Fara-7B مایکروسافت: هوش مصنوعی محلی که امنیت اطلاعات را تأمین می‌کند

شرکت مایکروسافت به تازگی از نسخه جدیدی به نام Fara-7B رونمایی کرده است که با ۷ میلیارد پارامتر، به عنوان یک عامل هوش مصنوعی برای کاربر کامپیوتر (Computer Use Agent) طراحی شده و توانایی انجام وظایف پیچیده را به طور مستقیم بر روی دستگاه کاربران داراست.

بر اساس گزارش ایتنا و نقل از VentureBeat، این مدل که از لحاظ اندازه نسبت به مدل‌های بزرگ ابری کوچکتر است، امنیت اطلاعات را بهبود بخشیده و با اجرای محلی بر روی کامپیوتر، اطمینان حاصل می‌کند که اطلاعات حساس نظیر داده‌های شرکتی و حساب‌های داخلی هرگز از دستگاه خارج نمی‌شوند.

Fara-7B برای تعامل با واسط‌های کاربری از ماوس و کیبورد به گونه‌ای مشابه انسان استفاده می‌کند و می‌تواند اطلاعات وب‌سایت‌ها را به صورت تصویری و از طریق اسکرین‌شات‌ها ببیند و بر این اساس مختصات کلیک، تایپ و اسکرول را پیش‌بینی نماید.

این مدل برخلاف سیستم‌های دیگر که به ساختار کد “accessibility trees” وابسته هستند، تمرکز خود را به طور خاص روی داده‌های گرافیکی مبتنی بر پیکسل قرار می‌دهد. این رویکرد باعث می‌شود تا حتی در سایت‌های پیچیده یا با کدهای مخفی نیز عملکرد قابل قبولی داشته باشد. این شیوه موجب می‌شود که حاکمیت کامل بر داده‌ها (pixel sovereignty) حفظ گردد و این ویژگی به خصوص برای صنایع با قوانین سختگیرانه همچون HIPAA و GLBA ایدئال است.

در آزمایش‌های معیار مانند WebVoyager، Fara-7B با دستیابی به نرخ موفقیت ۷۳.۵٪، عملکردی فراتر از مدل قدرتمندتر و بزرگ‌تر GPT-4o با ۶۵.۱٪ و همچنین مدل UI-TARS-1.5-7B با ۶۶.۴٪ از خود نشان داد. علاوه بر این، این مدل در انجام وظایف با متوسط ۱۶ مرحله، از نظر کارآمدی نسبت به ۴۱ مرحله مدل UI-TARS بهتر عمل کرده است که دلالت بر سرعت و دقت بالای آن دارد.

شرکت مایکروسافت تصریح می‌کند که همانند دیگر مدل‌های هوش مصنوعی، Fara-7B نیز با محدودیت‌هایی مواجه است مانند بروز خطا در پردازش دستورهای پیچیده و احتمال توهم‌سازی. برای کاهش این ریسک‌ها، این سیستم به منظور شناسایی “Critical Points” طراحی شده است؛ نقاطی که برای تحقق اقداماتی که نیازمند داده‌های شخصی یا رضایت کاربر هستند، مانند ارسال ایمیل یا انجام تراکنش مالی، نیاز به دریافت اجازه صریح از کاربر دارند.

این مدل با استفاده از رویکرد “distillation” که شامل فشرده‌سازی داده‌های تعاملی تولید شده توسط سیستم چندعاملی Magentic-One و WebSurfer است، آموزش دیده است. مدل پایه‌ای که برای این کار استفاده شده Qwen2.5-VL-7B است که پنجره متنی بلندی دارد و توانمندی بالایی در ربط دادن دستورات متنی با عناصر تصویری صفحه داراست.

مایکروسافت این مدل را در پلتفرم‌هایی مانند Hugging Face و Microsoft Foundry با مجوز MIT منتشر کرده است اما تأکید می‌کند که هنوز برای استفاده در محیط‌های حساس و با ریسک بالا آماده نیست و بیشتر برای پروژه‌های تحقیقاتی و نمونه‌سازی توصیه می‌گردد.

در نهایت، می‌توان گفت که Fara-7B یک گام بزرگ در حوزه هوش مصنوعی محلی است که با عملکردی قابل رقابت با GPT-4o و توجه به حفظ حریم خصوصی، آینده‌ای ایمن‌تر و بهینه‌تر را در تعامل هوش مصنوعی با رایانه‌های شخصی نوید می‌دهد.