Hafez Fabric

درگاه هوش مصنوعی تحت حاکمیت

هوش مصنوعی را در سازمان به کار بگیرید بدون آنکه داده محرمانه‌تان را بیرون بفرستید. Fabric روی زیرساخت خودتان اجرا می‌شود، داده حساس را پیش از رسیدن به مدل ابری ناشناس می‌کند و بر مدل‌ها، دانش و عامل‌ها حاکمیت می‌گذارد.

درباره Fabric

بیشتر سازمان‌ها سر یک دوراهی گیر کرده‌اند. مدل‌های ابری توانمندند و کار را سریع‌تر می‌کنند، اما فرستادن قرارداد، پرونده مشتری یا گزارش امنیتی به سرویسی بیرون از سازمان پذیرفتنی نیست؛ گاهی هم قانون اجازه نمی‌دهد. نتیجه معمولاً یکی از این دو است: استفاده ممنوع می‌شود و مزیت آن از دست می‌رود، یا کارکنان بی‌سروصدا داده را در ابزارهای شخصی وارد می‌کنند و سازمان دیگر نمی‌داند چه چیزی بیرون رفته است.

Fabric این دوراهی را برمی‌دارد. پلتفرم خودمیزبان است، روی زیرساخت خود شما اجرا می‌شود و میان کاربران و مدل‌ها می‌نشیند: داده حساس را پیش از خروج جایگزین می‌کند و پس از دریافت پاسخ دوباره سر جایش می‌گذارد، دسترسی هر تیم و هر مشتری را جدا نگه می‌دارد، پاسخ‌ها را از اسناد خود سازمان و با ارجاع می‌سازد، عامل‌ها را تنها با ابزارهای ثبت‌شده و پشت تأیید انسانی اجرا می‌کند و هر درخواست را ثبت می‌کند.

این پلتفرم را وادی ایمن حافظ برای کار خودش ساخت، چون همین محدودیت را در کار امنیتی روی داده مشتریان داشت. امروز هر روز از آن استفاده می‌کنیم و اکنون آن را به سازمان‌هایی عرضه می‌کنیم که همان مسئله را دارند.

ناشناس
داده حساس در مسیر خروج
خودمیزبان
روی زیرساخت شما
تفکیک‌شده
فضای کاری هر تیم و مشتری
ممیزی
ثبت هر درخواست

داده شما از سازمان خارج نمی‌شود

برای سازمان‌هایی که نگران محرمانگی داده در مدل‌های ابری هستند: Fabric داده حساس را پیش از ارسال جایگزین می‌کند و پس از دریافت پاسخ، آن را بازمی‌گرداند

1
داده حساس شناسایی می‌شود
پیش از آنکه درخواست از شبکه شما خارج شود، Fabric متن آن را، از جمله متن تصویرها و فایل‌های PDF پیوست، می‌خواند و مقادیر محرمانه را پیدا می‌کند. کد ملی، شماره کارت و شبا، شماره تماس، نشانی رایانامه، نشانی آی‌پی و نام میزبان داخلی به‌طور خودکار شناسایی می‌شوند و رقم کنترل شناسه‌های ایرانی هم بررسی می‌شود. نام اشخاص و مشتریان، نشانی، شماره قرارداد و کد پروژه‌ها با فهرست‌ها و الگوهایی پوشش داده می‌شوند که مدیران برای هر فضای کاری تعریف می‌کنند.
2
جایگزین می‌شود، سپس درخواست ارسال می‌گردد
هر مقدار با یک جای‌نگه‌دار برچسب‌دار مثل [[IR_NATIONAL_ID_1]] جایگزین می‌شود و یک مقدار همیشه همان جای‌نگه‌دار را می‌گیرد تا پرسش همچنان معنا بدهد: یک مشتری در سراسر متن همان یک مشتری می‌ماند. تنها همین نسخه ناشناس به مدل بیرونی می‌رسد؛ ارائه‌دهنده پرسشی منسجم دریافت می‌کند و هیچ داده‌ای از شما نمی‌بیند.
3
پاسخ کامل بازمی‌گردد
پاسخ با همان جای‌نگه‌دارها بازمی‌گردد. Fabric درون شبکه خودتان مقادیر واقعی را دوباره سر جایشان می‌گذارد و پاسخ نهایی را به کاربر می‌دهد. خواننده یک پاسخ عادی و کامل می‌بیند، در حالی که بخش محرمانه آن هرگز از مرز سازمان عبور نکرده است.
چه چیزی جایگزین می‌شود
  • کد ملی، شماره کارت و شبا، به‌طور خودکار
  • شماره تماس و نشانی رایانامه، به‌طور خودکار
  • نام میزبان و نشانی آی‌پی داخلی، به‌طور خودکار
  • نام اشخاص، مشتریان و تأمین‌کنندگان، از فهرست‌های شما
  • نشانی، شماره قرارداد و کد پروژه، از الگوهای شما
  • متن درون تصویرها و فایل‌های PDF، با OCR فارسی
چه چیزی دست‌نخورده می‌ماند
  • خود پرسش و آنچه می‌خواهد
  • ساختار و معنای متن
  • نسبت میان داده‌ها، به‌صورت یکدست
  • کیفیت پاسخی که دریافت می‌کنید

