تیم توسعه‌دهندگان Elastic در تازه‌ترین به‌روزرسانی‌های خود، مجموعه‌ای از ابزارهای جدید برای بهبود مدیریت داده‌ها، اتوماسیون با استفاده از LLM و نظارت بر امنیت محیط‌های توسعه را معرفی کرده است.
معرفی jina-ocr-v1: تحلیل هوشمند اسناد
مدل jina-ocr-v1 اکنون در سرویس Inference Elastic در دسترس است. این مدل یک تحلیل‌گر سند (Document Parser) جامع است که می‌تواند صفحات اسکن شده، عکس‌های مدارک و یادداشت‌های دست‌نویس را مستقیماً به فرمت Markdown تبدیل کند. برخلاف OCRهای سنتی، این مدل ابتدا ساختار صفحه (Layout) را درک کرده و سپس محتوا را می‌خواند، به طوری که جداول به صورت HTML و فرمول‌های ریاضی به صورت LaTeX استخراج می‌شوند.
- بهینه‌سازی: این مدل با معماری Mixture-of-Experts طراحی شده و در زمان اجرا تنها ۵۷۰ میلیون پارامتر فعال دارد که سرعت و هزینه را به شدت کاهش می‌دهد.
- پشتیبانی گسترده: پشتیبانی از بیش از ۱۰۰ زبان مختلف، از جمله زبان‌های پیچیده مانند عربی و چینی.
Elastic CLI: نقطه دسترسی واحد برای مدیریت APIها
ابزار Elastic CLI در مرحله پیش‌نمایش فنی (Technical Preview) قرار دارد و یک نقطه ورود واحد برای تمامی APIهای عمومی Elasticsearch، Kibana و Elastic Cloud فراهم می‌کند. ویژگی‌های کلیدی این ابزار عبارتند از:
- مدیریت امن اعتبارنامه‌ها: ذخیره API Keyها در Keychain سیستم‌عامل (macOS, Linux, Windows) برای جلوگیری از نشت اطلاعات در تاریخچه Shell یا گفتگوهای LLM.
- کنترل دسترسی: امکان تعریف لیست‌های Allowlist و Blocklist برای محدود کردن دستورات قابل اجرا توسط Agentها.
- اعتبارسنجی Schema: بررسی صحت ورودی‌ها پیش از ارسال درخواست به شبکه.
بهینه‌سازی RAG با استفاده از Knowledge Indicators
در روش‌های استاندارد Retrieval Augmented Generation (RAG)، اسناد کامل به Context مدل ارسال می‌شوند که منجر به مصرف بالای Token و افزایش Latency می‌شود. Elastic با معرفی Knowledge Indicators (KI)، خلاصه‌های متراکم و ساختاریافته‌ای از اسناد را در AI Indices ذخیره می‌کند. نتایج نشان می‌دهد که این روش می‌تواند مصرف Token را تا ۹۳٪ کاهش داده و سرعت پاسخ‌دهی را به یک‌سوم برساند.
نظارت بر LLM در Elastic APM
اکنون فراخوانی‌های مدل‌های زبانی (LLM Calls) در صورت استفاده از OpenTelemetry، به عنوان Spanهای مجزا در نمای Trace در Elastic APM نمایش داده می‌شوند. مدیران می‌توانند Promptها، پاسخ‌ها و تعداد Tokenهای مصرف شده برای هر فراخوانی را مستقیماً مشاهده کنند. این قابلیت با استانداردهای GenAI semantic conventions سازگار است و از ارائه‌دهندگانی نظیر OpenAI و Anthropic پشتیبانی می‌کند.
حسابرسی (Audit) ابزارهای کدنویسی AI
تیم Elastic Security Labs با بررسی ۱,۱۰۰ دستگاه توسعه‌دهنده که از Cursor استفاده می‌کردند، ۱۳ میلیون رویداد Tool Call را تحلیل کرد. یافته‌های این پژوهش نشان می‌دهد:
- تعداد خواندن فایل‌ها (File Reads) تقریباً ۴ برابر بیشتر از اجرای دستورات Shell است.
- بیش از ۳۰۰ سرور MCP مختلف شناسایی شدند که ۸۶٪ آن‌ها تنها توسط یک یا دو کاربر استفاده می‌شدند.
- استفاده از ES|QL امکان شکار (Hunting) الگوهای مشکوک مانند خواندن فایل‌های حاوی Credential یا زنجیره‌های Download-and-Execute را فراهم می‌کند.
