Hybrid Edge-Aware LLM (HEAL), ба ҷойи фиристодани мустақими маълумоти ҳассоси корпоративӣ ба модели бузурги забонии абрӣ; анонимсозӣ дар edge ва ҳангоми зарурат inference маҳаллӣ, federated learning, retrieval-augmented generation (RAG), назорати compliance бар асоси қоидаҳо, explainable AI ва inference-и LLM-и абриро дар як меъмории гибридӣ муттаҳид мекунад ва ҳамчун чаҳорчӯбаи пешниҳодшудаи зеҳни сунъии корпоративӣ муаррифӣ мешавад. Таҳқиқоти Sakir Alim HEAL-ро бо чор меъмории алтернативӣ — centralized cloud LLM, модели хурди забонӣ дар дастгоҳ, federated fine-tuning ва меъмории танҳо RAG — ба таври таҳлилӣ муқоиса мекунад. Дар манбаъ барои HEAL %91,6 inference accuracy, 148 ms таъхири миёна ва 0,94 privacy score гузориш шудааст. Аммо арзёбӣ ба deployment-и пурраи HEAL дар ширкати воқеӣ, беморхона ё муассисаи молиявӣ асос наёфта, аз 500 дархости синтетикии дастгирии қарор дар заминаҳои тандурустӣ ва молия ва аз баъзе арзишҳои performance, ки қисман аз меъморӣ бароварда шудаанд, иборат аст.

Ғояи асосии тарроҳии HEAL ин аст, ки ҳамаи дархостҳо ба як ҷараёни ягонаи коркард фиристода нашаванд. Қабати edge, ки ба манбаи маълумот наздик аст, аввал маълумоти шахсан муайяншавандаро маска ва аноним мекунад. Дархостҳои каммураккаб метавонанд бо модели сабук ва quantized-и маҳаллӣ ҳал шаванд. Дархостҳое, ки reasoning-и бештар талаб мекунанд, пас аз гузаштан аз қабатҳои RAG бо назорати дастрасӣ, jurisdiction policy engine, explainability ва compliance gate тавассути API-и хусусӣ ба foundation model-и калонтар фиристода мешаванд. Ҳамин тавр, ҳангоми истифода аз иқтидори баланди модели абрӣ ҳадаф ин аст, ки маълумоти хоми ҳассос мустақиман аз ҳудуди корпоративӣ берун наравад.

Натиҷаҳои таҳқиқот нишон медиҳанд, ки HEAL миёни меъмориҳои муқоисашуда тавозуни судманд пешниҳод мекунад; аммо дар манбаъ маҳдудиятҳои муҳими тасдиқсозӣ мавҷуданд. Тарзи ҳисоб шудани privacy score, тарзи сохтан ва label кардани 500 дархости синтетикӣ, тартиби муфассали арзёбии метрикаи accuracy, конфигуратсияҳои воқеии LLM ва edge model, шароити сахтафзор ва шабака гузориш нашудаанд. Илова бар ин, байни истинодҳои дохили матн ва рӯйхати адабиёт мушкилоти ҷиддии мувофиқат ва дар тавзеҳи Ҷадвали II номувофиқии арифметикӣ мавҷуд аст. Аз ин рӯ, HEAL дар ин марҳила бояд бештар ҳамчун пешниҳоди меъмории гибридие хонда шавад, ки бояд санҷида шавад, на ҳамчун performance-и тасдиқшудаи системаи истеҳсолӣ.

Таниши асосӣ дар зеҳни сунъии корпоративӣ

Вақте ки созмон мехоҳад аз модели бузурги забонӣ иқтидори баландтари reasoning ба даст орад, осонтарин роҳ фиристодани маълумот ба модели пуриқтидори абрӣ мебошад. Аммо дар соҳаҳои танзимшаванда ин равиш мустақиман мушкили governance эҷод мекунад. Ҳангоми фиристодани сабтҳои тиббӣ, амалиёти молиявӣ ё дигар маълумоти ҳассоси корпоративӣ ба провайдерҳои берунии хизматрасонӣ, талаботи ҷойгиршавии маълумот, ҳифзи маълумоти шахсӣ, назорати дастрасӣ ва auditability ба миён меоянд.

