مدیر زیرساخت برای شناسایی Hostهای دارای مشکل بحرانی، کارشناس فروش برای تطبیق نیاز مشتری با محصولات سازمان و مهندس تعمیرات برای یافتن راهکار خطا در مستندات فنی، به اطلاعات دقیق و قابل‌اعتماد نیاز دارند. دستیارهای هوشمند می‌توانند با استفاده از داده‌های مجاز سازمان، پاسخ‌گویی به این نیازها را تسهیل کنند.
VMware Cloud Foundation (VCF) 9.1 با فراهم‌کردن بستری برای ساخت و اجرای هوش مصنوعی خصوصی (Private AI)، استفاده از دانش داخلی و اتصال دستیارها به ابزارهای کاری، امکان توسعه چنین خدماتی را در محیط تحت کنترل سازمان فراهم می‌کند.
در این راهنما، ابتدا تفاوت دستیار مدیریت زیرساخت و خدمات Private AI را روشن می‌کنیم؛ سپس کاربردهای سازمانی و در پایان، هزینه‌ها و مراحل شروع پایلوت را بررسی می‌کنیم.
بخش اول | شناخت Private AI و دستیار مدیریت زیرساخت
ابتدا با دو مسیر استفاده از AI در VMware آشنا می‌شویم؛ سپس کاربرد دستیار زیرساخت و محدودیت‌های آن را بررسی می‌کنیم.
- هوش مصنوعی در VMware چیست؟
- چرا Private AI برای سازمان‌ها اهمیت دارد؟
- دستیار مدیریت زیرساخت در VCF 9.1.1؛ قابلیت Tech Preview
هوش مصنوعی در VMware چیست؟
هوش مصنوعی در VMware دو مسیر مکمل دارد: AI Assistant for VCF یا VMware Intelligent Assist برای کمک به مدیریت زیرساخت و VCF Private AI Services برای ساخت خدمات هوشمند کسب‌وکار. راهکار مشترک VMware و NVIDIA نیز با نام VMware Private AI Foundation with NVIDIA شناخته می‌شود.
این بستر امکان انتخاب و اجرای مدل‌های AI، بازیابی دانش از اسناد، سفارشی‌سازی مدل و ساخت دستیارها و AI Agentها را در ابر خصوصی فراهم می‌کند. برای کاربردهای اختصاصی سازمان، این بستر جایگزین انتخاب مدل، آماده‌سازی داده و طراحی دستیار نمی‌شود؛ سازمان باید مدل مناسب را انتخاب کند، داده‌های مجاز را به آن متصل کند و خدمت موردنیاز خود را بسازد. بنابراین، نصب نسخه 9.1 به‌تنهایی دستیار آماده‌ای برای فروش، منابع انسانی یا تعمیرات ایجاد نمی‌کند.
AI Assistant for VCF
کمک به مدیریت زیرساخت، بررسی سلامت Hostها و عیب‌یابی Tech Preview در VCF 9.1.1
VCF Private AI Services
ساخت دستیارها و خدمات هوشمند سازمانی
VMware Private AI Foundation with NVIDIA
راهکار مشترک VMware و NVIDIA برای اجرای AI سازمانی
چرا Private AI برای سازمان‌ها اهمیت دارد؟
استفاده از AI برای تحلیل قراردادها، گزارش‌های تولید، مستندات فنی و سیاست‌های داخلی، به کنترل محل پردازش داده و سطح دسترسی کاربران نیاز دارد. هوش مصنوعی خصوصی به سازمان امکان می‌دهد مدل و پردازش اطلاعات حساس را در محیط داخلی و تحت کنترل خود مستقر کند. راهکار VMware از استقرار در شبکه جدا از اینترنت نیز پشتیبانی می‌کند، به شرط آماده‌سازی مخازن نرم‌افزاری و فرایندهای ضروری.
ملاحظه مهم امنیتی
این کنترل برای بانک‌ها، صنایع، شرکت‌های مهندسی و سازمان‌های دارای مالکیت فکری ارزشمند اهمیت دارد. بااین‌حال، استقرار داخلی به‌تنهایی کافی نیست؛ در صورت اتصال دستیار به سرویس‌های بیرونی، مسیر انتقال داده نیز باید مشخص و کنترل شود.
