Proton تطلق Lumo 2.0 مع التركيز على الخصوصية والسرعة

يوم الثلاثاء، أطلقت شركة برمجيات الإنتاجية Proton إصدار Lumo 2.0، وهو تحديث لروبوت المحادثة العام الخاص بها الذي يعمل بالذكاء الاصطناعي. يقدم الإصدار الجديد قدرات التعرف على الصور وإنشائها، مما يتيح للمستخدمين تحميل الصور إلى Lumo لتحليلها أو تعديلها، بالإضافة إلى إنشاء صور من نصوص توجيهية. كما يوسع التحديث قدرات Lumo ضمن أداة Projects الخاصة بها، والتي تسمح للمستخدمين بتحميل المستندات وإنجاز العمل عبر منتجات Proton الأخرى مثل البريد الإلكتروني والتخزين السحابي. تتضمن أداة Projects الآن “ذاكرة مستمرة” يتحكم فيها المستخدم، وهي وظيفة تسمح للذكاء الاصطناعي بتذكر تفضيلات المستخدم عبر جلسات المحادثة المختلفة. بالإضافة إلى ذلك، تدّعي Proton أن Lumo 2.0 أكثر قوة بشكل ملحوظ، حيث يستجيب لمعظم الاستفسارات بسرعة أكبر بما يصل إلى 76٪ مقارنة بالإصدار السابق.

في حين يبدو الإصدار العام من Lumo مكافئاً تقريباً لروبوتات المحادثة الرئيسية الأخرى مثل Gemini وChatGPT من حيث الفائدة، حيث يجيب على الأسئلة بتنسيق مماثل وبنفس المستوى تقريباً من التفاصيل والسياق، فإن Proton تميّز أداتها من خلال نموذج الأمان الأساسي الخاص بها. يستخدم روبوت المحادثة بنية تشفير “صفرية الوصول” (zero-access encryption)، وهي بنية أمنية يتم فيها تشفير البيانات أثناء تخزينها وأثناء نقلها، ولا يمكن الوصول إليها إلا من قبل المستخدم. بالإضافة إلى ذلك، لا تحتفظ Proton بسجلات جانب الخادم لجلسات المحادثة، مما يضمن عدم قدرة أي شخص في الشركة على الاطلاع على محتوى تفاعلات المستخدمين. كما تعد Proton بأنها لا تستخدم بيانات العملاء لتدريب نماذج الذكاء الاصطناعي، ولا تشارك هذه المعلومات مع أطراف خارجية.

يقدم التحديث أيضاً “وضع التفكير” (thinking mode)، وهو ميزة محددة مصممة للتعامل مع المشكلات أو الأسئلة المعقدة. ووفقاً لـ Andy Yen، المؤسس والرئيس التنفيذي لشركة Proton، فقد تمت إعادة هندسة روبوت المحادثة من الصفر، حيث يزوده “وضع التفكير” الجديد بقدرات قوية. وأكد Yen أن “Lumo 2.0 يثبت أن المستخدمين لم يعودوا بحاجة إلى الاختيار بين قدرات الذكاء الاصطناعي القوية وحماية الخصوصية الهادفة”.

لماذا يهم

تضع Proton روبوت Lumo كبديل يركز على الخصوصية لنماذج الذكاء الاصطناعي السائدة من خلال الاستفادة من تشفير “صفرية الوصول” وسياسة صارمة لعدم تدريب النماذج على البيانات. تستهدف هذه الاستراتيجية المستخدمين الذين يعطون الأولوية لسيادة البيانات دون التضحية بالوصول إلى قدرات الذكاء الاصطناعي القوية.