Дар тарафи дигар, иҷро кардани тамоми коркард дар дохили созмон ё рӯйи дастгоҳ қарор дорад. Ин интихоб метавонад маълумоти хомро маҳаллӣ нигоҳ дорад; аммо дар доираи масъалае, ки таҳқиқоти манбаъ муайян мекунад, моделҳои хурдтар метавонанд дар дархостҳои мураккаб ҳамон иқтидори inference-ро мисли foundation model-ҳои калон таъмин карда натавонанд.

HEAL пешниҳод мекунад, ки ин ду равиш ба ҷойи алтернативаи якдигар будан, вобаста ба хусусияти дархост якҷоя истифода шаванд. Маълумоти ҳассос аввал дар қабати edge ҳифз мешавад; дархостҳои осон маҳаллӣ мемонанд; вақте reasoning-и қавитар лозим аст, context-и анонимшуда ва аз рӯи қоидаҳо санҷидашуда ба абр интиқол меёбад.

Меъмории HEAL Чист?

Hybrid Edge-Aware LLM (HEAL) меъмории гибридии чорқабатаи LLM мебошад, ки маълумоти ҳассоси корпоративиро дар edge филтр ва аноним мекунад; метавонад дархостҳои оддиро бо модели маҳаллӣ ҳал намояд; ва дархостҳои мураккабро пас аз гузаронидан аз RAG, назорати сиёсати танзимӣ ва қабати explainability ба foundation model-и абрӣ равона мекунад.

Чор ҳадафи тарроҳӣ

Манбаъ барои HEAL чор ҳадафи возеҳи тарроҳиро муайян мекунад:

1. Маълумоти шахсан муайяншаванда бе анонимсозӣ аз ҳудуди корпоративӣ берун наравад.
2. Барои дастгирии интерактивии қарор таъхири end-to-end аз 200 ms кам нигоҳ дошта шавад.
3. Ба ҳар ҷавоб compliance attestation-и machine-readable илова шавад.
4. Тавзеҳоте сохта шаванд, ки мутахассиси соҳа бидуни дастрасӣ ба параметрҳои дохилии модел онҳоро баррасӣ карда тавонад.

Инҳо, бар хилофи натиҷаҳои гузоришшуда, пеш аз ҳама ҳадафҳои тарроҳии меъморӣ мебошанд. Хусусан ҳадафи 200 ms бояд на ҳамчун натиҷаи воқеии Service Level Agreement дар истеҳсол, балки ҳамчун меъёри тарроҳии HEAL хонда шавад.

Қабати якум: манбаъҳои маълумот

Дар вуруди HEAL метавонанд намудҳои гуногуни маълумоти корпоративӣ бошанд. Манбаъ се мисол меорад: сабтҳои электронии саломатӣ, сабтҳои амалиёти молиявӣ ва ҷараёнҳои сенсор. Хусусияти муштараки ин навъҳои маълумот дар он аст, ки онҳо барои дастгирии қарорҳои амалиётӣ арзишманданд, аммо метавонанд маълумоти шахсӣ, корпоративӣ ё танзимшавандаро дар бар гиранд.

Қабати дуюм: edge layer

Edge layer дар наздикии муҳити корпоративие кор мекунад, ки маълумот дар он тавлид ё нигоҳ дошта мешавад. Манбаъ ба ин қабат ду вазифаи асосӣ медиҳад.

Вазифаи якум PII masking ва anonymisation мебошад. Бо истифодаи якҷояи маскасозии қоидабунёд ва классификатори маҳаллан fine-tuneшуда ҳадаф ҳифз кардани маълумоти шахсан муайяншаванда пеш аз inference-и дурдаст мебошад.

Вазифаи дуюм local inference мебошад. Дархостҳои каммураккаб метавонанд мустақиман дар edge аз ҷониби модели сабуки quantized ҳал шаванд. Барои чунин дархост пайвасти абрӣ лозим намешавад ва network round-trip бартараф мегардад.