دستیار مدیریت زیرساخت در VCF 9.1.1؛ قابلیت Tech Preview
AI Assistant for VCF در رابط کاربری با نام VMware Intelligent Assist نمایش داده می‌شود و می‌تواند با استفاده از ابزارها و داده‌های در دسترس، به بررسی سلامت زیرساخت، تفسیر هشدارها و عیب‌یابی کمک کند. این قابلیت در VCF 9.1.1 با وضعیت Tech Preview معرفی شده و برای استفاده به فعال‌سازی افزونه و تنظیم مدل نیاز دارد؛ بنابراین نباید آن را قابلیت آماده نسخه پایه 9.1 دانست.
سؤال‌هایی برای شناخت وضعیت محیط
برای بررسی وضعیت زیرساخت، می‌توان گفت‌وگو با دستیار VMware را با این پرسش‌ها آغاز کرد:
- «Hostهای ESX محیط را همراه با مشخصات هرکدام فهرست کن.»
- «کدام Hostها مشکل بحرانی دارند؟ نام Host و نوع مشکل را نشان بده.»
- «سلامت vCenter با نام مشخص‌شده را بررسی و نتیجه را خلاصه کن.»
سؤال‌هایی برای بررسی هشدارها و عیب‌یابی
پس از شناسایی Host یا vCenter موردنظر، می‌توان پرسش‌های دقیق‌تری مطرح کرد:
- «هشدارهای فعال این Host را نشان بده.»
- «این هشدار را توضیح بده؛ چه چیزی بررسی شده و چه مشکلی گزارش شده است؟»
- «برای بررسی این مشکل چه مراحلی پیشنهاد می‌کنی و چه اطلاعات دیگری لازم است؟»
- «گزارش سلامت چه تفاوتی با هشدارهای فعال دارد؟ آیا ممکن است بررسی سلامت موفق باشد، اما همچنان هشدار فعالی وجود داشته باشد؟»
نکته فنی
باید میان نتیجه بررسی سلامت و هشدارهای فعال تفاوت گذاشت؛ موفق بودن بررسی‌های تشخیصی الزاماً به معنای نبود هشدار عملیاتی نیست.
نمونه پرسش‌های پیشنهادی با VMware Intelligent Assist
نام واقعی Host باید جایگزین esx01.example.local شود. مشخص‌کردن سیستم و مسئله، پاسخ را دقیق‌تر و گفت‌وگو را قابل‌پیگیری‌تر می‌کند.
بررسی Log و مشکلات vMotion
اگر ابزارها و داده‌های مربوط در دسترس باشند، می‌توان بررسی Logهای یک خطا در بازه زمانی مشخص یا راهنمای عیب‌یابی vMotion را نیز درخواست کرد. دامنه پاسخ به نسخه افزونه، ابزارهای فعال، مجوز کاربر و داده‌های در دسترس بستگی دارد.
دریافت پیشنهاد عیب‌یابی به معنای اجرای خودکار تغییر در زیرساخت نیست.
آیا می‌توان فارسی سؤال کرد؟
معرفی رسمی این دستیار بر پرسش‌های انگلیسی تأکید دارد. کیفیت پرسش و پاسخ فارسی به مدل انتخاب‌شده وابسته است و باید با داده‌های واقعی سازمان در پایلوت سنجیده شود.» اگر آزمون فارسی مشخص و قابل استناد وجود دارد، حفظ ادعای قبلی منوط به ارائه شاهد آن است.
بهتر است نام Host و پیام خطا دقیق وارد شود و در صورت ابهام، پرسش به انگلیسی تکرار شود.
بخش دوم | کاربردهای سازمانی و قابلیت‌های Private AI
در این بخش، پنج کاربرد قابل طراحی برای سازمان‌ها و قابلیت‌های افزوده یا گسترش‌یافته در VCF 9.1 را بررسی می‌کنیم.
- ۵ کاربرد Private AI در کسب‌وکارها
- قابلیت‌های جدید Private AI در VCF 9.1
۵ کاربرد Private AI در کسب‌وکارها
سناریوهای زیر با استفاده از این بستر قابل طراحی‌اند، اما هرکدام به آماده‌سازی داده، اتصال سامانه‌ها و ارزیابی کیفیت خروجی نیاز دارند.
کارمندی که درباره فرایند تأیید خرید و فرم‌های لازم سؤال دارد، می‌تواند پاسخ را از میان اسناد مجاز سازمان دریافت کند. همین روش برای جست‌وجو در راهنماهای تعمیرات، گزارش پروژه‌ها و تجربه‌های پیشین واحد فنی کاربرد دارد.
