معرفی Fara-7B مایکروسافت: ایجنت هوش مصنوعی آفلاین که از GPT-4 پیشی گرفت!

مایکروسافت به‌طور غیرمنتظره‌ای از یک مدل هوش مصنوعی جدید و قدرتمند رونمایی کرد: Fara-7B. این مدل کوچک، برخلاف غول‌های ابری مانند GPT-4، توانایی اجرای مستقیم روی کامپیوتر شخصی (آفلاین) را دارد و در بنچمارک‌های کلیدی، عملکرد بهتری از پیشرفته‌ترین مدل‌های OpenAI نشان داده است.

1. Fara-7B چیست و چگونه کار می‌کند؟

Fara-7B یک “ایجنت هوش مصنوعی” (AI Agent) است که با هدف خودکارسازی وظایف پیچیده در محیط‌های نرم‌افزاری طراحی شده است. این مدل نه تنها یک زبان مدل بزرگ (LLM) است، بلکه دارای قابلیت‌های ادراکی و عملیاتی است که آن را از مدل‌های صرفاً متنی متمایز می‌کند.

1.1. ماهیت ایجنتی و تعامل با رابط کاربری گرافیکی (GUI)

برخلاف مدل‌هایی مانند GPT-4 که عمدتاً در محیط‌های متنی (مانند چت‌بات‌ها) عمل می‌کنند، Fara-7B برای تعامل مستقیم با رابط‌های کاربری گرافیکی (GUI) توسعه یافته است. این قابلیت اصلی آن است:

1. بینایی ماشین (Computer Vision): Fara-7B می‌تواند صفحه نمایش کاربر را “ببیند” و اجزای بصری موجود در آن را درک کند. این شامل تشخیص دکمه‌ها، فرم‌ها، کادرهای متنی، لینک‌ها و ساختار کلی یک برنامه یا وب‌سایت است.
2. استدلال محیطی (Environmental Reasoning): پس از درک آنچه روی صفحه نمایش داده می‌شود، مدل استدلال می‌کند که گام بعدی برای دستیابی به هدف تعیین‌شده چیست. این استدلال بر اساس دانش قبلی و مشاهده لحظه‌ای محیط است.
3. اقدام (Action Execution): مدل قادر است اقدامات فیزیکی روی سیستم عامل (مانند کلیک کردن با ماوس، تایپ کردن با کیبورد، یا پیمایش در منوها) را شبیه‌سازی کرده و اجرا کند.

این مکانیسم به Fara-7B اجازه می‌دهد تا با هر نرم‌افزار یا وب‌سایتی که رابط کاربری گرافیکی دارد تعامل کند، حتی اگر کد منبع آن نرم‌افزار در دسترس نباشد و API یا اسکریپت‌های اتوماسیون خاصی برای آن وجود نداشته باشد. در واقع، Fara-7B مانند یک کاربر انسانی رفتار می‌کند که با استفاده از رابط کاربری کارهای خود را انجام می‌دهد.

01

چاپلوسی چت‌بات‌های هوش مصنوعی؛ پژوهش Nature از خطر تأیید رفتار نادرست کاربران می‌گوید

مشاهده بیشتر

02

آیفون 2027 با دوربین سلفی زیر نمایشگر؛ آغاز عصر نمایشگرهای واقعی اپل

مشاهده بیشتر

2. قدرت نهفته در مدل کوچک: شکست دادن GPT-4o در بنچمارک‌ها

یکی از شگفت‌انگیزترین جنبه‌های معرفی Fara-7B، عملکرد آن در مقایسه با مدل‌های پیشرو ابری است. مایکروسافت با ارائه یک مدل ۷ میلیارد پارامتری (7B) که توانایی اجرای محلی دارد، توانسته است مدل‌های بسیار بزرگ‌تر و پرهزینه‌تر را در وظایف خاصی پشت سر بگذارد.

2.1. بنچمارک WebVoyager

این مدل در مجموعه آزمون‌های استاندارد صنعتی WebVoyager که به طور خاص برای ارزیابی توانایی ایجنت‌های هوش مصنوعی در پیمایش و انجام وظایف در محیط‌های وب طراحی شده است، نتایج چشمگیری کسب کرده است:

• Fara-7B: کسب امتیاز ۷۳.۵ درصد موفقیت در تکمیل وظایف.
• GPT-4o (OpenAI): کسب امتیاز ۶۵.۱ درصد موفقیت در تکمیل وظایف.