Манбаъ гузориш медиҳад, ки тақрибан %38 дархостҳои маҷмӯи арзёбӣ пурра дар edge ҳал шудаанд. Аммо нишон дода нашудааст, ки ин нисбат тақсимоти дархостҳои як созмони воқеиро намояндагӣ мекунад; ин арзиш ба сенарияи синтетикии арзёбӣ тааллуқ дорад.

Қабати сеюм: orchestration

Дархостҳои мураккабтар ба қабати orchestration-и HEAL фиристода мешаванд. Ин қабат қисми асосиест, ки системаро аз меъмории танҳо “фиристодани prompt ба LLM” фарқ мекунад.

Compliance Gate дар HEAL Чӣ Гуна Кор Мекунад?

HEAL compliance gate дархости анонимшударо мувофиқи қоидаҳои нигоҳдошташуда барои jurisdiction-и дахлдор арзёбӣ намуда, яке аз се натиҷаро медиҳад: pass, rewrite ё block. Қарори rewrite барои хориҷ ё тағйир додани категорияҳои маълумоти танзимшаванда, ва қарори block барои боздоштани дархост, сабт кардани он бо коди сабаб ва ирсол ба баррасии инсонӣ пешбинӣ шудааст.

Мувофиқи манбаъ, compliance attestation, ки бо ҳар ҷавоб сохта мешавад, версияи rule set-и истифодашуда, коди қарор ва hash-и вуруди коркардшударо дар бар мегирад. Ҳамин тавр, кӯшиш мешавад, ки на танҳо ҷавоби модел, балки он ҳам пайгирӣ шавад, ки дархост аз кадом назорати compliance гузаштааст.

Чаро RAG қисми меъморӣ аст?

Retrieval-Augmented Generation ҳадаф дорад, ки ҷавоби тавлидшаванда танҳо ба маълумоти дар параметрҳои модел буда такя накунад, балки бо далелҳои аз анбори ҳуҷҷатҳои назоратшаванда гирифташуда дастгирӣ шавад. Дар заминаи HEAL аҳамияти иловагии RAG explainability ва auditability мебошад.

Context bundle, ки аз қабати orchestration ба тарафи cloud фиристода мешавад, дархости анонимшуда, далели retrieved ва хулосаи compliance-ро якҷоя мебарад. Манбаъ пешбинӣ мекунад, ки модели абрӣ дар ҷавоби сохторёфта decision, confidence score ва citation list-еро тавлид кунад, ки ҳар даъворо ба ҳуҷҷати гирифташуда мепайвандад.

Қабати чорум: Cloud / LLM

Қабати абрӣ foundation model-и калонеро дар бар мегирад, ки тавассути private API deployment дастрас мешавад. Вазифаи қабати edge аз байн бурдани модели калон нест, балки маҳдуд кардани он аст, ки кадом маълумот ва дар кадом шароит ба он мерасад.

Дар меъмории манбаъ дар тарафи cloud ҳамчунин vector index, audit ledger ва decision API мавҷуданд. Пешниҳод мешавад, ки ҷавоби тавлидшуда пеш аз баргардонидан ба барнома ба immutable audit ledger навишта шавад. Ин сохтор махсусан барои имкони баррасии баъдӣ дар равандҳои қароргирии корпоративии дорои хавфи баланд пешбинӣ шудааст.

Механизми federated update

HEAL танҳо ҷараёни inference нест. Манбаъ мегӯяд, ки edge node-ҳо ҳар 24 соат дар як даври federated optimisation иштирок мекунанд. Local gradient-ҳо пеш аз ҷамъоварии марказӣ аз clipping мегузаранд ва Gaussian noise-и калибршуда илова мешавад.

Манбаъ мегӯяд, ки ин механизм кафолати epsilon-delta differential privacy медиҳад. Бо вуҷуди ин, \(\varepsilon\), \(\delta\), clipping norm, noise multiplier, шумораи node, aggregation algorithm ва convergence criteria гузориш нашудаанд. Аз ин рӯ, қувваи миқдории ҳифзи differential privacy-ро мустақил аз манбаъ дубора ҳисоб кардан мумкин нест.