پس از فعال‌شدن برای یک فضای کاری، همین قاعده در گفت‌وگو، پایگاه دانش، عامل‌ها و اتصال برنامه‌ها یکسان اعمال می‌شود. برای حساس‌ترین کارها می‌توانید یک فضای کاری را تنها به مدل‌های داخلی محدود کنید تا هیچ درخواستی از سازمان خارج نشود.

دو لایه محافظت

الگوها مقدارها را پیدا می‌کنند و یک مدل هوش مصنوعی محلی معنای اسناد را می‌فهمد؛ هر دو درون شبکه شما اجرا می‌شوند.

پرسش همکارسند یا تصویر پیوستدرون شبکه‌ی شماخواندن متنOCR فارسی و انگلیسی برای تصویر و PDFلایه‌ی ۱ · قاعده، پیش از خروجلایه‌ی ۲ · هوش مصنوعی محلییافتن مقدار محرمانهرقم کنترل، فهرست‌ها و الگوهای شماپوشاندن یا مسدود کردنبرای هر نوع، به انتخاب مدیرفهم محتوای سندمدل محلی، با برچسب‌های شمابرچسب محرمانگینامه‌ی محرمانه، صورت‌جلسه، قراردادلاگ ممیزینوع، تعداد و برچسب؛ هرگز خود دادهمدل بیرونیفقط نسخه‌ی پوشانده
لایه اول: قاعده، پیش از خروج
پس از آنکه متن فارسی یکدست و متن داخل تصویر و PDF با OCR خوانده شد، کد ملی، شماره کارت و شبا با رقم کنترل، همراه فهرست‌ها و الگوهای خود شما، شناسایی می‌شوند. مدیر برای هر نوع مقدار تعیین می‌کند چه شود: ثبت، پوشاندن یا مسدود کردن درخواست. وقتی محافظت روشن است، تصویر و فایل به مدل بیرونی فرستاده نمی‌شود مگر اینکه مدیر اجازه دهد.
لایه دوم: هوش مصنوعی که معنا را می‌فهمد
الگوها نامه محرمانه را از اطلاعیه عمومی تشخیص نمی‌دهند؛ مدلی که درون شبکه شما اجرا می‌شود این کار را می‌کند. اسناد بارگذاری‌شده، و اگر بخواهید پرسش‌های ارسالی، را می‌خواند و بر اساس دستوری که به زبان ساده می‌نویسید، برچسب‌هایی را که سازمان تعریف کرده، مثل «نامه محرمانه»، «صورت‌جلسه هیئت‌مدیره» یا «قرارداد»، به آن‌ها می‌زند. به‌طور پیش‌فرض فقط روی مدل محلی اجرا می‌شود، پس چیزی برای سنجیده‌شدن بیرون نمی‌رود؛ و اگر مدل مجازی تعریف نشده باشد، اصلاً اجرا نمی‌شود. هر برچسب، و هرگز خود متن، در لاگ ممیزی ثبت می‌شود تا ببینید کدام اسناد محرمانه با هوش مصنوعی به کار رفته‌اند.

