پرش به محتوا
منو
داده‌نوشت
فناوری، زیرساخت و هوش مصنوعی
هوش مصنوعی

Agent 365؛ صفحه کنترل برای عامل‌های پراکنده سازمان

شرکت‌ها معمولاً عامل‌های هوش مصنوعی را یک‌جا نمی‌سازند. یک تیم در Copilot Studio نمونه‌ای برای خدمات مشتری می‌سازد، تیم دیگر در GitHub یا یک چارچوب متن‌باز عامل عملیاتی خود را اجرا می‌کند و واحد فناوری اطلاعات هم چند سرویس ابری جداگانه دارد. Microsoft در ۲۸ آو

انتشار: ۸ اردیبهشت ۱۴۰۵به‌روزرسانی: ۲۶ مرداد ۱۴۰۵3 دقیقه
تصویر رسمی Microsoft برای Agent 365؛ صفحه کنترل برای عامل‌های پراکنده سازمان
تصویر رسمی Microsoft؛ منبع تصویر: https://blogs.microsoft.com/blog/2026/04/28/unlocking-human-ambition-to-drive-business-growth-with-ai/

Agent 365؛ صفحه کنترل برای عامل‌های پراکنده سازمان

شرکت‌ها معمولاً عامل‌های هوش مصنوعی را یک‌جا نمی‌سازند. یک تیم در Copilot Studio نمونه‌ای برای خدمات مشتری می‌سازد، تیم دیگر در GitHub یا یک چارچوب متن‌باز عامل عملیاتی خود را اجرا می‌کند و واحد فناوری اطلاعات هم چند سرویس ابری جداگانه دارد. Microsoft در ۲۸ آوریل ۲۰۲۶ Agent 365 را به‌عنوان لایه‌ای برای مشاهده‌پذیری، حاکمیت و امنیت این مجموعه معرفی کرد؛ نه به‌عنوان یک مدل تازه.

#مشکل اصلی، تعداد مدل‌ها نیست

در محیط آزمایشی، می‌توان هر agent را جداگانه بررسی کرد. در محیط سازمانی، پرسش‌های سخت‌تری مطرح می‌شود: این عامل به چه داده‌ای دسترسی دارد؟ کدام کاربر یا سامانه آن را فراخوانده است؟ چه ابزاری صدا زده شده و نتیجه آن در کجا ثبت می‌شود؟ اگر عامل از یک ارائه‌دهنده به ارائه‌دهنده دیگر منتقل شود، سیاست‌های دسترسی و گزارش رخداد چگونه باقی می‌مانند؟

Agent 365 در طرح Microsoft قرار است پاسخ این پرسش‌ها را در یک سطح مدیریتی جمع کند. این سطح، از نظر معماری، شبیه یک کنترل‌پلین برای عامل‌هاست؛ جایی که مدیر می‌تواند موجودیت‌ها، مجوزها، رخدادها و وضعیت اجرای آن‌ها را ببیند. چنین لایه‌ای زمانی ارزش دارد که عامل‌ها فقط روی محصولات Microsoft نباشند و اطلاعات آن‌ها از مسیرهای متفاوت وارد شود.

#مشاهده‌پذیری با پاسخ‌گویی فرق دارد

ثبت trace به‌تنهایی یک سیستم قابل اعتماد نمی‌سازد. لاگ باید نشان دهد مدل چه تصمیمی گرفته، چه contextی دریافت کرده، کدام ابزار فراخوانی شده و اقدام نهایی با چه مجوزی انجام شده است. همچنین باید retention، سطح دسترسی به لاگ و شیوه حذف داده مشخص باشد. لاگی که خودش حاوی اطلاعات حساس مشتری است، می‌تواند به دارایی پرریسک دیگری تبدیل شود.