Чаро federated learning истифода мешавад?

Вазифаи federated learning дар HEAL ин аст, ки edge classifier-ҳо аз тақсимоти маҳаллии маълумот дар созмонҳо омӯзанд, дар ҳоле ки сабтҳои хом ба ҳавзи марказонидашудаи омӯзиш интиқол дода нашаванд.

Ин равиш метавонад марказонидани маълумотро коҳиш диҳад; аммо манбаъ дар бахши адабиёти худ таъкид мекунад, ки тақсимоти гетерогении маълумот метавонад барои federated optimisation мушкилоти communication overhead ва convergence ба вуҷуд оварад. То кадом андоза HEAL ин мушкилро дар муҳити воқеии бисёрсозмонӣ ҳал мекунад, ҳанӯз санҷида нашудааст.

Маънои илмии Расми 1 дар манбаъ

Расми 1 дар саҳифаи 3-и таҳқиқоти манбаъ чор минтақаи ҷудогонаи эътимод ва коркардро муайян мекунад. Роҳи маълумот аз чап ба рост меравад:

1. Data Sources: EHR, financial transaction ва sensor stream.
2. Edge Layer: local inference, PII masking, anonymisation ва federated agent.
3. Orchestration: RAG retriever, policy engine, XAI module ва compliance gate.
4. Cloud / LLM: foundation LLM, vector index, audit ledger ва decision API.

Паёми илмии расм ин аст, ки тамоми маълумот мустақиман ба foundation model интиқол дода намешавад. Ҳифзи маълумоти ҳассос ва назорати меъёрӣ пеш аз model call дар меъморӣ ҷойгир шудаанд.

Усул ва Натиҷаҳои Таҳқиқот

Тарҳи арзёбӣ

HEAL бо чор baseline муқоиса шудааст:

• Centralized Cloud LLM
• On-Device Small Language Model (SLM)
• Federated Fine-Tuning
• RAG-only Pipeline

Муқоиса дар панҷ андоза анҷом дода шудааст: latency, privacy preservation score, scalability, compliance efficiency ва inference accuracy.

Барои арзёбии accuracy гуфта мешавад, ки 500 дархости сохторёфтаи аз сенарияи синтетикии дастгирии қарорҳои корпоративӣ гирифташуда, ки заминаҳои тандурустӣ ва хизматрасониҳои молиявиро фаро мегиранд, истифода шудаанд. Манбаъ тақсимоти муфассали ин дархостҳо, class label-ҳо, кадом вазифаҳоро намояндагӣ кардани онҳо ё тартиби тавлиди ground-truth-ро намедиҳад.

Хусусиятҳои сифатии меъмориҳо

Ин таснифҳои сифатӣ арзёбиҳои тарроҳие мебошанд, ки дар манбаъ дода шудаанд. Азбаски протоколи мустақили валидасия барои баҳогузории категорияҳои “Strong”, “Moderate”, “Partial” ё “Full” гузориш нашудааст, онҳоро набояд ҳамчун бузургиҳои физикии ченшуда шарҳ дод.

Натиҷаҳои миқдорӣ

Муқоиса бо Centralized LLM

Centralized LLM baseline бо accuracy-и %87,2 баландтарин accuracy-ро дар гурӯҳи baseline дорад. Таъхири миёна 420 ms ва privacy score 0,51 гузориш шудааст.

Ҳангоми муқоиса бо HEAL фарқи accuracy дар ҷадвали манбаъ 91,6 - 87,2 = 4,4 банди фоизӣ мебошад. Таъхири гузоришшудаи HEAL низ 272 ms камтар аст. Бо вуҷуди ин, манбаъ алоҳида таъкид мекунад, ки ин ду арзиши таъхир benchmark-и назоратшудае нестанд, ки дар як системаи физикӣ мустақиман end-to-end чен шуда бошанд.

