محاسبات لبه هوش مصنوعی را به منابع داده نزدیک می‌کند، تاخیر را به شدت کاهش داده و حریم خصوصی را بهبود می‌بخشد. این مقاله معماری نوینی را بررسی می‌کند که ارکستراتورهای هوش مصنوعی را در لبه مستقر می‌کند تا پاسخ‌های خودکار به پرسشنامه‌های امنیتی را در زمان واقعی ارائه دهد، در حالی که الزامات سخت‌گیرانه انطباق، حاکمیت داده و مقیاس‌پذیری برای ارائه‌دهندگان SaaS جهانی را برآورده می‌کند.

این مقاله به بررسی معماری ترکیبی لبه‑ابر می‌پردازد که مدل‌های زبانی بزرگ را به منبع داده‌های پرسش‌نامه‌های امنیتی نزدیک می‌کند. با توزیع استنتاج، کش‌بندی شواهد و استفاده از پروتکل‌های همگام‌سازی امن، سازمان‌ها می‌توانند ارزیابی‌های فروشنده را به‌صورت آنی پاسخ دهند، تاخیر را کاهش دهند و حاکمیت داده‌های محلی را حفظ کنند؛ همه این‌ها در یک بستر یکپارچه‌ی انطباق.

این مقاله به پارادایم نوظهور هوش مصنوعی لبه‌ای فدرال می‌پردازد، معماری آن، مزایای حریم‌خصوصی و گام‌های عملیاتی برای خودکارسازی مشترک پرسشنامه‌های امنیتی در تیم‌های جغرافیایی پراکنده را تشریح می‌کند.