یک اصل اساسی همیشه ثابت می‌ماند: مدل هوش مصنوعی روی سیستم خود کاربر و به‌صورت محلی اجرا می‌شود. حالت‌های Offline، Hybrid و Online تعیین نمی‌کنند مدل کجا اجرا شود؛ فقط مشخص می‌کنند Rainbow اجازه دارد از چه اتصال‌های اضافی استفاده کند. در حالت Offline، Rainbow بدون اتصال خارجی کار می‌کند. در حالت Hybrid، مدل همچنان محلی می‌ماند و می‌تواند به‌صورت هدفمند از APIها استفاده کند؛ مثلاً برای دریافت اطلاعات به‌روز آب‌وهوا. در حالت Online نیز مدل محلی می‌ماند و علاوه بر آن می‌توان Rainbow Apex Router یکپارچه را فعال کرد.

RAG از قبل بخشی از امکانات نسخه شخصی Rainbow است. در صورت نیاز، اسناد خود کاربر و اطلاعاتی که در اختیار سیستم قرار می‌گیرد می‌توانند به‌عنوان منبع دانش تکمیلی استفاده شوند. برای مثال، اگر لازم باشد یک PDF، فایل Word یا سند دیگری بررسی شود، می‌توان محتوای مرتبط را برای همان درخواست به‌کار گرفت، بدون اینکه مدل دوباره آموزش داده شود. مدل محلی همچنان پایه اصلی است و RAG هرجا اطلاعات تکمیلی یا به‌روز لازم باشد آن را تکمیل می‌کند. در عین حال، کنترل کاربر بر داده‌های خودش یکی از اصول اصلی Rainbow باقی می‌ماند. ذخیره‌سازی محلی داده‌ها با AES-256 محافظت می‌شود و Argon2id نیز به‌عنوان یک لایه حفاظتی تکمیلی به‌کار می‌رود. برای کاربر شخصی، نکته اصلی ساده است: مدل روی سیستم خودش می‌ماند، داده‌های شخصی را می‌توان محلی مدیریت کرد و اتصال‌های اضافی فقط زمانی استفاده می‌شوند که واقعاً مورد نظر باشند.

برای شرکت‌ها، Rainbow بسیار فراتر می‌رود. مدل سازمانی Rainbow یک نسخه Business معمولی یا صرفاً دسترسی به یک سرویس عمومی هوش مصنوعی نیست. هر شرکت مدل اختصاصی خود را دریافت می‌کند که متناسب با همان شرکت تنظیم می‌شود. خود شرکت تصمیم می‌گیرد چه دانشی باید بخشی از این هوش مصنوعی باشد. اطلاعاتی که برای این منظور در نظر گرفته شده‌اند آماده‌سازی شده و به‌صورت هدفمند وارد فرایند آموزش و تنظیم مدل اختصاصی شرکت می‌شوند. پایه زبان آلمانی و اطلاعات پایه مرتبط با آلمان از قبل وجود دارند و به‌عنوان Tokens سازمانی محاسبه نمی‌شوند. مدل نهایی مشتری و همچنین مصنوعات آموزشی و اجزای مدل اختصاصی که از آن ایجاد می‌شوند، فقط برای همان شرکت در نظر گرفته شده‌اند.

RAG مدل سازمانی را تکمیل می‌کند، اما جایگزین آن نیست. دانشی که شرکت می‌خواهد به‌طور دائمی در اختیار مدل باشد می‌تواند بخشی از مدل اختصاصی شود. اطلاعات جدید یا به‌روز نیز می‌توانند از طریق RAG اضافه شوند. برای نمونه اگر یک فایل Word جدید، PDF یا گزارش تازه در دسترس باشد و لازم باشد اطلاعات آن فوراً استفاده شود، نیازی به آموزش دوباره مدل سازمانی نیست. آن سند می‌تواند به‌عنوان منبع دانش تکمیلی برای درخواست فعلی در اختیار مدل قرار گیرد. تفکیک روشن است: مدل سازمانی دانشی را در خود دارد که باید به‌طور دائمی بخشی از هوش مصنوعی شرکت باشد؛ RAG آن را به‌صورت انعطاف‌پذیر با اسناد و اطلاعات جدید تکمیل می‌کند.

مدل سازمانی نیز به‌صورت محلی اجرا می‌شود و می‌تواند در زیرساخت خود شرکت کار کند. بنابراین شرکت نه‌تنها تعیین می‌کند چه دانشی وارد مدل شود، بلکه مشخص می‌کند مدل روی چه زیرساختی اجرا شود و چه اتصال‌های خارجی مجاز باشند. پیش از پیاده‌سازی، سخت‌افزار موجود بررسی می‌شود و اندازه مدل و پیکربندی فنی با زیرساخت واقعی هماهنگ می‌شوند. نتیجه یک راهکار استاندارد آماده نیست، بلکه محیطی است که با منابع فنی موجود شرکت تناسب دارد.

از نظر فنی، مدل سازمانی بسیار فراتر از رابط کاربری قابل مشاهده است. معماری مدل و سیستم، Tokenization، آماده‌سازی دانش سازمانی، آموزش یا تنظیم مدل، RAG و Inference محلی را در بر می‌گیرد. Tokenizer متن را به واحدهای قابل پردازش، یعنی Tokens، تقسیم می‌کند. Inference همان اجرای واقعی مدل نهایی است؛ لحظه‌ای که ورودی پردازش و خروجی تولید می‌شود. رمزگذاری AES-256 و محافظت مبتنی بر Argon2id در Rainbow نیز همچنان بخشی از سیستم هستند. Rainbow بر همین پایه فنی دو هدف روشن را دنبال می‌کند: برای کاربران شخصی، یک محیط کار دیجیتال منظم با مدل هوش مصنوعی محلی، RAG و اتصال‌های کنترل‌شده؛ و برای شرکت‌ها، علاوه بر آن یک مدل اختصاصی متناسب با دانش و زیرساخت شرکت. اصل در هر دو حالت یکسان است: مدل محلی می‌ماند. کاربر شخصی تعیین می‌کند کدام اطلاعات خودش و کدام اتصال‌های خارجی استفاده شوند؛ شرکت علاوه بر این مشخص می‌کند چه دانشی بخشی از مدل اختصاصی شود و مدل روی چه زیرساختی اجرا شود.