تبني Exowatt أنظمة طاقة شمسية معيارية قابلة للاستدعاء توفر طاقة موثوقة للتطبيقات كثيفة استهلاك الطاقة مثل مراكز بيانات الذكاء الاصطناعي. منتجها الرئيسي، Exowatt P3، يلتقط الطاقة الشمسية عبر عدسات بصرية، ويخزنها كحرارة في بطارية حرارية طويلة الأمد، ويولّد الكهرباء عند الطلب عبر محرك حراري. وعلى عكس أنظمة الطاقة الشمسية الكهروضوئية المتصلة بالشبكة، يشغّل P3 مراكز البيانات مباشرة خلف العداد، ما يساعد مراكز البيانات على بدء التشغيل دون الانتظار في طوابير الربط بالشبكة التي تمتد لسنوات. تبني Exowatt أسطولاً من وكلاء الذكاء الاصطناعي لمراقبة الإنذارات الحية وتصنيفها ودعم قرارات التشغيل للأنظمة الشمسية، غالباً على الحافة مع اتصال محدود أو معدوم. ومع توسع الأسطول من منصات الاختبار نحو التصنيع وآلاف الوحدات المنشورة في الميدان، يجب أن تتوسع معه طبقة الذكاء التي تدير هذه الأنظمة.
في هذا المقال، نوضح كيف استخدمت Exowatt ميزة التخصيص بلا خوادم للنماذج في Amazon SageMaker AI لبناء خط معالجة ذكاء اصطناعي قابل للتكرار. ينتج هذا الخط نماذجاً مضبوطة بدقة مهيّأة لمهام محددة وموجّهة إلى هدفَي نشر اثنين، الطرفي والسحابي، محققةً دقة أعلى من النماذج الحدودية بتكلفة أقل تصل إلى 49×.
النموذجان الموصوفان هنا هما المخرجان الأولان من ذلك الخط وليسا الهدف النهائي. وكانت النتيجة الأكثر ديمومة من هذا التعاون هي الخط نفسه: مسار قابل للتكرار من البيانات التشغيلية الخام إلى مجموعة تدريب معتمدة، ونموذج مضبوط بدقة، وأداة نشر مُقيَّمة. ويمكن الآن لشركة Exowatt تنفيذ هذا المسار في أيام بدلاً من أشهر. وتُعدّ عملية تصنيف الإنذارات وتحليل سوق الطاقة مهمتين ضيقتين عاليتي القيمة من بين مهام عديدة تنطبق عليها المقاربة نفسها.
التحدي: الذكاء الاصطناعي على البنية التحتية للطاقة الفيزيائية
يعمل نظام إدارة الطاقة (EMS) في Exowatt عبر أسطول متنامٍ من المواقع التشغيلية. ويُنتج كل موقع باستمرار إنذارات: مكوّن عتادي يعمل خارج المواصفات، أو انقطاع في الاتصال، أو قراءة جهد خارج النطاق، وأحداثاً مماثلة. ومع توسع الأسطول نحو آلاف الوحدات الميدانية، لا يمكن لمشغل بشري مراقبة كل موقع في الوقت الفعلي. احتاجت Exowatt إلى وكيل ذكاء اصطناعي يستطيع قراءة حالة الإنذارات في كل موقع واتخاذ الإجراء التالي الصحيح أو التوصية به بشكل مستقل وموثوق.
لم يكن النموذج الحدودي قادراً على حل هذه المشكلة لثلاثة أسباب:
- المهمة ضيقة و proprietary. يعتمد تصنيف الإنذارات على نظام EMS الخاص بـ Exowatt على عتادها وبياناتها ومنطق تشغيلها المحدد. النموذج الحدودي متعدد الأغراض ليس متخصصاً لها.
- يجب أن يعمل على الحافة، دون GPU وغالباً دون إنترنت. تتمتع مواقع كثيرة باتصال محدود أو متقطع، لذا فإن الوكيل الذي يعتمد على استدعاء سحابي لنموذج حدودي يترك المشغل دون تغطية عند انقطاع الاتصال.