این برتری نشان می‌دهد که تمرکز مایکروسافت بر روی تخصص‌گرایی عملیاتی به جای صرفاً افزایش اندازه مدل، نتایج ملموسی به همراه داشته است.

2.2. رویکرد تقطیر دانش (Knowledge Distillation)

دستیابی به این عملکرد از یک مدل کوچک‌تر، نتیجه مستقیم فرآیند تقطیر دانش است. این فرآیند شامل انتقال مهارت‌ها و دانش استدلال از یک مدل بزرگ‌تر و قوی‌تر (مدل معلم) به یک مدل کوچک‌تر و کارآمدتر (مدل دانش‌آموز) است.

مایکروسافت دانش مورد نیاز برای استدلال‌های پیچیده مورد نیاز برای تعامل با GUI را به‌طور مؤثر در پارامترهای کمتری از Fara-7B فشرده‌سازی کرده است. این فرآیند منجر به مدلی می‌شود که:

1. سریع‌تر است: اجرای مدل‌های کوچک‌تر روی سخت‌افزار محلی بسیار سریع‌تر از ارسال درخواست به سرورهای ابری است.
2. دقیق‌تر است (در دامنه وظیفه): دانش هدفمند، دقت را در اجرای وظایف مشخص افزایش می‌دهد.

3. تکنیک نوآورانه: آموزش از طریق سیستم‌های چند-ایجنتی

آموزش سنتی مدل‌های هوش مصنوعی اغلب متکی بر حجم عظیمی از داده‌های انسانی برچسب‌گذاری شده است که فرآیندی کند، پرهزینه و مستعد خطای انسانی است. مایکروسافت برای Fara-7B رویکردی کاملاً متفاوت اتخاذ کرده است.

3.1. Magentic-One: تولید مصنوعی داده‌های آموزشی

محققان از یک سیستم پیچیده چند-ایجنتی (Multi-Agent System) به نام Magentic-One برای تولید خودکار داده‌های آموزشی استفاده کردند.

روند کار به این صورت است:

1. ایجاد سناریوها: Magentic-One مجموعه‌ای از وظایف مشخص (مانند “رزرو بلیط هواپیما در وب‌سایت X” یا “پر کردن یک فرم پیچیده اداری”) را دریافت می‌کند.
2. اجرای آزمایشی: چندین ایجنت مجازی با هم کار می‌کنند تا به صورت تکراری این وظایف را در یک محیط شبیه‌سازی شده انجام دهند.
3. تولید داده‌های موفق: هر بار که ایجنت‌ها موفق به تکمیل وظیفه می‌شوند، مسیر اقدامات (کلیک‌ها، تایپ‌ها و تصمیم‌گیری‌ها) به عنوان یک نمونه موفق ثبت می‌شود.

این فرآیند تکرار شد تا در نهایت ۱۴۵ هزار سناریوی موفق تولید شد. این حجم عظیم از داده‌های شبیه‌سازی شده که مستقیماً فرآیند استدلال موفق را نشان می‌دهند، سپس برای آموزش و تنظیم دقیق Fara-7B استفاده شد. این روش تضمین می‌کند که مدل مستقیماً بر روی نحوه حل مسئله تمرکز می‌کند، نه صرفاً بر روی حفظ اطلاعات.

4. مزیت امنیتی اصلی: اجرای آفلاین و حفظ حریم خصوصی

مهم‌ترین جنبه کاربردی Fara-7B که آن را برای محیط‌های سازمانی جذاب می‌سازد، قابلیت اجرای آفلاین (On-Device Execution) است.

4.1. عدم نیاز به اتصال به ابر

• از آنجایی که مدل Fara-7B به طور کامل روی سخت‌افزار محلی کاربر (مانند لپ‌تاپ یا دسکتاپ) بارگذاری و اجرا می‌شود، تعاملات آن هرگز از شبکه محلی خارج نمی‌شوند.
• هیچ نیازی به ارسال محتوای صفحه نمایش یا اطلاعاتی که ایجنت پردازش می‌کند به سرورهای خارجی (مانند سرورهای مایکروسافت یا OpenAI) نیست.