برای تیم‌های امنیت، رویدادهای عامل باید در کنار هویت انسانی و سرویس‌های عادی دیده شوند. یک زنجیره شامل خواندن ایمیل، جست‌وجوی CRM و ارسال پاسخ به مشتری، از نظر حسابرسی با سه درخواست مستقل تفاوت دارد. دیدن این زنجیره کمک می‌کند رفتار غیرعادی، privilege اضافه یا استفاده خارج از هدف شناسایی شود.

#حاکمیت میان‌پلتفرمی

Microsoft Agent 365 را برای عامل‌های ساخته‌شده روی پلتفرم خود و محیط‌های ثالث مطرح می‌کند. ادعای میان‌پلتفرمی فقط زمانی عملی است که عامل‌ها رویدادها و مجوزهای خود را با قرارداد قابل فهم ثبت کنند. تفاوت runtime، مدل هویت و فرمت ابزارها می‌تواند بخشی از تصویر را پنهان کند. بنابراین سازمان باید پیش از خرید یا استقرار، حداقل داده‌های audit و policyهای اجباری را تعریف کند.

Agent 365 را نباید جایگزین طراحی دسترسی، تست red-team یا مالک محصول دانست. ارزشش در فراهم کردن دید مشترک برای سامانه‌ای است که پیش از این قطعه‌قطعه شده بود. اگر تیم نداند چه کاری را می‌خواهد اندازه بگیرد و چه اقدام‌هایی نیازمند تأیید انسانی‌اند، یک داشبورد جدید فقط پیچیدگی قبلی را منظم‌تر نمایش می‌دهد.

مطالب مرتبط

برای ادامه مطالعه

این یادداشت‌ها بر اساس موضوع مشترک، هم‌پوشانی برچسب‌ها و تازگی انتشار انتخاب می‌شوند.

تصویر رسمی Microsoft Azure برای Microsoft Foundry؛ مدل، runtime و مسیر انتشار عامل در یک سکوی سازمانی
هوش مصنوعی

Microsoft Foundry؛ مدل، runtime و مسیر انتشار عامل در یک سکوی سازمانی

اعلامیه ۹ ژوئیه ۲۰۲۶ Microsoft Foundry فقط خبر اضافه شدن یک مدل به کاتالوگ نیست. Microsoft هم‌زمان از دسترسی عمومی GPT-۵.۶ در Foundry، Data Zone آسیا-اقیانوسیه و عمومی شدن hosted agents در Foundry Agent Service خبر داد. ترکیب این سه تغییر، مسئله‌ای را هدف می‌گ

۱۸ تیر ۱۴۰۵3 دقیقه
تصویر رسمی Anthropic برای واترمارک متنی Claude؛ نشانه‌گذاری آماری به‌جای ادعای تشخیص قطعی
هوش مصنوعی

واترمارک متنی Claude؛ نشانه‌گذاری آماری به‌جای ادعای تشخیص قطعی

Anthropic در ۱۴ اوت ۲۰۲۶ درباره سازوکار واترمارک متنی Claude توضیح داد. ایده این است که مدل در هنگام انتخاب tokenها، الگوی آماری بسیار ظریفی ایجاد کند که بعداً بتوان آن را با یک detector بررسی کرد. این روش با واترمارک تصویری که پیکسل یا metadata را تغییر می‌ده

۲۳ مرداد ۱۴۰۵3 دقیقه
تصویر رسمی Anthropic برای سه حادثه سایبری Anthropic؛ چرا ارزیابی آزمایشگاهی کافی نیست
هوش مصنوعی

سه حادثه سایبری Anthropic؛ چرا ارزیابی آزمایشگاهی کافی نیست

Anthropic در ۳۰ ژوئیه ۲۰۲۶ سه حادثه واقعی را در کنار ارزیابی‌های امنیت سایبری خود بررسی کرد. هدف مقاله اعلام یک benchmark تازه نیست؛ نشان دادن فاصله میان محیط کنترل‌شده و استفاده واقعی است. مدل ممکن است در یک CTF رفتار خطرناک نشان ندهد، اما وقتی به ابزار، هدف،

۸ مرداد ۱۴۰۵3 دقیقه