- التكلفة لا تتوسع على مستوى الأسطول. توجيه كل قرار تشغيلي إلى نموذج حدودي عبر آلاف المواقع ليس اقتصادياً لقرار يتكرر باستمرار.
هنا لجأت Exowatt إلى تخصيص النماذج. كان سير عمل الضبط الدقيق الأولي في Exowatt يعتمد على اختيار نموذج مفتوح الأوزان، وبناء حاوية، وإنشاء وصفة تدريب مخصصة قبل إمكانية تشغيل أي تجربة. وكان هذا عائقاً رئيسياً أمام تجريب النماذج. إضافة إلى ذلك، كان عليهم تحديد متطلبات عتاد GPU لضبط النموذج. ومع زيادة وتيرة التجارب، تطلب كل تشغيل أولاً اختيار نوع مثيل GPU محدد ثم انتظار توفر تلك السعة المختارة ذاتياً. وعندما لم يكن نوع المثيل المختار متاحاً، قد يتأخر بدء التشغيل أو يُحجب تماماً.
احتاجوا إلى نموذج صغير بما يكفي للعمل على متحكّم طرفي بلا GPU، ودقيق بما يكفي مقارنة بالنموذج الحدودي في المهمة المحددة ليعمل بشكل مستقل. وأغلق الضبط الدقيق هذه الفجوة: نموذج مدمج متخصص في مهمة محددة قابل للنشر في السحابة وعلى الحافة معاً.
نظرة عامة على الحل
عالجت Exowatt هذه التحديات باعتماد مقاربة سحابية أصلية للتخصيص بلا خوادم للنماذج على Amazon SageMaker AI. ينتج خط التدريب نفسه نماذج مضبوطة بدقة لهدفَي نشر: الحافة والسحابة.
نفّذت Exowatt هذه المقاربة على نموذج Qwen3-1.7B لحالة الاستخدام الأولى، تصنيف الإنذارات على الحافة، ثم طبّقت المقاربة نفسها على نموذج Qwen3-14B لحالة الاستخدام الثانية، تحليل سوق الطاقة في السحابة. وتخطط الشركة لإعادة استخدام هذا الحل لبناء نماذج أصغر مهيّأة لمهام محددة عبر الأسطول.
الشكل 1: خط ضبط النماذج ونشرها في Exowatt، ممتداً عبر مراحل البناء والخدمة السحابية والخدمة الطرفية
تشغّل خدمات AWS السبع التالية خط معالجة الذكاء الاصطناعي، دون أي مثيلات أو عناقيد أو نقاط نهاية لإدارتها:
| خدمة AWS | الغرض |
| Amazon Simple Storage Service (Amazon S3) | البيانات والقوائم (manifests) ونتائج النماذج ومجموعات الاختبار |
| الضبط الدقيق بلا خوادم في Amazon SageMaker AI | كل عملية ضبط دقيق، تُطلق من وصفات Public Hub |
| التقييم بلا خوادم في Amazon SageMaker AI | تقييم 2,000 إجابة لكل نموذج مرشح كمهمة مُدارة |
| سجل النماذج في SageMaker (SageMaker Model Registry) | كل ضبط دقيق مكتمل مع أدلته ومقاييسه |
| استيراد النماذج المخصصة في Amazon Bedrock (Amazon Bedrock Custom Model Import) | يستضيف نموذج Qwen3-14B المضبوط لخدمة Cloud EMS، ويُستدعى بشكل خاص من خدمة Cloud EMS. بلا تكلفة خمول |
| Amazon Bedrock (Claude, Qwen3) | إعادة الصياغة (ثلاث صيغ معاد كتابتها لكل إجابة في بيانات التدريب) وقياس أداء النماذج الرائدة تستخدم إعادة صياغات فرز الإنذارات Qwen3-VL-235B على Amazon Bedrock. وتستخدم إعادة صياغات سوق الطاقة Claude Sonnet 4.6 على Amazon Bedrock. |
| AWS Lambda + Amazon EventBridge | مُسجِّل تقييم بدون خوادم واستدعاء مجدول للحفاظ على دفء النموذج المخصص |
يتم تنظيم سير العمل في ثلاث مراحل:
تخصيص النموذج (السحابة): تقوم Exowatt بضبط نماذج الأساس مفتوحة الأوزان باستخدام التخصيص بدون خوادم للنماذج، وتكييف الرتبة المنخفضة (LoRA)، والضبط الخاضع للإشراف (SFT) على SageMaker AI. ولأن التدريب بدون خوادم يخصص السعة عند الطلب، يجري الفريق تجارب متعددة يوميًا بدلًا من انتظار وحدات معالجة رسوميات (GPU) محجوزة ذاتيًا. بعد التقييم، يتم تسجيل أفضل نموذج في سجل نماذج SageMaker AI Model Registry.