4.2. امنیت داده‌های حساس

این ویژگی یک مزیت حیاتی برای صنایع دارای مقررات سخت‌گیرانه امنیتی و حفظ حریم خصوصی است:

• بخش مالی: خودکارسازی ورود داده‌های تراکنش‌ها یا گزارش‌گیری بدون ارسال اطلاعات حساب‌های بانکی به خارج.
• بخش بهداشت و درمان (HIPAA): پردازش سوابق پزشکی الکترونیکی (EMR) محلی بدون افشای اطلاعات هویتی بیمار.
• شرکت‌های حقوقی و دولتی: کار بر روی اسناد محرمانه و اطلاعات طبقه‌بندی شده.

حفظ حریم خصوصی در این سناریوها تضمین می‌شود، زیرا داده‌ها در مرز امن دستگاه باقی می‌مانند.

5. ملاحظات ایمنی: جلوگیری از خطاهای ناخواسته

اعطای توانایی کنترل مستقیم روی موس و کیبورد به یک هوش مصنوعی پتانسیل ایجاد خسارت را به همراه دارد. یک خطای کوچک در استدلال می‌تواند منجر به اقدامات جبران‌ناپذیری شود، مانند:

• ارسال ایمیل‌های حاوی اطلاعات اشتباه یا محرمانه به گیرنده اشتباه.
• تأیید ناخواسته تراکنش‌های مالی بزرگ.
• حذف تصادفی فایل‌های سیستمی مهم.

مایکروسافت برای کاهش این خطرات، یک مکانیسم کنترلی مهم را در معماری Fara-7B تعبیه کرده است: نقاط بحرانی (Critical Points).

5.1. مفهوم نقاط بحرانی (Critical Points)

1. نقاط بحرانی مناطقی از فرآیند اجرای ایجنت تعریف می‌شوند که در آن‌ها ریسک اجرای یک عمل بازگشت‌ناپذیر (Irreversible Action) بالا است.
2. هنگامی که Fara-7B به یک نقطه بحرانی می‌رسد، اجرای خودکار متوقف می‌شود و سیستم وارد حالت انتظار می‌شود.

نمونه‌های نقطه بحرانی:

• دکمه‌های تأیید نهایی: کلیک بر روی دکمه‌هایی مانند “ارسال”، “تأیید نهایی”، یا “انتقال پول”.
• دستورات حساس سیستمی: هر عملی که منجر به نصب نرم‌افزار، تغییر تنظیمات سیستمی مهم یا حذف داده‌ها شود.
• ورود به نواحی خصوصی: زمانی که ایجنت وارد یک فرم با فیلدهای اطلاعات شخصی (مانند رمز عبور یا شماره کارت اعتباری) می‌شود.

در این نقاط، رابط کاربری Fara-7B یک اعلان به کاربر نمایش می‌دهد و منتظر تأیید صریح (مانند فشردن دکمه “تأیید” در پنجره پاپ‌آپ هوش مصنوعی) می‌ماند تا ایجنت بتواند گام بعدی را بردارد.

6. دسترسی عمومی و وضعیت فعلی

مایکروسافت رویکردی شفاف و تدریجی برای انتشار Fara-7B اتخاذ کرده است تا جامعه توسعه‌دهندگان بتواند امنیت و کارایی آن را در سناریوهای مختلف آزمایش کند.

6.1. انتشار تحت مجوز MIT

مدل Fara-7B در حال حاضر از طریق پلتفرم Hugging Face و تحت مجوز MIT برای عموم در دسترس قرار گرفته است. مجوز MIT یکی از مجوزهای متن‌باز (Open-Source) بسیار آزاد است که امکان استفاده، تغییر و توزیع گسترده مدل را فراهم می‌آورد.

6.2. نسخه آزمایشی (Experimental)

با وجود نتایج چشمگیر بنچمارک‌ها، مایکروسافت به‌صراحت اعلام کرده است که این نسخه منتشر شده، نسخه‌ای آزمایشی (Experimental) است. این بدان معناست که:

1. عدم تضمین عملکرد مطلق: ممکن است در محیط‌های کاربری جدید یا نرم‌افزارهای بسیار خاص، عملکرد آن دچار اختلال شود.
2. احتیاط در کاربردهای حیاتی: برای وظایف بسیار حیاتی، امنیتی یا دارای ریسک مالی بالا، هنوز توصیه می‌شود که کاربران تا زمان انتشار نسخه‌های پایدارتر، با احتیاط کامل عمل کنند و نظارت انسانی دقیقی داشته باشند.

انتشار عمومی Fara-7B نشان‌دهنده تعهد مایکروسافت به ایجاد هوش مصنوعی قدرتمند و در عین حال محلی (Local) است که حریم خصوصی را در اولویت قرار می‌دهد.