تتضاعف AWS على البنية التحتية كاستراتيجية في سباق الذكاء الاصطناعي مع ترقيات Sagemaker

لاس فيجاس ، نيفادا – 3 ديسمبر: يمشي الحاضرون في قاعة المعرض في AWS RE: Invent 2024 ، وهو مؤتمر استضافته Amazon Web Services ، في Las Vegas البندقية في 3 ديسمبر 2024 في لاس فيجاس ، نيفادا. (تصوير نوح بيرغر/غيتي إيمشور لخدمات ويب الأمازون)

AWS تسعى إلى تمديد موقعها في السوق مع”https://aws.amazon.com/blogs/machine-learning/new-capabilities-in-amazon-sagemaker-ai-continue-to-transform-how-organizations-develop-ai-models/” الهدف=”_blank” rel=”noreferrer noopener”> تحديثات إلى Sagemaker، التعلم الآلي ومنصة تدريب النماذج من الذكاء الاصطناعي والاستدلال ، مع إضافة إمكانات جديدة لقابلية الملاحظة ، وبيئات الترميز المتصلة وإدارة أداء مجموعة GPU.

ومع ذلك ، تواصل AWS مواجهة المنافسة من”https://www.google.com/” الهدف=”_blank” rel=”noreferrer noopener”> جوجل و”https://www.microsoft.com/” الهدف=”_blank” rel=”noreferrer noopener”> Microsoft، والتي تقدم أيضًا العديد من الميزات التي تساعد على تسريع تدريب الذكاء الاصطناعي والاستدلال.

Sagemaker ، الذي”https://venturebeat.com/data-infrastructure/aws-sagemaker-is-transforming-into-a-combined-data-and-ai-hub/”> تحول إلى مركز موحد لدمج مصادر البيانات والوصول إلى أدوات التعلم الآلي في عام 2024 ، سيضيف ميزات توفر نظرة ثاقبة على سبب إبطاء أداء النموذج ويوفر لعملاء AWS مزيدًا من التحكم في مقدار الحساب المخصص لتطوير النماذج.

تشمل الميزات الجديدة الأخرى توصيل بيئات التطوير المتكاملة المحلية (IDES) إلى Sagemaker ، بحيث يمكن نشر مشاريع AI المكتوبة محليًا على المنصة.

أخبر المدير العام لـ Sagemaker Ankur Mehrotra VentureBeat أن العديد من هذه التحديثات الجديدة نشأت من العملاء أنفسهم.

وقال مهروترا: “أحد التحديات التي رأيناها مواجهة عملائنا أثناء تطوير نماذج Gen AI هو أنه عندما يحدث خطأ ما أو عندما لا يعمل شيء وفقًا للتوقع ، من الصعب حقًا العثور على ما يجري في تلك الطبقة من المكدس”.

تمكن قابلية مراقبة HyperPod Sagemaker المهندسين من فحص الطبقات المختلفة للمكدس ، مثل طبقة حساب أو طبقة الشبكات. إذا حدث خطأ ما أو يصبح النماذج أبطأ ، يمكن لـ Sagemaker تنبيههم ونشر المقاييس على لوحة القيادة.

أشار مهروترا إلى قضية حقيقية واجهها فريقه أثناء تدريب نماذج جديدة ، حيث بدأ رمز التدريب في التأكيد على وحدات معالجة الرسومات ، مما تسبب في تقلبات درجة الحرارة. وقال إنه بدون أحدث الأدوات ، كان المطورين قد استغرقوا أسابيع لتحديد مصدر المشكلة ثم إصلاحها.

IDES المتصلة

عرضت Sagemaker بالفعل طريقتين لمطوري الذكاء الاصطناعى لتدريب وتشغيل النماذج. كان بإمكانية الوصول إلى IDEs المدارة بالكامل ، مثل Jupyter Lab أو محرر التعليمات البرمجية ، لتشغيل رمز التدريب بسلاسة على النماذج من خلال Sagemaker. فهم أن المهندسين الآخرين يفضلون استخدام IDEs المحلية ، بما في ذلك جميع الامتدادات التي قاموا بتثبيتها ، سمحت لهم AWS بتشغيل التعليمات البرمجية الخاصة بهم على أجهزتهم أيضًا.

ومع ذلك ، أشار Mehrotra إلى أنه يعني أن النماذج المشفرة محليًا تم تشغيلها محليًا فقط ، لذلك إذا أراد المطورون التوسع ، فقد أثبت أنه يمثل تحديًا كبيرًا.

أضافت AWS تنفيذًا آمنًا جديدًا عن بُعد للسماح للعملاء بمواصلة العمل على IDE المفضل لديهم – إما محليًا أو مُدارًا – وتوصيل OT إلى Sagemaker.