النشر عند الحافة: بالنسبة للأعمال الحساسة لزمن الاستجابة والمحدودة الاتصال، مثل فرز الإنذارات، يتم تجميد نموذج Qwen3-1.7B المضبوط، وترقيته كميًا إلى صيغة GGUF، وتشغيله باستخدام llama.cpp داخل حاويات Kubernetes عند الحافة باستخدام وحدات تحكم في الموقع. لا يتطلب هذا المسار أي وحدة معالجة رسوميات ويعمل بدون اتصال بالإنترنت.
النشر السحابي (المرن): للتحليل المتصل بالإنترنت على مستوى الأسطول، يتم تقديم نموذج سوق الطاقة Qwen3-14B المضبوط عبر Amazon Bedrock Custom Model Import، الذي يعمل دون تكلفة خمول ولا يُفوتر إلا أثناء نشاط النموذج.
لماذا التخصيص بدون خوادم للنماذج في Amazon SageMaker AI
توفر خدمة التخصيص بدون خوادم للنماذج في Amazon SageMaker AI مجموعة واسعة من النماذج مفتوحة الأوزان مع وصفات ضبط جاهزة من SageMaker Public Hub، مما جنّب الفريق بناء حاوية تدريب مخصصة وتحسينها، وهو عمل قد يستغرق أسابيع. بالنسبة لـ Exowatt، حوّل هذا الضبط الدقيق من حدث نادر مجدول إلى روتين متاح عند الطلب. وهذا يجعل حلقة التجريب والاختبار السريعة عملية بينما تبقي تكلفة التجريب منخفضة.
يتطلب الضبط الدقيق على وحدات معالجة رسوميات محجوزة اختيار نوع مثيل محدد، وطلب تلك السعة، وانتظار توفرها، وتشغيل المهمة، والدفع مقابل المثيل طوال مدة احتجازه. تتضمن مدة الاحتجاز عادةً وقت الخمول بين التجارب عند إبقاء مثيل مخصص قيد التشغيل. بالنسبة لفريق صغير يُجري تجارب كثيرة، فإن هذا يُبطئ الابتكار ويزيد التكلفة. يدير التخصيص بدون خوادم للنماذج في Amazon SageMaker AI تلقائيًا وينسّق البنية التحتية اللازمة لتشغيل مهمة الضبط الدقيق، مما يزيل عناء إدارة السعة، ويحتسب الرسوم فقط عن الوقت الذي تعمل فيه مهمة الضبط الدقيق.
حالة الاستخدام 1: فرز الإنذارات عند الحافة باستخدام Qwen3-1.7B
تطلق مواقع Exowatt إنذارات على مدار الساعة. يقرأ نموذج مدمج في الموقع كل إنذار مع حالة الموقع وبيانات القياس عن بُعد الخاصة به، ويعيد إحدى تصنيفات من مجموعة صغيرة ثابتة مع أدلة موثّقة (مثل نظام غير متصل، أو مكوّن مخفَّض القدرة، أو عدم تطابق في المستشعر)، أو امتناعًا صريحًا عندما تكون الأدلة غير كافية.