برچسب‌ها برای بررسی ثبت می‌شوند؛ پوشاندن و مسدود کردن کار لایه اول است.

یک پلتفرم، سه لایه

اجرای پرخطر از کنترل و داده جدا نگه داشته می‌شود تا یک اشتباه در یک لایه به لایه دیگر سرایت نکند

لایه کنترل
ورود کاربران، فضاهای کاری، دسترسی‌ها، مسیریابی مدل‌ها، قواعد ناشناس‌سازی، سهمیه‌ها و ثبت ممیزی. مدیر اینجا تعیین می‌کند چه چیزی مجاز است و هر درخواست همین‌جا ثبت می‌شود.
لایه دانش
اسناد شما، شیوه نمایه‌شدن آن‌ها و ساخت پاسخ از روی آن‌ها همراه با ارجاع. مجوز اسناد تا مرحله بازیابی دنبال می‌شود؛ پس کسی نمی‌تواند از طریق دستیار به سندی برسد که اجازه بازکردنش را ندارد.
لایه اجرا
جایی که مدل‌ها اجرا می‌شوند و عامل‌ها کار می‌کنند؛ تنها با ابزارهای ثبت‌شده و با مسیر خروجی محدود. اجرای پرخطر همین‌جا نگه داشته می‌شود، دور از پورتال و داده: ابزارهای عامل پشت یک فهرست ممنوع اجرا می‌شوند و ترافیک خروجی از یک کارگزار خروجی با فهرست مجاز می‌گذرد.

Fabric چگونه ساخته شده است

چهار نما از معماری: بر سر یک درخواست چه می‌آید، تیم‌ها چگونه جدا می‌مانند، پلتفرم کجا اجرا می‌شود و پاسخ‌ها و اقدام‌ها چگونه قابل پیگیری می‌مانند.

درخواستاز کارمند یا برنامههویت و فضای کاریورود یکپارچه یا کلید APIبلهبدون هویترد · ۴۰۱مدل مجاز است؟فهرست مجاز همان کاربر یا کلیدبلهمدل غیرمجازرد · ۴۰۳سهمیه و بودجه هست؟توکن، درخواست، سقف بودجهبلهسهمیه تمام شدرد · ۴۲۹پوشاندن داده‌ی محرمانهاگر مدل بیرونی استمدل پاسخ می‌دهدمحلی یا بیرونیثبت و هزینهبه تومان، در لحظهمدیر تعیین می‌کندکاربرمدل‌ها و سهمیهکلید APIمدل، دانش، قالبارائه‌دهندهنرخ و سقف بودجهفضای کاریقواعد پوشاندن
پیش از آنکه درخواستی به مدلی برسد، Fabric بررسی می‌کند چه کسی می‌پرسد، آن مدل برایش مجاز است یا نه و سهمیه و بودجه‌اش باقی است یا نه؛ سپس آنچه نباید بیرون برود پوشانده و هزینه به تومان ثبت می‌شود.

نگاهی به پورتال

همان پورتالی که تیم شما از آن استفاده می‌کند — بار کاری، دانش و راهبری در یک‌جا: گفت‌وگوی تحت حاکمیت با ارجاع، پوشاندن پیش از هر خروج، و ثبت هر درخواست

ارقام و موارد نمایش‌داده‌شده نمونه‌ای تصویری‌اند، نه داده زنده و واقعی.

Fabric — درگاه هوش مصنوعی تحت حاکمیت
پیش‌نمایش

نمایشی از رابط کاربری با داده نمونه. با زبانه‌های بالا میان صفحه‌ها جابه‌جا شوید.

