
اسکرینشاتها به یکی از رایجترین راههای استفاده از هوش مصنوعی تبدیل شدهاند؛ کاربران بهجای یادداشتبرداری یا توصیف دقیق آنچه دیدهاند، تصویر را به چتبات میدهند و پاسخ میگیرند. اما همین تصویر میتواند حاوی اطلاعات شخصی، کاری یا مالی باشد و به سرورهای شرکتهای ارائهدهنده منتقل شود. بر اساس گزارش XDA Developers، اجرای مدلهای بینایی محلی روی گوشی میتواند بخش زیادی از این نگرانی را کاهش دهد.
چرا آپلود اسکرینشات در چتباتها نگرانکننده است؟
هر اسکرینشاتی که به یک چتبات ابری فرستاده میشود، تابع سیاستهای نگهداری داده (Data Retention) و آموزش مدل (Model Training) همان ارائهدهنده است. این مدت میتواند از چند روز تا چند سال متغیر باشد و به انتخاب کاربر برای مشارکت در آموزش مدل بستگی دارد. برای اسکرینشاتهایی که اطلاعات شخصی دارند، این وضعیت مطلوب نیست.
چه دادههایی همراه اسکرینشات از گوشی خارج میشود
مدلهای بینایی در خواندن متن از تصویر بسیار توانمند شدهاند؛ حتی نام روی یک اعلان (Notification) که لحظه گرفتن اسکرینشات ظاهر شده است، ممکن است قابل خواندن باشد. بنابراین ارسال اسکرینشات به چتبات تقریباً معادل چسباندن همه واژههای روی صفحه در گفتوگوست، چه کاربر متوجه آن شده باشد و چه نه.
در همین گزارش اشاره شده است که OpenAI ممکن است از گفتوگوهای کاربران در طرحهای مصرفی برای بهبود مدل استفاده کند، مگر اینکه گزینه «improve model for everyone» غیرفعال شود. همچنین Anthropic میتواند در صورت فعال بودن آموزش مدل، گفتوگوها را تا پنج سال برای بهبود مدل نگه دارد.
برخی از حساسترین موارد شامل اسکرینشات گفتوگوهای گروهی، اطلاعات مالی، داشبوردهای داخلی محل کار، رشتههای Slack، کارتهای پرواز با بارکد و کد رزرو، و نتایج آزمایش سلامت است. حتی مواردی که بیخطر به نظر میرسند نیز بهتر است از مراکز داده دور بمانند.
راهاندازی مدل بینایی محلی روی گوشی
در این تجربه، از اپ Noema بهعنوان اجراکننده مدل محلی استفاده شده است؛ اپی که از نظر امکانات فضای کاری به اپهای ابری هوش مصنوعی نزدیک است و وب، پیوست فایل و آپلود تصویر را در اختیار میگذارد. برای کاربران اندروید نیز Google AI Edge Gallery بهعنوان گزینهای قابل توصیه مطرح شده است.
- Qwen 3.5 2B: مدل اصلی برای بیشتر اسکرینشاتها، با نسخه فشرده ۴ بیتی Q4_K_M که حجم ذخیرهسازی و حافظه کمتری میگیرد و برای اندازه خود در خواندن متن از تصویر خوب عمل میکند.
- Gemma 4 E2B: مدلی که ماهها در PocketPal استفاده شده و اکنون در Edge Gallery نیز در دسترس است؛ مناسب جریانهای خلاقانهتر مانند ایدههای طراحی و الهامگیری.
در Noema تنظیمات معمولاً کنار گذاشته میشوند تا تجربه موبایل ساده بماند. در این نمونه، پنجره زمینه (Context) حدود ۱۶ هزار توکن تنظیم شده است، یعنی نصف مقداری که روی رایانه شخصی استفاده میشود. گزینههای Web، Memory و Search My Chats روشن هستند و Thinking/Reasoning معمولاً خاموش است تا بودجه زمینه مصرف نشود؛ البته برای تصاویر پیچیدهتر روی حالت Low یا Medium قرار میگیرد. Edge Gallery نیز وب ندارد، اما پارامترهایی مانند Temperature و Top-P را در اختیار میگذارد.
روش کار روزمره با مدل محلی
روش کار کوتاه است: کاربر اسکرینشات را از اپ Photos پیوست میکند و درخواست مشخصی میدهد؛ مثلاً همه تاریخها و مبلغها را در یک فهرست استخراج کند. سپس نتیجه به Obsidian برای موبایل منتقل میشود و معمولاً اسکرینشات از گالری دوربین حذف میشود.
کجا هنوز چتبات ابری بهتر است؟
Claude هنوز هم اسکرینشات دریافت میکند، اما تعداد آن بسیار کمتر شده است. در این رویکرد، اسکرینشات تا زمانی که دلیل واقعی برای ارسال وجود نداشته باشد، روی گوشی میماند. برای مثال، هنگام مطالعه برای یک آزمون، اعتماد کامل به یک مدل ۲ میلیارد پارامتری برای توضیح یک موضوع دشوار منطقی نیست و استفاده از توان بیشتر Claude ترجیح داده میشود.
روش دیگر این است که ابتدا اسکرینشات به مدل محلی سپرده شود تا اطلاعات خصوصی احتمالی مانند نام کامل افراد شناسایی شود؛ سپس کاربر میداند چه بخشی را پیش از ارسال به چتبات ابری برش دهد یا محو کند.
نکته مهم درباره حریم خصوصی
اجرای مدل محلی روی سختافزار خود کاربر، حریم خصوصی را بهطور کامل تضمین نمیکند؛ زیرا برخی اپهای محلی ممکن است همچنان تلهمتری (Telemetry)، همگامسازی ابری اختیاری یا نیاز به سرویسهای راه دور داشته باشند. با این حال، این روش آپلود به سرورهای شخص ثالث را بهطور چشمگیری کاهش میدهد. همچنین حذف اسکرینشاتها پس از تحلیل محلی، هم حریم خصوصی را بهتر میکند و هم مانع انباشته شدن تصاویر شخصی قدیمی در گالری میشود.