اختيار النموذج وبيانات التدريب
جرّب الفريق أولًا Qwen3-8B مع هندسة الأوامر (prompting) وضوابط الحماية، لكنه استقر دون الهدف (0.735 macro-F1). وقد غيّر نموذج Qwen3-1.7B المضبوط ذلك: فقد تفوّق على إعداد Qwen3-8B مع هندسة الأوامر في هذه المهمة الضيقة ذات الدور الواحد بحجم معاملات يقارب خُمس حجمها، مع بقاءه صغيرًا بما يكفي للاستدلال عند الحافة دون وحدة معالجة رسوميات. ولم يتفوّق أي من 13 مرشحًا من Qwen3-8B المضبوطة عبر 12 نسخة من مجموعة البيانات على خط الأساس 8B المعتمد على هندسة الأوامر. أما النموذج الأصغر مع بيانات أكثر تنوعًا فقد فعل.
كانت مجموعة التدريب صغيرة ومنسّقة بعناية: 2,522 مثالًا مبنية على 684 قرارًا موثقًا من سيناريوهات مواقع مولّدة، إضافة إلى 1,838 إعادة صياغة معتمدة حافظت على ثبات كل قرار مع إعادة كتابة النص. وُلّدت إعادة الصياغات بواسطة Qwen3-235B على Amazon Bedrock بتكلفة نحو 3.72 دولارًا. لم تُحتفظ بكل إعادة صياغة إلا إذا أكدت فحوصات حتمية أن القرار والتسميات والاستشهاد بالأدلة وكل رقم بقيت دون تغيير (اجتاز 1,838 من أصل 2,218 مرشحًا). استُبعدت عائلة أعطال واحدة بالكامل من التدريب، وحُجزت 320 حالة للاختبار.
التدريب والنشر
اكتمل التدريب في نحو 32 دقيقة على الضبط الدقيق بدون خوادم في SageMaker بتكلفة تقارب 20–25 دولارًا. وبعد الترقية الكمية إلى 8 بتات (نحو 1.71 GiB)، يعمل النموذج دون اتصال في حاوية llama.cpp بسعة 6 GiB على خادم وحدة المعالجة المركزية الحالي في الموقع. كما يعمل على نوع مثيل t3.2xlarge.
حالة الاستخدام 2: تحليل سوق الطاقة السحابي باستخدام Qwen3-14B
يحوّل التخزين القابل للتوجيه التوقيت إلى قرار تشغيلي: يجب على كل موقع أن يقرر باستمرار مقدار الطاقة المخزنة التي يحتفظ بها لحمله وتوقيت إطلاقها، وبالنسبة للمواقع المتصلة بالشبكة تدخل ظروف السوق في هذا القرار. يقرأ النموذج المضبوط حزمة بيانات سوقية مباشرة لمدة ست ساعات (نحو 90 صفًا من الأسعار الفورية وتوقعات اليوم التالي وإشعارات الشبكة) ويعيد أحد خمسة أحداث سوقية (مثل ارتفاع حاد في الأسعار أو علاوة ندرة) في نحو أربع ثوانٍ. وترتبط كل مطالبة بصف بيانات محدد لتوجيه استراتيجية التوجيه (dispatch).
لماذا Qwen3-14B
اختير Qwen3-14B لأنه مدعوم في Amazon Bedrock Custom Model Import، ويُقدَّم كنموذج من SageMaker Public Hub مع وصفة LoRA جاهزة (دون حاجة لحاوية مخصصة أو نوع مثيل لإدارتها)، وبحجم نحو 28 GiB فهو صغير بما يكفي لتقديمه بتكلفة فعّالة.
