#

النقاط الرئيسية

• توسّع AWS منصة SageMaker AI مع الإتاحة العامة لجلسات التدريب.

• تتيح جلسات التدريب للمستخدمين التحكم في منطق ما بعد التدريب دون إدارة البنية التحتية الأساسية.

• تتولى SageMaker AI تخصيص وحدات GPU، والتنفيذ الموزع، واستعادة الأعطال، وتخزين نقاط التحقق.

• تدعم الميزة عدة تقنيات للتخصيص، بما في ذلك SFT وDPO وRLVR وRLAIF وRL متعدد الجولات.

ما الذي أعلنته AWS

تقول AWS إنها توسّع تخصيص النماذج بدون خوادم في Amazon SageMaker AI عبر إطلاق جلسات التدريب بالإتاحة العامة. يركّز الإعلان على جعل تخصيص النماذج أسهل دون الحاجة إلى أن يدير المستخدمون وحدات GPU. كما يبقي التحكم في منطق ما بعد التدريب بيد المستخدم.

وتذكر المصادر أن الشركات التي تحقق نتائج حقيقية من الذكاء الاصطناعي لا تستخدم فقط النماذج الأساسية الجاهزة. بل تقوم بتخصيص النماذج مفتوحة الأوزان باستخدام تقنيات ما بعد التدريب مثل التعلم المعزز. وتقول AWS إن النموذج الذي يُدرَّب على سياق الأعمال أو كتالوج المنتجات أو المفردات السريرية يمكن أن يكون أدق في أداء مهمة معينة وأقل تكلفة في التشغيل.

ما الذي تفعله جلسات التدريب

مع جلسات التدريب، يكتب المستخدمون حلقة التدريب وينسقونها. وتشير المصادر تحديدًا إلى دوال خسارة مخصصة وإشارات مكافأة. ثم تتولى SageMaker AI تخصيص وحدات GPU، والتنفيذ الموزع، واستعادة الأعطال، وتخزين نقاط التحقق. ويشكّل هذا التقسيم للعملية عرض القيمة الرئيسي في الإعلان.

وتقول AWS إن الهدف هو إزالة أعمال البنية التحتية من عملية التخصيص. ولا يحتاج المستخدمون إلى اختيار أنواع المثيلات، أو إدارة العناقيد، أو كتابة إعدادات التدريب الموزع. وتعرض المصادر ذلك كجزء من تخصيص النماذج بدون خوادم في SageMaker AI.

التقنيات المدعومة

تقول AWS إنها لا تريد حصر المستخدمين في طريقة واحدة. وتذكر المصادر عدة تقنيات يمكن استخدامها مع الخدمة، وتشمل SFT وDPO وRLVR وRLAIF وRL متعدد الجولات.

كما يوضح الإعلان أنه عندما تبني الفرق وكلاء، فإن بياناتها وسير العمل والتقييمات ومعايير النجاح تشكّل كيفية تصرف النموذج. وهذا يعني أن التخصيص لا يتعلق بالنموذج نفسه فقط، بل يعتمد أيضًا على كيفية تدريب النظام والحكم عليه.

لماذا يهم هذا الأمر

تصف المصادر تخصيص النماذج بأنه صعب لأنه يتطلب قرارات تقنية وإدارة للبنية التحتية في الوقت نفسه. يجب على المستخدمين اختيار التقنية المناسبة وإعداد بنية GPU. وبالنسبة للوكلاء، يحتاجون أيضًا إلى بيئات للتعلم المعزز متعدد الجولات.

وتُطرح جلسات التدريب كوسيلة للحفاظ على مرونة منطق التخصيص مع تقليل العبء التشغيلي. يتحكم المستخدم في حلقة التدريب، بينما تدير AWS مهام البنية التحتية التي غالبًا ما تبطئ الفرق. وهذا يجعل الميزة مهمة للفرق التي تريد تحكمًا أكبر مما توفره النماذج الجاهزة.

اعتبارات تشغيلية

يسلط الإعلان الضوء على بعض الاعتبارات العملية. أولًا، لا يزال على المستخدمين تحديد تقنية ما بعد التدريب التي تناسب هدفهم. ثانيًا، يجب عليهم تعريف حلقة التدريب والإشارات التي توجهها. ثالثًا، عليهم التفكير في كيفية تأثير البيانات وسير العمل والتقييمات ومعايير النجاح في سلوك الوكلاء.

ولا تقدم المصادر معلومات عن الأسعار أو الحدود أو تفاصيل التنفيذ beyond هذه النقاط. لكنها توضح أن الخدمة مصممة لتقليل الحاجة إلى إدارة البنية التحتية مع الحفاظ على التحكم في التخصيص.

الصلة بالمغرب

لا تذكر المصادر أي حقيقة خاصة بالمغرب. وبالنسبة للقراء في المغرب، فإن الدرس العام مشروط: إذا كان الفريق يحتاج إلى تخصيص نموذج دون إدارة بنية GPU التحتية، فقد يكون من المفيد تقييم هذا النوع من النهج المُدار.

الخلاصة

تضع AWS جلسات تدريب SageMaker AI كحل وسط بين التحكم الكامل وإدارة البنية التحتية الكاملة. يحتفظ المستخدمون بمنطق ما بعد التدريب، بينما تتولى AWS طبقة GPU والتنفيذ. ويركز الإعلان على المرونة والبساطة التشغيلية ودعم عدة طرق للتخصيص.