در روش RAG، بخش‌های مرتبط اسناد بازیابی و برای تولید پاسخ در اختیار مدل قرار می‌گیرند. VCF Private AI Services قابلیت‌های نمایه‌سازی و بازیابی دانش را برای این کاربرد فراهم می‌کند. اعتبار اسناد، ارجاع به منابع و رعایت مجوزهای دسترسی، شرط کیفیت پاسخ و تبدیل دانش پراکنده به منبعی قابل جست‌وجو است.
در پایلوت، بررسی کنید که دستیار، اطلاعات اسناد محرمانه را فقط در اختیار کاربرانی قرار دهد که مجوز دسترسی به آن اسناد را دارند.
دستیار فروش می‌تواند با استفاده از اطلاعات مجاز مشتریان و محصولات، خلاصه‌ای برای جلسه تهیه کند، پرسش‌های کشف نیاز پیشنهاد دهد، پیش‌نویس پاسخ بنویسد و محصولات را بر پایه ویژگی‌های مستند مقایسه کند. برای نمونه، می‌توان پرسید: «برای مشتری‌ای که رشد ظرفیت و تداوم سرویس برایش مهم است، چه پرسش‌هایی مطرح کنم؟»
VCF 9.1 پشتیبانی از MCP را همراه با سازوکارهای حاکمیتی معرفی کرده است؛ استانداردی برای اتصال کنترل‌شده عامل‌های هوشمند به منابع و ابزارهای مجاز، مانند پایگاه‌های داده و سامانه‌های سازمانی. اتصال به CRM یا نرم‌افزار مشخص همچنان به بررسی رابط، مجوزها و احتمالاً توسعه نیاز دارد.
در پرونده‌های مناقصه، دستیار می‌تواند بخش‌های مربوط به تعهدات تحویل و مدارک درخواستی از تأمین‌کننده را پیدا کند و چک‌لیستی برای بررسی کارشناس آماده سازد. این الگو برای خلاصه‌سازی گزارش‌ها، استخراج موارد پیگیری و مقایسه نسخه‌های اسناد نیز کاربرد دارد.
Private AI Services ابزار ساخت پایگاه دانش و عامل را در اختیار می‌گذارد؛ اما طراحی خروجی و ضوابط بازبینی به نیاز سازمان بستگی دارد. تأیید تعهدات قراردادی و تصمیم‌های مالی همچنان با مسئول مربوط است.
مهندس تعمیرات می‌تواند بپرسد: «در مستندات موجود، علت‌های این کد خطا چیست و کدام گزارش‌های قبلی به آن مربوط‌اند؟» در صورت وجود داده معتبر، دستیار مدارک مرتبط را پیدا می‌کند و انتقال تجربه میان شیفت‌ها و آموزش کارکنان جدید را آسان‌تر می‌سازد.
برای پایلوت، یک خانواده تجهیز و مجموعه‌ای محدود از دستورالعمل‌ها کافی است. در موضوعات ایمنی، پاسخ باید به سند مرجع متصل باشد و هر اقدام عملی طبق رویه مصوب انجام شود.
برخلاف دستیاری که عمدتاً پاسخ می‌دهد، AI Agent می‌تواند برای پیشبرد کار از ابزارهای مجاز استفاده کند. برای مثال، درخواست پشتیبانی را دریافت کند، اطلاعات مرتبط و مقاله‌های دانش را بیابد و پیش‌نویس پاسخ را برای تأیید کارشناس تهیه کند.
Agent Builder یکی از اجزای Private AI Services برای ساخت چنین تجربه‌هایی است. بهتر است کار از جست‌وجو، جمع‌آوری اطلاعات و تهیه پیش‌نویس آغاز شود؛ برای ثبت تغییر، حذف داده یا هر اقدام اثرگذار، سطح اختیار و تأیید انسانی باید مشخص باشد.
قابلیت‌های جدید Private AI در VCF 9.1
قابلیت‌هایی مانند Agent Builder و استفاده از دانش سازمانی، پیش از نسخه 9.1 نیز وجود داشتند. نسخه 9.1 امکانات زیر را به این مجموعه افزوده یا گسترش داده است.
| قابلیت VCF 9.1 | کاربرد سازمانی |
|---|---|
| اتصال MCP با سازوکارهای حاکمیتی | دسترسی کنترل‌شده دستیارها به ابزارهای کاری |
| پشتیبانی از Google Docs، Sheets و Slides | استفاده از محتوای این اسناد در کنار قالب‌های پشتیبانی‌شده دیگر |
| اجرای Inference روی CPU با llama.cpp | آزمایش مدل‌های سبک‌تر و کاربردهای کم‌تقاضا |
| پایش معیارهای مدل و GPU | بررسی زمان پاسخ و مصرف منابع |
| پشتیبانی گسترده‌تر از GPU و DirectPath | انتخاب‌های بیشتر برای Workloadهای سنگین AI |
داشبوردهای معیارهای AI به استقرار Grafana نیاز دارند. همچنین امکان اجرای مدل روی CPU به معنای مناسب‌بودن هر سرور برای همه مدل‌ها نیست؛ اندازه مدل، حافظه و تعداد کاربران باید ارزیابی شوند.