بيانات التدريب والعملية
ضبطت Exowatt النموذج على بيانات سوق عامة من المجلس الموثوق لاستقرال كهرباء تكساس (ERCOT) مستمدة من خمس سنوات من السجل التاريخي (نحو 163 مليون صف عبر 12 جدولًا). وسمّى الفريق هذه البيانات بقواعد إلى 25,000 مثال (22,000 للتدريب، و1,000 للتحقق، و2,000 محجوزة للاختبار). ثم وسّعوا مجموعة التدريب إلى 86,281 صفًا بواسطة Claude Sonnet 4.6 من Anthropic على Amazon Bedrock، الذي أعاد كتابة نص كل مثال مع ثبات تسمياته وحقوله الرقمية.
كان التدريب حقبة LoRA واحدة (rank 16، alpha 32)، اكتملت في حوالي 8.5 ساعة من الضبط الدقيق المُدار بلا خادم مع تشغيل ما يصل إلى أربع مهام في وقت واحد. نفّذ الفريق 23 مهمة وحوالي 155 ساعة من التدريب المُدار في الأيام الستة من الخطة الأولية حتى نموذج بطل يخدم في Cloud EMS.
جاء التحسين الحاسم من تنويع الصياغات البديلة: إضافة ثلاث صيغ معاد صياغتها لكل إجابة رفعت macro-F1 من 0.950 إلى 0.975. سجّل النموذج الأساسي 0.415 macro-F1 فقط. كان يُنتج JSON صالحًا لكنه لم يكن يعرف السوق بعد. الضبط الدقيق عالج ذلك.
النشر
تم استيراد نقطة التحقق المدمجة إلى Amazon Bedrock Custom Model Import في حوالي 14 دقيقة. يعمل النموذج دون أي تكلفة خمول ويُحاسب بمعدل $6.86 في الساعة فقط أثناء التشغيل النشط.
نتائج المعايير المرجعية
في مهمة فرز إنذارات الحافة، انتقل نموذج Qwen3-1.7B المضبوط بدقة من نموذج لم يكن قادرًا على إنتاج إجابة صالحة إلى 0.911 macro-F1 مع 320 حالة اختبار، متفوقًا على كل خطوط الأساس الحدودية. وعند تطبيق حلقة الضبط الدقيق والتقييم نفسها على مهمة سوق الطاقة مع 2,000 حالة اختبار، وصل Qwen3-14B إلى 0.975 macro-F1، متفوقًا مجددًا على خط الأساس الحدودي وبجزء بسيط من التكلفة. وفي كلتا الحالتين تفوّق نموذج صغير مضبوط بدقة على نماذج عامة أكبر بكثير في المهمة المحددة.
كلا النموذجين يعيدان JSON صارمًا تُستشهد فيه كل مطالبة بصف بيانات إدخال محدد. ويتم إسقاط أي مطالبة غير مدعومة قبل أن تصل إلى المشغّل، وهو ما يتيح للفريق الثقة بالنماذج الصغيرة في البيئات المادية المستقلة.
| النموذج | Macro-F1 | $ / 1,000 قرار | دون اتصال؟ |
| Claude Haiku 4.5 | 0.519 | ~$4.70 | لا |
| Claude Opus 4.7 | 0.680 | ~$22 | لا |
| Claude Sonnet 4.6 | 0.698 | ~$15 | لا |
| Qwen3-1.7B المضبوط بدقة | 0.911 | $0* | نعم |
| Qwen3-1.7B الأساسي | لا توجد نتيجة (فشل في بوابة الصلاحية) |
الجدول 1: نتائج فرز إنذارات الحافة، مقارنة بين Qwen3-1.7B المضبوط بدقة والنماذج الحدودية
تشير $0 لكل 1,000 قرار إلى عدم وجود تكلفة استدلال خاضعة للقياس عبر API أو GPU. يعمل النموذج المكمّم على وحدة CPU الموجودة أصلًا في الموقع.