قابلیت‌های کلیدی

آنچه هوش مصنوعی را در سازمان قابل اتکا و قابل حسابرسی می‌کند

ناشناس‌سازی پیش از ابر
از قوی‌ترین مدل‌های بیرونی استفاده کنید بدون آنکه داده محرمانه‌تان را تحویل دهید. داده حساس در مسیر خروج پوشانده و در مسیر بازگشت بازگردانده می‌شود، و پس از فعال‌شدن پوشش برای یک فضای کاری، گزارش فعالیت برای هر درخواست نشان می‌دهد چه چیزی پوشانده شده است.
یک دروازه برای همه مدل‌ها
مدل‌هایی که خودتان اجرا می‌کنید و مدل‌هایی که می‌خرید پشت یک نقطه اتصال سازگار قرار می‌گیرند. برنامه‌ای که برای رابط رایج هوش مصنوعی نوشته شده بدون تغییر کار می‌کند و تعویض ارائه‌دهنده یک تنظیم مدیریتی است، نه پروژه توسعه.
پایگاه دانشی که منبع می‌دهد
سیاست‌ها، قراردادها، گزارش‌ها و راهنماهای خود را بارگذاری کنید و پاسخ‌هایی بگیرید که از دل همان‌ها ساخته شده و به بند مرجع هر ادعا ارجاع می‌دهد. هر فرد تنها از اسنادی بازیابی می‌کند که اجازه بازکردنشان را دارد؛ پس دستیار هرگز به راهی برای دور زدن دسترسی‌ها تبدیل نمی‌شود.
عامل‌هایی که اجازه می‌گیرند
یک عامل می‌تواند گزارشی را بخواند، از سامانه‌ای پرس‌وجو کند و نتیجه‌ای آماده کند، اما تنها با ابزارهایی که ثبت کرده‌اید، و پیش از هر اقدامی که چیزی را تغییر می‌دهد برای تأیید انسانی می‌ایستد. کسی که اجرا را درخواست می‌کند، تأییدکننده آن نیست.
تفکیک میان تیم‌ها و مشتریان
فضاهای کاری در خود پایگاه داده از هم جدا می‌شوند، نه فقط با یک فیلتر در لایه برنامه، و دسترسی برای هر عضو جداگانه تعیین می‌شود. یک پروژه مشاوره، یک شرکت تابعه یا یک واحد سازمانی می‌توانند از یک نصب مشترک استفاده کنند بدون آنکه حتی یک سند مشترک داشته باشند.
ثبت کامل همه درخواست‌ها
اینکه چه کسی پرسیده، کدام مدل پاسخ داده، از کدام اسناد استفاده شده، فراخوانی هر برنامه چه هزینه‌ای داشته و چه چیزی از شبکه خارج شده، همه ثبت می‌شود. مدت نگهداری سیاستی است که خودتان تعیین می‌کنید؛ پس سیاهه‌ها دقیقاً تا زمانی می‌مانند که قواعد شما می‌خواهد.
کلیدهایی محدود به یک هدف
وقتی برنامه دیگری به پلتفرم وصل می‌شود، کلید آن را می‌توان به یک پایگاه دانش و یک قالب مشخص با سهمیه اختصاصی محدود کرد. کلید لو رفته آنگاه ارزش چندانی ندارد: تنها یک در باریک را باز می‌کند و استفاده از آن در همان سابقه ممیزی دیده می‌شود.
هیچ چیز بدون اجازه خارج نمی‌شود
ترافیک خروجی از یک کارگزار خروجی با فهرست مجاز می‌گذرد؛ پس یک مدل، عامل یا اتصال‌دهنده تنها به مقصدهایی می‌رسد که تأیید کرده‌اید و هر چیز دیگری رد و ثبت می‌شود. هر مقصد مجاز روی همان نشانی‌ای می‌ماند که بررسی شده است؛ پس نمی‌توان آن را در میانه درخواست به سامانه‌ای داخلی برگرداند.
برنامه‌ریزی‌شده: متصل به کار امنیتی شما
اتصال‌دهنده‌ها به پلتفرم امنیتی حافظ در برنامه‌اند: یافته‌ها و داده دارایی‌ها را به همان فضای کاری خواهند آورد تا کارشناس بتواند درباره یک در معرض قرار گرفتن بپرسد و پاسخی بگیرد که بر داده جاری خود سازمان استوار است. آن پلتفرم هنوز مستقر نشده، پس این اتصال‌دهنده‌ها امروز در دسترس نیستند.
سهمیه‌ای که رعایت می‌شود
برای هر عضو و هر کلید برنامه سهمیه درخواست و توکن تعیین می‌شود تا یک تیم یا یک برنامه نتواند کل ظرفیت را مصرف کند. هزینه فراخوانی‌ها از طریق API در همان لحظه به تومان محاسبه می‌شود؛ پس می‌بینید هر برنامه چقدر هزینه دارد.
دیدن مسیر ساخت پاسخ
هر پاسخ را می‌توان باز کرد: کدام مدل استفاده شده، کدام بندها بازیابی شده‌اند، چه ابزارهایی اجرا شده و هر گام چقدر طول کشیده است. وقتی نتیجه‌ای درست به نظر نمی‌رسد، می‌توانید آن را بررسی کنید، نه اینکه درباره‌اش بحث کنید.
فایل در گفت‌وگو، بدون رد پا
هر همکار می‌تواند سندی را به گفت‌وگو پیوست کند و درباره‌اش بپرسد. فایل به همان نشست تعلق دارد، از همان قواعد پیروی می‌کند و بی‌سروصدا به پایگاه دانش مشترک اضافه نمی‌شود.
رابط فارسی و راست‌به‌چپ
پورتال به فارسی، با چینش راست‌به‌چپ و تاریخ شمسی کار می‌کند و به انگلیسی هم در دسترس است، با پوسته روشن و تیره. کارکنان از روز نخست با زبان خودشان از آن استفاده می‌کنند.
هزینه هوش مصنوعی، به تومان
صفحه قیمت مدل‌ها صدها مدل از درگاه‌های داخلی و خارجی را کنار هم و به تومان مقایسه می‌کند و درگاه می‌تواند برای هر فراخوانی ارزان‌ترین مدلی را برگزیند که قواعد شما اجازه می‌دهد. انتخاب مدل به تصمیمی مالی تبدیل می‌شود که پیش چشم شماست.
سند و تصویر، نه فقط متن
متن درون تصویرها و فایل‌های PDF پیوست، از جمله متن فارسی، پیش از ارسال خوانده می‌شود و یک دسته‌بند که روی مدل داخلی اجرا می‌شود می‌تواند اسنادی مثل نامه‌های محرمانه را تشخیص دهد تا قواعد شما با آن‌ها متناسب رفتار کند.