وقال “لذا فإن هذه القدرة الآن تمنحهم أفضل ما في العالمين حيث إذا أرادوا ، فيمكنهم التطور محليًا على IDE المحلي ، ولكن فيما يتعلق بتنفيذ المهمة الفعلي ، يمكنهم الاستفادة من قابلية التوسع في Sagemaker”.

مزيد من المرونة في الحساب

أطلقت AWS Sagemaker Hyperpod في”https://venturebeat.com/ai/amazon-awss-barrage-of-gen-ai-announcements-aim-to-outdo-microsoft/”> ديسمبر 2023 كوسيلة لمساعدة العملاء على إدارة مجموعات الخوادم لنماذج التدريب. على غرار مقدمي الخدمات”https://www.coreweave.com/” الهدف=”_blank” rel=”noreferrer noopener”> كورويف، يمكّن HyperPod عملاء Sagemaker من توجيه الطاقة غير المستخدمة إلى موقعهم المفضل. يعرف Hyperpod متى يجب تحديد موعد استخدام GPU على أساس أنماط الطلب ويسمح للمؤسسات بموازنة مواردها وتكاليفها بفعالية.

ومع ذلك ، قال AWS العديد من العملاء يريدون نفس الخدمة للاستدلال. تحدث العديد من مهام الاستدلال خلال اليوم الذي يستخدم فيه الأشخاص النماذج والتطبيقات ، في حين يتم جدولة التدريب عادةً خلال ساعات الذروة.

لاحظ مهروترا أنه حتى في العالم ، يمكن للمطورين إعطاء الأولوية لمهام الاستدلال التي يجب أن يركز عليها HyperPod.

لوران سيفري ، المؤسس المشارك و CTO في AI Agent Company”https://runner.hcompany.ai/mcps” الهدف=”_blank” rel=”noreferrer noopener”> H AIوقال في مدونة AWS أن الشركة استخدمت Sagemaker Hyperpod عند بناء منصة الوكيل.

“هذا الانتقال السلس من التدريب إلى الاستدلال تبسيط سير العمل لدينا ، وخفض الوقت إلى الإنتاج ، وتقديم الأداء المتسق في البيئات الحية” ، قال سيفري.

AWS والمسابقة

قد لا تقدم Amazon نماذج الأساس الأكثر روعة مثل منافسيها من موفر السحابة ، Google و Microsoft. ومع ذلك ، فقد تركز AWS بشكل أكبر على توفير العمود الفقري للبنية التحتية للمؤسسات للبناء”https://venturebeat.com/ai/enterprise-giants-atlassian-intuit-and-aws-are-planning-for-a-world-where-agents-call-the-apis/”> نماذج أو تطبيقات أو وكلاء الذكاء الاصطناعي.

بالإضافة إلى Sagemaker ، AWS أيضا”https://venturebeat.com/ai/aws-brings-multi-agent-orchestration-to-bedrock/”> يوفر الأساس، منصة مصممة خصيصًا لبناء تطبيقات ووكلاء.

كان Sagemaker موجودًا منذ سنوات ، حيث يعمل في البداية كوسيلة لتوصيل أدوات التعلم الآلي المتباينة ببحيرات البيانات. عندما بدأت طفرة الذكاء الاصطناعى التوليدي ، بدأ مهندسو الذكاء الاصطناعي في استخدام Sagemaker للمساعدة في تدريب نماذج اللغة. ومع ذلك ، فإن Microsoft تدفع بقوة من أجل نظامها الإيكولوجي ،”https://venturebeat.com/ai/70-of-the-fortune-500-already-use-microsoft-fabric-and-its-now-getting-even-more-features-including-cosmosdb-support/”> مع 70 ٪ من شركات Fortune 500 التي تعتمدها، لتصبح رائدة في البيانات ومساحة تسارع الذكاء الاصطناعي. Google ، من خلال Vertex AI ، صنعت بهدوء”https://venturebeat.com/ai/from-catch-up-to-catch-us-how-google-quietly-took-the-lead-in-enterprise-ai/”> خطوات في اعتماد AI للمؤسسة.

AWS ، بالطبع ، لديه ميزة كونه”https://venturebeat.com/ai/aws-ai-takeover-5-cloud-winning-plays-theyre-using-to-dominate-the-market/”> مزود السحابة الأكثر استخدامًا على نطاق واسع. أي تحديثات من شأنها أن تجعل العديد من منصات البنية التحتية من الذكاء الاصطناعي أسهل في الاستخدام ستكون دائمًا فائدة.