Муқоиса бо On-device SLM

On-device SLM бо 95 ms пасттарин таъхири ҷадвал ва privacy score-и 0,91-ро таъмин мекунад; дар айни замон inference accuracy-и он %79,4 мебошад.

Ин муқоиса интихоби асосии тарроҳии HEAL-ро нишон медиҳад: HEAL ҳадаф намегузорад, ки мисли модели комилан маҳаллӣ пасттарин таъхирро дошта бошад; баръакс, кӯшиш мекунад бо иқтидори модели бузурги cloud accuracy-ро беҳтар карда, барои маълумоти ҳассос ҳифзи edge-ро нигоҳ дорад.

Муқоиса бо Federated fine-tuning

Барои federated fine-tuning baseline accuracy-и %83,7, latency-и 310 ms ва privacy score-и 0,83 гузориш шудааст. Дида мешавад, ки HEAL federated learning-ро на ҳамчун ҳалли ягона, балки дар якҷоягӣ бо RAG, edge filtering ва compliance gating истифода мекунад.

Муқоиса бо RAG-only

Системаи RAG-only %85,1 inference accuracy, 230 ms latency ва 0,66 privacy score медиҳад. Мувофиқи шарҳи манбаъ, азбаски edge enforcement вуҷуд надорад, token-ҳои ҳассос метавонанд дар retrieval query-ҳо пайдо шаванд ва compliance gate-и махсус барои боздоштани дархости номувофиқ пеш аз model call вуҷуд надорад.

Фарқи accuracy байни HEAL ва RAG-only, ки аз ҷадвали манбаъ ҳисоб шудааст, 6,5 банди фоизӣ мебошад. Арзиши 8,4 банди фоизӣ, ки дар матни манбаъ дода шудааст, бо ин ҷадвал мувофиқат намекунад.

Оё Натиҷаҳои HEAL Performance-и Воқеии Истеҳсолиро Исбот Мекунанд?

Не. Манбаъ ошкоро мегӯяд, ки арзёбӣ deployment-и пурраи HEAL дар беморхонаи воқеӣ, бонк ё корхонаи дигар нест; 500 дархости синтетикӣ истифода шудааст ва махсусан арзишҳои latency на аз instrumentation-и пурраи система, балки аз таҳлили меъморӣ ва ченкуниҳои системаҳои монанди deploymentшуда бароварда шудаанд. Аз ин рӯ, accuracy-и %91,6, latency-и 148 ms ва privacy score-и 0,94 кафолати performance-и дар муҳити истеҳсолӣ тасдиқшуда нестанд.

Арзиши 148 ms чӣ гуна шарҳ дода шавад?

Манбаъ 148 ms average edge-to-response latency гузориш медиҳад ва мегӯяд, ки тақрибан %38 дархостҳо бидуни рафтан ба cloud дар edge ҳал шудаанд. Ин тарроҳӣ механизмеро дастгирӣ мекунад, ки дархостҳои бе cloud round-trip метавонанд таъхири умумиро кам кунанд.

Аммо манбаъ дар ҳамон параграф эътироф мекунад, ки арзишҳои latency дар ҷараёни пурраи HEAL бо end-to-end instrumentation-и воқеӣ чен нашудаанд. Аз ин рӯ, 148 ms набояд ҳамчун ченаки воқеии SLA-и истеҳсолӣ истифода шавад.

Privacy score то чӣ андоза дубора истеҳсолшаванда аст?

Барои HEAL privacy score 0,94, барои on-device SLM 0,91, барои federated fine-tuning 0,83, барои RAG-only 0,66 ва барои centralized LLM 0,51 дода шудааст.

Манбаъ таърифи математикӣ, ҷузъҳо, вазнҳо ё тартиби тестии privacy score-ро шарҳ намедиҳад. Аз ин рӯ, тартиби рақамҳоро метавон ҳамчун натиҷаи манбаъ интиқол дод; аммо барои он ки муҳаққиқи мустақил аз ҳамон вурудҳо ҳамон privacy score-ҳоро ба даст орад, тафсилоти методӣ кофӣ нест.