کاربردها

هر جا که کار با هوش مصنوعی به داده‌ای برمی‌خورد که نباید بیرون برود

بانک‌ها و صنایع تحت مقررات
سوابق مشتری، تراکنش‌ها و قراردادها درون بانک می‌مانند و در عین حال کارکنان برای تهیه پیش‌نویس، بازبینی و تحلیل از مدل‌های توانمند استفاده می‌کنند.
تیم‌های امنیتی با داده مشتری
یافته‌ها، سیاهه‌ها و گزارش‌های هر پروژه فقط درون همان پروژه خوانده می‌شوند و نام مشتری هرگز به ارائه‌دهنده بیرونی نمی‌رسد.
دستیارهای سراسر سازمان
یک دستیار روی سیاست‌ها، رویه‌ها و راهنماهای داخلی که با ارجاع پاسخ می‌دهد تا کارکنان درباره قواعد سازمان حدس نزنند.
خودکارسازی فرایندهای امنیتی
دسته‌بندی اولیه، غنی‌سازی و پیش‌نویس گزارش به‌صورت وظایف تحت حاکمیت عامل‌ها اجرا می‌شوند و هر کاری که اثری برجا می‌گذارد تأیید انسانی می‌خواهد.
بررسی حقوقی، ممیزی و انطباق
قراردادهای طولانی و شواهد ممیزی خلاصه و مقایسه می‌شوند بدون آنکه خود اسناد از سازمان خارج شوند.
حوزه‌های دارای تکلیف قانونی محرمانگی
سلامت، بخش عمومی و حوزه‌های دیگری که ارسال سوابق شخصی به سرویس بیرونی در آن‌ها اساساً مجاز نیست.