| النموذج | Macro-F1 | دقة الأحداث | JSON صالح | $ / 1,000 إجابة |
| Qwen3-14B الأساسي | 0.415 | 0.54 | 0.834 | $0.64 |
| Claude Sonnet 4.6 | 0.538 | 0.584 | 0.991 | $17.79 |
| Claude Opus 4.7 | 0.625 | 0.718 | 0.9995 | $29.26 |
| Qwen3-14B المضبوط بدقة | 0.975 | 0.983 | 1.000 | $0.60 |
الجدول 2: نتائج تحليل سوق الطاقة السحابية، مقارنة بين نموذج Qwen3-14B المضبوط بدقة والنماذج الرائدة
التكاليف هي أسعار القائمة في Amazon Bedrock مضروبة في الرموز المقيسة لكل إجابة. أتاح الضبط الدقيق لنموذج مفتوح الانتقال من المركز الأخير إلى المركز الأول: +0.35 ماكرو-F1 مقارنة بـ Claude Opus 4.7 (فترة ثقة 95 بالمئة من 0.324 إلى 0.371) بتكلفة أقل بنحو 49× لكل 1,000 إجابة ($0.60 مقارنة بـ $29.26). حقق النموذج 0.968 ماكرو-F1 على مجموعة اختبار ثانية لاحقة.
الفوائد التجارية
تكرار أسرع ووصول أسرع إلى السوق: نقلت Exowatt نموذجها المخصص من مرحلة التجريب إلى الإنتاج في تسعة أيام فقط. كانت هذه العملية قد استغرقت أشهرًا إذا اضطر الفريق إلى بناء حاويات مخصصة وتحسينها ووصفات تدريب مخصصة، وتوفير وحدات معالجة الرسومات، وإدارة البنية التحتية. مع تخصيص النماذج بلا خوادم في SageMaker AI، درّب الفريق Qwen3-1.7B في نحو 32 دقيقة وQwen3-14B في نحو 8.5 ساعة، دون طلبات سعة وما يصل إلى أربع مهام تدريب متزامنة. بالنسبة لحالة استخدام سوق الطاقة، شغّلت Exowatt 23 مهمة بإجمالي نحو 155 ساعة من التدريب المُدار، وانتقلت من النموذج الأساسي إلى نموذج مضبوط يخدم في Cloud EMS خلال ستة أيام. تم استيراد نقطة الفحص المدمجة إلى Amazon Bedrock في نحو 14 دقيقة. استخدمت خط المعالجة من البداية إلى النهاية سبع خدمات بلا خوادم من AWS، دون أي مثيلات أو عناقيد أو نقاط نهاية تديرها Exowatt.
دقة أعلى مقارنة بالنماذج الرائدة: تفوق كلا النموذجين المضبوطين على النماذج الرائدة الأكبر في مهمتهما الخاصة: Qwen3-1.7B بمعدل 0.911 ماكرو-F1 (مقارنة بـ 0.698 لـ Claude Sonnet 4.6) وQwen3-14B بمعدل 0.975 (مقارنة بـ 0.625 لـ Claude Opus 4.7).
تكلفة أقل في كلا النشرين: في السحابة، يخدم Qwen3-14B بتكلفة $0.60 لكل 1,000 إجابة مقابل $29.26 لـ Claude Opus 4.7 (أقل بنحو 49×)، دون تكلفة خمول و$6.86 في الساعة فقط أثناء النشاط على Amazon Bedrock Custom Model Import. على الحافة، يعمل Qwen3-1.7B الكمّي على وحدة المعالجة المركزية الموجودة في الموقع دون تكلفة لكل استدلال ودون الاعتماد على الاتصال.