Inference accuracy чӣ гуна шарҳ дода шавад?

Манбаъ барои HEAL %91,6 inference accuracy гузориш медиҳад. Аммо намудҳои вазифаи 500 дархости синтетикӣ, тарзи сохтани gold-standard ҷавоб, меъёри арзёбӣ, exact-match ё дигар scoring method, арзёбкунандагон ва confidence interval-ҳо шарҳ дода нашудаанд.

Ин камбудӣ арзиши %91,6-ро аз мақоми натиҷаи гузоришшудаи манбаъ берун намекунад; аммо reproducibility ва generalizability-и онро ба системаҳои дигар маҳдуд мекунад.

Маҳдудияти арзёбии Compliance

HEAL ягона системаест, ки дар ҷадвал категорияи “Full” compliance efficiency-ро гирифтааст. Ин фарқ аз ҷойгир кардани explicit policy engine ва compliance gate дар дохили меъморӣ бармеояд.

Бо вуҷуди ин, таҳқиқот formal compliance audit-ро барои маҷмӯи муайяни моддаҳои GDPR, HIPAA ё танзими молиявӣ гузориш намедиҳад. “Full” таснифи меъмории манбаъ аст; он маънои сертификатсияи ҳуқуқӣ ё тасдиқи мақоми танзимкунандаро надорад.

Номувофиқии арифметикӣ дар дохили манбаъ

Ҷадвали II accuracy-и HEAL-ро %91,6 ва accuracy-и RAG-only-ро %85,1 нишон медиҳад. Фарқи ин ду арзиш 6,5 банди фоизӣ мебошад. Аммо матни манбаъ ин фарқро 8,4 банди фоизӣ менависад.

Илова бар ин, бо ибораи “best baseline” RAG-only baseline нишон дода шудааст; ҳол он ки баландтарин baseline accuracy дар ҷадвал %87,2 буда, ба centralized LLM тааллуқ дорад. Фарқи HEAL бо ин baseline 4,4 банди фоизӣ аст. Аз ин рӯ, баёни Verianla арзишҳои хоми дар ҷадвал ошкоро додашударо ҳамчун source-of-truth нигоҳ медорад.

Номувофиқии рӯйхати адабиёт ва истинодҳои дохили матн

Баъзе номҳои истинод дар бахши адабиёти таҳқиқот бо рӯйхати манбаъҳои рақамгузоришуда мувофиқат намекунанд. Матн Brown et al.-ро [1], Hard et al.-ро [2], Lewis et al.-ро [3], Chowdhery et al.-ро [4] ва Wornow et al.-ро [5] нишон медиҳад, дар ҳоле ки ҳамин рақамҳо дар рӯйхати адабиёти PDF ба муаллифон ва корҳои дигар тааллуқ доранд.