چگونه کار می‌کند

از نصب تا استفاده روزمره تیم‌ها

1
نصب روی زیرساخت شما
Fabric روی سرورهای تحت کنترل شما و درون شبکه خودتان اجرا می‌شود. تیم ما آن را همراه شما نصب می‌کند، به سامانه ورود سازمان وصل می‌کند و محیطی تحویل می‌دهد که از روز نخست در اختیار مدیران خودتان است.
2
اتصال مدل‌ها
مدل‌های موردنظر را ثبت کنید: مدل‌هایی که روی سخت‌افزار خودتان اجرا می‌شوند، مدل‌هایی از ارائه‌دهنده‌ای که از پیش با آن کار می‌کنید، یا هر دو. سپس تعیین کنید هر تیم به کدام مدل دسترسی دارد و کدام کارها باید فقط روی مدل داخلی بماند.
3
یک‌بار نوشتن قواعد
تعیین کنید چه چیزی حساس است، چه کسی به چه چیزی دسترسی دارد، هر عضو و هر برنامه چقدر می‌تواند مصرف کند، سیاهه‌ها چقدر نگهداری شوند و کدام گام‌های عامل تأیید انسانی می‌خواهند. این‌ها تنظیماتی در پورتال‌اند، نه کد، و همه‌جا هم‌زمان اعمال می‌شوند.
4
شروع کار تیم‌ها
کاربران از یک پورتال به گفت‌وگو، پایگاه دانش و عامل‌ها دسترسی دارند و برنامه‌های دیگر به همان دروازه وصل می‌شوند. هر درخواست تحت حاکمیت است، در جایی که قواعد شما بخواهد ناشناس می‌شود و ثبت می‌گردد.

گزینه‌های استقرار

از یک سرور تا شبکه‌ای که هیچ راهی به بیرون ندارد

یک سرور
برای یک واحد سازمانی یا شروع کار کافی است: کل پلتفرم روی یک ماشین، با پایگاه داده و فضای ذخیره‌سازی خودتان.
خوشهدر دست توسعه
در دست توسعه: برای بار سنگین‌تر، همین پلتفرم روی خوشه‌ای که خودتان اداره می‌کنید اجرا خواهد شد و با رشد کار، تفکیک تیم‌ها و بارها را حفظ می‌کند.
طراحی‌شده برای شبکه آفلاین
Fabric طوری طراحی شده که تنها با مدل‌های داخلی و بدون هیچ مسیری به اینترنت کار کند؛ مناسب شبکه‌های طبقه‌بندی‌شده و محیط‌های جداشده از بیرون.

