একটি মৌলিক নীতি সব সময় একই থাকে: AI মডেল ব্যবহারকারীর নিজস্ব সিস্টেমে স্থানীয়ভাবে চলে। Offline, Hybrid এবং Online মোড মডেল কোথায় চলবে তা নির্ধারণ করে না; এগুলো কেবল Rainbow কোন অতিরিক্ত সংযোগ ব্যবহার করতে পারবে তা নির্ধারণ করে। Offline মোডে Rainbow কোনো বাহ্যিক সংযোগ ছাড়াই কাজ করে। Hybrid মোডে মডেল স্থানীয়ই থাকে এবং প্রয়োজন অনুযায়ী API ব্যবহার করতে পারে, যেমন বর্তমান আবহাওয়ার তথ্যের জন্য। Online মোডেও মডেল স্থানীয় থাকে; পাশাপাশি সমন্বিত Rainbow Apex Router চালু করা যায়।

RAG ইতিমধ্যেই ব্যক্তিগত সংস্করণের ফিচারের অংশ। প্রয়োজন হলে নিজের নথি ও সরবরাহ করা তথ্যকে অতিরিক্ত জ্ঞানের উৎস হিসেবে ব্যবহার করা যায়। যেমন কোনো PDF, Word ফাইল বা অন্য নথি বিশ্লেষণ করতে হলে, মডেলকে আবার প্রশিক্ষণ না দিয়েই সংশ্লিষ্ট বিষয়বস্তু নির্দিষ্ট অনুরোধের জন্য ব্যবহার করা যায়। স্থানীয় মডেলই ভিত্তি থাকে; যেখানে অতিরিক্ত বা সাম্প্রতিক তথ্য দরকার, RAG সেখানে সেটিকে সম্পূরক করে। একই সঙ্গে নিজের ডেটার ওপর নিয়ন্ত্রণ Rainbow-এর একটি কেন্দ্রীয় অংশ হয়ে থাকে। স্থানীয় ডেটা সংরক্ষণ AES-256 দিয়ে সুরক্ষিত থাকে এবং Argon2id অতিরিক্ত নিরাপত্তা স্তর যোগ করে। ব্যক্তিগত ব্যবহারকারীর জন্য মূল বিষয়টি সহজ: মডেল নিজের সিস্টেমেই থাকে, ব্যক্তিগত ডেটা স্থানীয়ভাবে পরিচালনা করা যায় এবং অতিরিক্ত সংযোগ কেবল তখনই ব্যবহৃত হয় যখন ব্যবহারকারী সত্যিই তা চান.

প্রতিষ্ঠানের জন্য Rainbow আরও অনেক দূর এগিয়ে যায়। Rainbow এন্টারপ্রাইজ মডেল কোনো প্রচলিত Business সংস্করণ নয় এবং সাধারণ AI সেবায় শুধু প্রবেশাধিকারও নয়। প্রতিষ্ঠান তার নিজস্ব একটি মডেল পায়, যা সেই প্রতিষ্ঠানের জন্য আলাদাভাবে মানিয়ে নেওয়া হয়। কোন জ্ঞান এই AI-এর অংশ হবে, তা প্রতিষ্ঠান নিজেই নির্ধারণ করে। এই উদ্দেশ্যে নির্বাচিত তথ্য প্রস্তুত করে প্রতিষ্ঠানের নিজস্ব মডেলের প্রশিক্ষণ ও অভিযোজন প্রক্রিয়ায় লক্ষ্যভিত্তিকভাবে যুক্ত করা হয়। জার্মান ভাষার ভিত্তি এবং জার্মানি-সংক্রান্ত মৌলিক জ্ঞান আগে থেকেই অন্তর্ভুক্ত থাকে এবং এগুলো প্রতিষ্ঠানের Tokens হিসেবে গণনা করা হয় না। সম্পূর্ণ গ্রাহক মডেল এবং সেখান থেকে তৈরি প্রতিষ্ঠান-নির্দিষ্ট প্রশিক্ষণ আর্টিফ্যাক্ট ও মডেল উপাদান শুধু সংশ্লিষ্ট প্রতিষ্ঠানের জন্যই নির্ধারিত।