Ин ҳолат пайгирии мустақили асосҳои адабиро душвор мекунад. Аз ин рӯ, мақолаи Verianla истинодҳои дар рӯйхати адабиёт набударо худсарона “ислоҳ” намекунад ё бо асарҳои дигар иваз намекунад; номувофиқиро ҳамчун маҳдудияти сифати манбаъ намоён нигоҳ медорад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• HEAL тарҳи возеҳ муайяншудаи системаест, ки edge anonymisation, local inference, federated learning, RAG, XAI, compliance gating ва cloud LLM-ро дар як меъморӣ муттаҳид мекунад.
• Дар арзёбии синтетикии манбаъ HEAL бо %91,6 accuracy, 148 ms latency ва 0,94 privacy score гузориш шудааст.
• Accuracy-и гузоришшудаи HEAL аз ҳамаи чор baseline дар ҷадвал баландтар аст.
• On-device SLM нисбат ба HEAL latency-и камтар медиҳад, аммо бо accuracy-и пасттар гузориш шудааст.
• Гузориш мешавад, ки тақрибан %38 дархостҳои синтетикӣ дар edge анҷом ёфтаанд.
• Азбаски compliance gate пеш аз inference дар меъморӣ ҷойгир шудааст, HEAL дар арзёбии манбаъ ҳамчун системаи compliance-aware аз baseline-ҳои дигар фарқ мекунад.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Исбот нашудааст, ки HEAL дар беморхонаи воқеӣ, бонк ё дигар созмони танзимшаванда %91,6 accuracy медиҳад.
• Арзиши 148 ms latency-и кафолатшуда ва end-to-end ченшуда дар муҳити воқеии истеҳсолӣ нест.
• Нишон дода нашудааст, ки 0,94 privacy score метрикаи универсалӣ ё стандартизатсияшудаи махфият аст.
• Ибораи “Full compliance” маънои сертификатсияи ҳуқуқӣ, санади мувофиқати GDPR/HIPAA ё тасдиқи мақоми танзимкунандаро надорад.
• Муваффақияти convergence-и federated learning дар гетерогении воқеии маълумоти бисёрсозмонӣ санҷида нашудааст.
• Манбаъ system validation-ро дар маълумоти беморони воқеӣ ё мизоҷони воқеии молиявӣ гузориш намедиҳад.
• Нишон дода нашудааст, ки HEAL аз baseline system-ҳо аз ҷиҳати оморӣ ба таври назаррас бартарӣ дорад; confidence interval, variance ё significance test гузориш нашудааст.

Таҳқиқоти оянда

Манбаъ се самти асосии таҳқиқоти ояндаро пешниҳод мекунад. Якум, сохтани pilot-и зинда дар шабакаи шарики беморхонаҳо ва санҷидани рафтори convergence-и механизми federated update дар шароити гетерогении маълумоти клиникии бисёрмарказӣ мебошад.

Самти дуюм ба мушкили дастӣ омода кардани compliance rule set равона шудааст. Манбаъ пешниҳод мекунад, ки дар оянда тавлиди автоматии қоидаҳо аз матнҳои танзимкунанда таҳқиқ шавад.

Самти сеюм қабати XAI мебошад. Дар тарҳи кунунии HEAL тавзеҳот бо citation ва retrieved evidence пайвастанд; таҳқиқот пешниҳод мекунад, ки дар оянда дастгирии counterfactual reasoning метавонад дар қарорҳои дорои хавфи баланди молиявӣ ва тандурустӣ муфид бошад.

Ёддошт оид ба Манбаъ ва Усул

Унвони пурраи аслӣ: Intelligent Enterprise Systems: Integrating Artificial Intelligence, Data Analytics, and Information Management for Strategic Decision Making.

Муаллиф: Sakir Alim.

Аффилиатсияи PDF: Department of Information Systems, University of Lagos, Lagos, Nigeria.

Платформа: SSRN.

Рақами SSRN abstract: 6894938.

DOI: 10.2139/ssrn.6894938.

Date Written: 11 Март 2025.

Санаи ирсол/нашр дар SSRN: 29 Июн 2026.

Навъи манбаъ: Таҳқиқоти SSRN бо хусусияти Preprint / working paper.

Вазъи рецензия: Дар санҷиши ҷорӣ версияи маҷаллаи рецензияшуда муайян нашуд; таҳқиқот набояд ҳамчун мақолаи рецензияшуда пешниҳод шавад.

Вазъи иҷозатнома/ҳуқуқ: Сабти SSRN “All rights reserved” ва шарти манъи истифодаи дубора бидуни иҷозатро нишон медиҳад. Аз ин рӯ, расми манбаъ, тарҳи аслии ҷадвал ва матни ҳифзшуда дубора истифода нашудаанд.

Майдони тамос дар PDF: Дар PDF зери номи Sakir Alim суроғаи “o.adeyemi@unilag.edu.ng” навишта шудааст. Азбаски ин майдон ба номи муаллиф ошкоро мувофиқат намекунад ва дар саҳифаи SSRN тасдиқи кушодаи email анҷом дода нашуд, суроғаи тамос ҳамчун маълумоти тасдиқшудаи corresponding-author қабул нашудааст.

