفرم‌ها اشاره دارد. مایکروسافت در چیپ‌های AI محلی (مثل پردازنده‌های SQ در Surface Pro و همکاری با اینتل و کوالکام) سرمایه‌گذاری کرده است تا پردازش AI روی دستگاه‌ها نیز انجام شود. همکاری با Meta و آوردن مدل LLaMA 2 روی Azure و حمایت از مدل‌های باز نیز نشان می‌دهد که مایکروسافت قصد دارد مدل‌های کوچکتر را برای برخی وظایف Copilot به صورت محلی اجرا کند یا اجازه دهد مشتریان مدل‌های خود را وارد کنند.

با این حال، مدل‌های بسیار بزرگ که قدرت اصلی Copilot را فراهم می‌کنند، هنوز برای اکثر مشتریان امکان اجرا به طور کامل روی محیط‌های محلی وجود ندارد و وابستگی به ابر همچنان ادامه دارد. اما انتظار می‌رود ترکیب پردازش در ابر و محلی تغییر کند و گزینه‌های میزبانی خصوصی‌تر و محلی بیشتر شود.

مایکروسافت به صورت فعال روی نسخه‌های احتمالی On-Prem کار می‌کند و می‌داند رقبایی مثل IBM و AWS در این حوزه فعالند. برای جلوگیری از از دست دادن مشتریان بزرگ با سیاست‌های عدم استفاده از ابر، فشارها برای ارائه نسخه‌های محلی بیشتر خواهد شد.

در نتیجه، روند واضح است: مایکروسافت در حال کاهش وابستگی کامل Copilot به ابر با افزودن قابلیت‌های پردازش محلی و خصوصی‌سازی است. از سال ۲۰۲۳ که Copilot فقط ابری بود، اکنون در اواخر ۲۰۲۴، روی دستگاه‌ها تا ۴۰ مدل محلی قابل استفاده است و احتمالاً تا پایان ۲۰۲۵ نسخه‌هایی روی Azure Stack یا به شکل کانتینرهای آفلاین خواهیم دید.

چشم‌انداز: آمادگی برای آینده هیبریدی AI

  • اکنون Copilot هنوز به اینترنت و ابر وابسته است و استفاده کاملاً آفلاین عمومی نیست، مگر در دستگاه‌های خاص ویندوزی.

  • مایکروسافت با روش‌های هیبریدی (ابر خصوصی، اجرای محلی AI و احتمالات آینده on-prem) وابستگی به ابر را کاهش می‌دهد.

  • سازمان‌ها می‌توانند بخش‌هایی از کار را در ابر انجام دهند و برای بخش‌های حساس یا آفلاین از روش‌های جایگزین استفاده کنند.

  • Copilot مزایای زیادی در افزایش بهره‌وری دارد و سازمان‌ها ترجیح می‌دهند آن را به شکل ایمن به کار گیرند تا آن را رد کنند.

  • مایکروسافت ابزارها و تعهدات سازمانی برای حفظ امنیت، حریم خصوصی و انطباق ارائه کرده است که CIOها را به تست و استفاده محدود ترغیب می‌کند.

  • برای موفقیت، سازمان‌ها باید موارد کاربرد، شرایط اتصال، سیاست‌های AI، آموزش کاربران و نظارت بر بازگشت سرمایه را در نظر بگیرند.

در نهایت، آینده AI سازمانی ترکیبی خواهد بود؛ کوپایلوت مایکروسافت روی دسکتاپ، لپ‌تاپ یا حتی در مکان‌های بدون اینترنت نیز قابل دسترسی و مفید خواهد بود. مایکروسافت این روند را شناخته و در حال فراهم کردن زیرساخت‌ها برای تطبیق با این نیازهای متنوع است.