RAG এন্টারপ্রাইজ মডেলকে সম্পূরক করে, তার বিকল্প নয়। যে প্রতিষ্ঠানগত জ্ঞান দীর্ঘমেয়াদে রাখতে হবে, তা নিজস্ব মডেলের অংশ হতে পারে। নতুন বা সাম্প্রতিক তথ্য RAG-এর মাধ্যমে অতিরিক্তভাবে ব্যবহার করা যায়। উদাহরণস্বরূপ, নতুন কোনো Word ফাইল, PDF বা প্রতিবেদন থাকলে এবং সেখানকার তথ্য সঙ্গে সঙ্গে ব্যবহার করতে হলে এন্টারপ্রাইজ মডেলকে আবার প্রশিক্ষণ দেওয়ার প্রয়োজন নেই। নথিটি বর্তমান অনুরোধের জন্য অতিরিক্ত জ্ঞানের উৎস হিসেবে দেওয়া যায়। পার্থক্যটি পরিষ্কার থাকে: এন্টারপ্রাইজ মডেলে সেই জ্ঞান থাকে যা প্রতিষ্ঠানের নিজস্ব AI-এর স্থায়ী অংশ হওয়া উচিত; RAG বর্তমান নথি ও তথ্য দিয়ে সেটিকে নমনীয়ভাবে সম্পূরক করে।

এন্টারপ্রাইজ মডেলও স্থানীয়ভাবে চলে এবং প্রতিষ্ঠানের নিজস্ব অবকাঠামোর মধ্যে পরিচালিত হতে পারে। ফলে প্রতিষ্ঠান শুধু কোন জ্ঞান মডেলে যাবে তা-ই নয়, মডেল কোন অবকাঠামোতে চলবে এবং কোন বাহ্যিক সংযোগ অনুমোদিত হবে তাও নির্ধারণ করে। বাস্তবায়নের আগে বিদ্যমান হার্ডওয়্যার পর্যালোচনা করা হয়। মডেলের আকার ও প্রযুক্তিগত কনফিগারেশন বাস্তব অবকাঠামোর সঙ্গে সামঞ্জস্য করা হয়। ফলে তৈরি হয় না কোনো প্রস্তুত সাধারণ সমাধান; বরং বিদ্যমান প্রযুক্তিগত সম্পদের সঙ্গে মানানসই পরিবেশ।

প্রযুক্তিগতভাবে এন্টারপ্রাইজ মডেল শুধু দৃশ্যমান ইন্টারফেসের চেয়ে অনেক বেশি কিছু নিয়ে গঠিত। এর মধ্যে রয়েছে মডেল ও সিস্টেম আর্কিটেকচার, Tokenization, প্রতিষ্ঠানগত জ্ঞান প্রস্তুতি, প্রশিক্ষণ বা মডেল অভিযোজন, RAG এবং স্থানীয় Inference। Tokenizer টেক্সটকে প্রক্রিয়াযোগ্য এককে ভাগ করে, যেগুলোকে Tokens বলা হয়। Inference হলো প্রস্তুত মডেলের প্রকৃত কার্যক্রম—যে পর্যায়ে ইনপুট প্রক্রিয়াকরণ করে আউটপুট তৈরি করা হয়। Rainbow-এর AES-256 এনক্রিপশন এবং Argon2id-ভিত্তিক সুরক্ষা সিস্টেমের অংশ হিসেবেই থাকে। একই প্রযুক্তিগত ভিত্তিতে Rainbow দুটি পরিষ্কার লক্ষ্য পূরণ করে: ব্যক্তিগত ব্যবহারে স্থানীয় AI মডেল, RAG এবং নিয়ন্ত্রিত সংযোগসহ একটি সুসংগঠিত ডিজিটাল কর্মক্ষেত্র; আর প্রতিষ্ঠানের ক্ষেত্রে এর সঙ্গে যোগ হয় প্রতিষ্ঠানগত জ্ঞান ও অবকাঠামো অনুযায়ী মানিয়ে নেওয়া নিজস্ব মডেল। উভয় ক্ষেত্রেই নীতি একই: মডেল স্থানীয় থাকে। ব্যক্তিগত ব্যবহারকারী নির্ধারণ করেন তার কোন তথ্য ও বাহ্যিক সংযোগ ব্যবহার হবে; প্রতিষ্ঠান আরও নির্ধারণ করে কোন জ্ঞান তার নিজস্ব মডেলের অংশ হবে এবং মডেল কোন অবকাঠামোতে চলবে।