Модели асосӣ: Hybrid Edge-Aware LLM (HEAL).

Қабатҳои меъморӣ: Data Sources; Edge Layer; Orchestration; Cloud / LLM.

Механизмҳои асосӣ: PII masking, anonymisation, local quantised inference, federated optimisation, differential privacy, RAG, jurisdiction policy engine, compliance gate, XAI, private cloud foundation LLM ва immutable audit ledger.

Басомади Federated update: Дар манбаъ барои ҳар edge node як давр дар ҳар 24 соат нишон дода шудааст.

Намунаи арзёбӣ: 500 дархости сохторёфтаи синтетикӣ, ки сенарияҳои тандурустӣ ва хизматрасониҳои молиявиро фаро мегиранд.

Baseline-ҳои муқоисашуда: Centralized Cloud LLM, On-Device SLM, Federated Fine-Tuning ва RAG-only Pipeline.

Андозаҳои арзёбӣ: Inference latency, privacy preservation score, scalability, compliance efficiency ва inference accuracy.

Натиҷаҳои гузоришшуда барои HEAL: 148 ms latency, 0,94 privacy score, High scalability, Full compliance efficiency ва %91,6 inference accuracy.

Мушкили муҳими арифметикӣ: Дар матни манбаъ фарқи accuracy байни HEAL ва RAG-only 8,4 банди фоизӣ навишта шудааст; арзишҳои Ҷадвали II нишон медиҳанд, ки ин фарқ 6,5 банди фоизӣ аст. Баландтарин accuracy baseline дар ҷадвал бошад %87,2 барои centralized LLM аст ва фарқи он бо HEAL 4,4 банди фоизӣ мебошад.

Мушкили муҳими истинод: Рақамҳои истинодҳои Brown, Hard, Lewis, Chowdhery ва Wornow дар бахши адабиёт бо сабтҳои рақамгузоришудаи манбаъ дар охири PDF мувофиқат намекунанд. Аз ин рӯ, рӯйхати адабиёт бояд барои санҷиши манбаъҳо бо эҳтиёт баррасӣ шавад.

Ҷузъиёти асосие, ки барои reproducibility гузориш нашудаанд: Тартиби тавлиди дархостҳои синтетикӣ, тақсимоти синфҳои дархост, усули сохтани gold-standard, accuracy scoring method, формулаи privacy score, compliance scoring protocol, номи воқеии foundation model ва версияи он, номи edge model, quantisation method, hardware, network topology, ҷузъиёти vector database, embedding model, RAG retrieval parameters, federated aggregation algorithm, шумораи node, learning rate, convergence criteria, differential privacy \(\varepsilon\) ва \(\delta\), clipping norm ва noise multiplier.

Номуайянии оморӣ: Манбаъ p-value, confidence interval, standard deviation ё дигар ченаки номуайяниро гузориш намедиҳад.

Тасдиқи саҳроӣ: Нест. Манбаъ мегӯяд, ки дар оянда pilot-и зинда дар шабакаи беморхонаҳо ба нақша гирифта шудааст.

Маблағгузорӣ: Дар PDF изҳороти маблағгузорӣ гузориш нашудааст.

Бархӯрди манфиатҳо: Дар PDF изҳороти ҷудогонаи бархӯрди манфиатҳо гузориш нашудааст.

Дастрасии маълумот: Дар PDF барои dataset ё маҷмӯи дархостҳои синтетикӣ изҳороти ҷудогонаи дастрасӣ гузориш нашудааст.

CRediT / саҳмҳои муаллиф: Дар PDF изҳороти CRediT дар бораи саҳмҳо гузориш нашудааст.

Нақши Расми 1: Ҷараёни чорқабатаи маълумоти HEAL-ро дар манбаъ нишон медиҳад. Барои истифодаи Verianla ҳамон тарҳи визуалӣ набояд нусхабардорӣ шавад; танҳо робитаҳои манбаи маълумот → edge privacy/local inference → RAG/policy/XAI/compliance → cloud LLM/audit бояд бо меъмории нави семантикӣ аз нав кашида шаванд.