در نسخه VCF 9.1.1، امکان اشتراک سرویس مدل میان واحدها یا مستأجرها با فضای داده جداگانه نیز عرضه شده تا از تکثیر منابع اجرای مدل کاسته شود. این قابلیت متعلق به 9.1.1 است، نه نسخه پایه 9.1.
بخش سوم | ارزیابی هزینه و شروع پایلوت
در پایان، عوامل هزینه و مراحل شروع یک پایلوت محدود را مرور می‌کنیم تا نتیجه بر اساس کیفیت پاسخ، زمان صرفه‌جویی‌شده و هزینه سنجیده شود.
- هزینه و صرفه اقتصادی Private AI در VMware
- چگونه پایلوت Private AI را آغاز کنیم؟
هزینه و صرفه اقتصادی Private AI در VMware
سازمان‌هایی که از VMware استفاده می‌کنند، می‌توانند برای میزبانی خدمات AI از تجربه عملیاتی موجود بهره ببرند؛ البته کفایت تجهیزات باید بر اساس مدل و Workload ارزیابی شود.
برای بررسی اولیه سرور، راهنمای سازگاری سرور با VMware 9.1 را بخوانید. این راهنما سازگاری سرور با VMware را بررسی می‌کند؛ منابع موردنیاز مدل، GPU و کل بستر AI باید جداگانه ارزیابی شوند.
VCF Private AI Services در اشتراک VCF گنجانده شده است، اما اجرای پروژه بدون هزینه اضافی نیست: پردازش، Storage، پیاده‌سازی و نگهداری هزینه دارند و NVIDIA AI Enterprise در راهکار مشترک به مجوز جداگانه نیاز دارد. این شرایط را نیز نباید بدون بررسی قرارداد به سایر بسته‌های VMware مانند VVF تعمیم داد.
صرفه اقتصادی به ارزش بهبود کیفیت و زمان در برابر هزینه ارائه خدمت بستگی دارد. بسته به حجم استفاده و حساسیت داده، ممکن است سرویس بیرونی یا استقرار داخلی گزینه مناسب‌تری باشد؛ انتخاب نهایی به نتیجه یک پایلوت قابل اندازه‌گیری وابسته است.
پیشنهاد مطالعه:
چگونه پایلوت Private AI را آغاز کنیم؟
بهتر است کار با مسئله‌ای پرتکرار و قابل‌سنجش، مانند پاسخ به پرسش‌های داخلی درباره یک محصول یا جست‌وجوی دستورالعمل‌های یک واحد، آغاز شود.
انتخاب مسئله:
کدام فعالیت زمان کارشناسان را می‌گیرد؟
آماده‌سازی دانش:
کدام اسناد معتبرند و چه کسانی مجوز دسترسی دارند؟
ساخت نمونه:
کدام مدل و منابع برای کاربرد انتخاب‌شده کافی‌اند؟
سنجش نتیجه:
پاسخ‌ها چقدر صحیح‌اند، چه میزان زمان صرفه‌جویی شده و هزینه هر استفاده چقدر است؟
در پایلوت فارسی، باید اسناد واقعی، جدول‌ها، فایل‌های اسکن‌شده و اصطلاحات تخصصی نیز آزموده شوند. معیار موفقیت، بهبود قابل‌اندازه‌گیری کار کاربران است.
جمع‌بندی؛ کاربرد هوش مصنوعی خصوصی در VMware
VCF Private AI Services در خانواده VMware 9.1 امکان ساخت دستیارهای مبتنی بر دانش سازمانی و گردش‌کارهای محدود و کنترل‌شده را فراهم می‌کند. ارزش این خدمات در دسترسی بهتر کارکنان به اطلاعات، کمک به حل مسئله و آزادشدن زمان برای قضاوت تخصصی و ارتباط با مشتری نمایان می‌شود.
کدام فعالیت تکراری در سازمان شما برای پایلوت AI مناسب است؟
تیم پردیسکو می‌تواند در ارزیابی کاربرد، آمادگی داده و زیرساخت و تعریف پایلوتی با معیار موفقیت مشخص همراه شما باشد.