مخرجات مسنَدة ومنخفضة المخاطر: في كلا النموذجين، أزال سياج الأدلة كل ادعاء غير مسنَد (أي استشهاد بالأدلة لا تطابق مصدره أو حقلها أو قيمتها حرفيًا المدخلات)، ويمتنع نموذج الحافة عن الإجابة بدلًا من التخمين عندما يكون غير متأكد. هذا هو ما مكّن الفريق من تشغيله بشكل مستقل في وضع الظل على نسخة مستضافة سحابيًا لأحد المواقع.
الدروس المستفادة
بالنسبة لمهام محددة، يمكن لنماذج اللغة الكبيرة الأصغر المضبوطة بدقة أن تتفوق على النماذج الرائدة الكبيرة: تفوق كلٌّ من نموذجَي Qwen3-1.7B وQwen3-14B المضبوطين بدقة على النماذج الرائدة في المهمة المستهدفة، مقدِّمًا دقة أعلى بجزء بسيط من التكلفة وبنماذج أصغر بكثير.
جودة البيانات وتنوعها يتفوقان على الحجم الخام والفترات الإضافية: بالنسبة للمهام ضيقة النطاق، كانت جودة البيانات أكثر أهمية من حجم النموذج أو حجم البيانات. في نموذج فرز الإنذارات، أدى المزيد من التنوع التدريبي الموثّق إلى رفع الماكرو-F1 من 0.584 (التدريب على القرارات الـ 684 الموثّقة وحدها) إلى 0.911 (مع مجموعة الصفوف الـ 2,522 الموسعة بإعادة الصياغة). ومجرد تشغيل فترات (epochs) أكثر على الصفوف نفسها أعطى نتيجة أسوأ: وصلت تجربة ضابطة دُرّبت على الصفوف الأصلية الـ 684 لمدة 11 فترة (نفس عدد الخطوات) إلى 0.879 فقط. طوال الوقت، كانت البيانات المنتقاة أكثر أهمية من حجم مجموعة البيانات.
إزالة خطوة التوفير تُغيّر طريقة عمل الفريق: عندما لم تعد مهمة التدريب تتطلب الانتظار لسعة وحدات معالجة الرسومات، يتحول الضبط الدقيق من حدث نادر إلى روتين تكراري منتظم.
خط معالجة تدريب واحد يخدم هدفين للنشر: يسمح فصل تدريب النموذج عن النشر لشركة Exowatt باستخدام خط المعالجة نفسه لكلٍّ من النشر دون اتصال على الحافة والتحليل المتصل على مستوى الأسطول، ما يبسّط العمليات ويسرّع نشر النماذج في السحابة.
الخلاصة
تمتلك Exowatt الآن خط معالجة ذكاء اصطناعي واحدًا قابلًا لإعادة الاستخدام نقل مهمة ما من إعداد بيانات خاص بالنموذج إلى نشر النموذج. بدلًا من ضبط نموذج واحد لمهام مختلفة، تخطط Exowatt لتطبيق مبادئ الضبط الدقيق نفسها على مهام مختلفة، لكل منها بياناتها ونماذجها المحددة وتقييماتها، عبر الأسطول مع ظهور أنواع أجهزة ومهام سوقية جديدة.
ينطبق هذا النمط على قطاعات خارج قطاعات صناعة الطاقة. يمكن لمهندسي الذكاء الاصطناعي وعلماء البيانات والعملاء في جميع القطاعات تبنّي المبادئ نفسها. استخدموا تخصيص النماذج بلا خوادم في Amazon SageMaker AI كخط معالجة ذكاء اصطناعي منخفض التكاليف الإدارية لضبط نماذج صغيرة خاصة بالمهام، ثم انشروها حيث يتم العمل: على الحافة عندما يتطلب الاتصال أو زمن الاستجابة ذلك، ومن خلال نقطة نهاية سحابية مُدارة مثل Amazon SageMaker AI لأحمال العمل المرنة.
لمعرفة المزيد، راجع تخصيص النماذج بلا خوادم في Amazon SageMaker AI و Amazon Bedrock.