چرا Fabric

تفاوت آن با به‌کارگیری مستقیم سرویس‌های هوش مصنوعی

محرمانگی، کار پلتفرم است
پرسش «آیا می‌توانیم از این مدل استفاده کنیم بدون آنکه داده‌مان بیرون برود؟» را پلتفرم پاسخ می‌دهد، نه احتیاط تک‌تک همکاران. وقتی مدیر آن را برای یک فضای کاری روشن کند، قاعده در مسیر خروج اعمال می‌شود، برای همه و در همه مسیرها.
مالکیت کامل پلتفرم
خودمیزبان است و روی سخت‌افزار خودتان اجرا می‌شود و طوری طراحی شده که بدون هیچ سرویس بیرونی کار کند. برای سازمان‌هایی که نمی‌توانند به ارائه‌دهندگان خارجی تکیه کنند، همین تفاوت میان به‌کارگیری هوش مصنوعی و به تعویق انداختن آن است.
حاکمیت به‌جای حدس
دسترسی، سهمیه، نگهداری داده و تأییدها به‌صورت متمرکز مدیریت می‌شوند؛ پس استفاده می‌تواند در سازمان گسترده شود بدون آنکه کسی کنترل هزینه و ریسک را از دست بدهد.
ساخته یک شرکت امنیتی و در استفاده روزمره
Fabric همان پلتفرمی است که وادی ایمن حافظ برای کار خودش ساخته و هر روز از آن استفاده می‌کند. ایزوله‌سازی، ممیزی و کمینه‌سازی دسترسی در طراحی آن است، نه قابلیت‌هایی که پس از یک حادثه اضافه شده باشند.

دیتاشیت Fabric

همه‌ی قابلیت‌های Fabric در یک سند ۱۶ صفحه‌ای: معماری، ارائه‌دهنده‌ها و هزینه، محرمانگی، فضاهای کاری، پایگاه دانش، عامل‌ها و استقرار. آماده‌ی چاپ و ارسال برای همکاران.

۱۶ صفحه PDF · A4

دریافت دیتاشیت

پرسش‌های متداول

آنچه سازمان‌ها پیش از تصمیم‌گیری درباره Fabric می‌پرسند

آیا داده ما به ارائه‌دهنده مدل می‌رسد؟
دقیقاً چه چیزی ناشناس می‌شود؟
اگر داده حساسی شناسایی نشود چه؟
آیا Fabric بدون اتصال به اینترنت کار می‌کند؟
چه مدل‌هایی را می‌توان متصل کرد؟
تفکیک تیم‌ها از یکدیگر چگونه است؟
آیا کارکنان می‌توانند از دستیار برای دیدن اسناد غیرمجاز استفاده کنند؟
کنترل هزینه چگونه انجام می‌شود؟
یک عامل بدون انسان چه کاری می‌تواند بکند؟
برای اجرای آن به چه چیزی نیاز داریم؟
نسبت Fabric با دیگر پلتفرم‌های شما چیست؟
آیا برای استفاده باید برنامه‌هایمان را تغییر دهیم؟
هوش مصنوعی، بدون نگرانی از نشت داده
با تیم ما تماس بگیرید تا Fabric را ببینید و درباره نصب آن روی زیرساخت سازمان‌تان صحبت کنیم

آنچه درباره‌ی این سرویس نوشته‌ایم

امنیت هوش مصنوعی
چه چیزی به هوش مصنوعی نشت می‌کند و چطور جلویش را بگیریم
کارکنان هر روز اطلاعات مشتری، کد و قرارداد را به ابزارهای هوش مصنوعی می‌دهند، از راه‌هایی بیشتر از جعبه‌ی چت. داده کجا می‌رود، آن‌جا چه بر سرش می‌آید، و کدام کنترل‌ها بدون ممنوع کردن هوش مصنوعی جواب می‌دهند.
امنیت هوش مصنوعی
درگاه هوش مصنوعی در برابر ده ریسک OWASP چه می‌کند؟
ویرایش ۲۰۲۶ فهرست OWASP صریحاً می‌گوید برای تزریق پرامپت هیچ پیشگیری قابل‌اتکایی وجود ندارد. یک درگاه هوش مصنوعی با این ده ریسک چه می‌تواند بکند، چه سهمی به عهده‌ی اپلیکیشن شما می‌ماند و از فروشنده چه باید پرسید.
امنیت هوش مصنوعی
تزریق پرامپت در چت‌بات‌های فارسی
متن فارسی می‌تواند همان دستور را طوری بنویسد که فیلتر چیز دیگری ببیند و مدل همان را بفهمد. شکل‌های این کار، روش آزمون یک چت‌بات گام به گام، و دفاعی که به درست رفتار کردن مدل وابسته نیست.