تحليل معمق · قراءة نحو 6 دقائق
جلسات التدريب في SageMaker AI تفصل حلقات ما بعد التدريب المخصصة عن تشغيل وحدات GPU
تعلن AWS الإتاحة العامة لجلسات التدريب، مع تحكّم المطوّر في المكافآت وإدارة الخدمة لعمل GPU؛ ولم تُختبر تفاصيل التسعير أو نتائج النشر.
- نُشر هنا
- تاريخ المصدر
- تم التحقق من المصدر
تقول AWS إن جلسات التدريب أصبحت متاحة عمومًا ضمن تخصيص النماذج دون إدارة خوادم في SageMaker AI. يتيح إعلان 22 أكتوبر للمطوّرين التحكم في منطق ما بعد التدريب، بينما تشغّل AWS البنية التحتية لوحدات GPU. هذا إعلان عن قدرة خدمية، وليس أول إصدار للنماذج الأساسية الأربعة المدعومة.
استمع إلى الأخبار
استمع إلى هذا المقال أو تابع تشغيل الأخبار.
جارٍ تجهيز القراءة…
صوت الجهاز
يتولى المتصفح أو الجهاز معالجة النطق. لا يرسل AISubHub النص إلى واجهة صوتية. تختلف الأصوات والتشغيل مع قفل الشاشة حسب الجهاز.
قد تتكرر عبارة قصيرة عند المتابعة.
لمحة سريعة
- يكتب المطوّرون حلقة التدريب ومنطق المكافأة أو الخسارة؛ وتقول AWS إنها تدير تخصيص GPU والتنفيذ الموزّع والاستعادة ونقاط التحقق.
- يسمّي الإعلان gpt-oss-20b وgemma-4-31B-it وQwen3.6-27B وQwen3.8-27B. ويحدّد مسار IDE نظام Linux أو macOS مع Python 3.10–3.12.
- تصف AWS رسومًا على أساس الرموز، مع إيقاف عدّادها أثناء احتساب المكافأة في بيئة العميل. ولم يُتحقق من سعر رقمي أو من التكلفة الكاملة لعبء العمل.
ما الذي تديره الخدمة وما الذي يبقى مسؤوليتك
ليست صعوبة ما بعد التدريب مجرد الحصول على GPU. فعلى الفريق تحديد ما يُعدّ إجابة جيدة، وتوليد إجابات مرشحة وتقييمها، ثم تحويل التغذية الراجعة إلى تحديث للأوزان. تضع AWS جلسات التدريب حول هذا التقسيم للمسؤولية: يحتفظ العميل بالخوارزمية والحكم الخاص بالمهمة، وتوفّر الخدمة التنفيذ الكثيف على GPU وآليات تشغيله.
بحسب الإعلان، كان SageMaker AI يقدّم بالفعل تعلّمًا معزّزًا مُدارًا متعدد الجولات. والإضافة هي مزيد من التحكم في الخسائر والمكافآت المخصصة وترتيب مراحل التدريب. تسرد AWS تقنيات SFT وDPO وRLVR وRLAIF والتعلّم المعزّز متعدد الجولات، مع LoRA أو الضبط الدقيق الكامل. وترى AISubHub أن ذلك يوسّع طرق التعبير عن هدف التدريب؛ ولا يثبت أن أي هدف يختاره الفريق سيحسّن النموذج.
تتبّع دورة واحدة عبر أخذ العينات والتدريب
تشرح المقالة مثالًا لتحسين السياسة النسبية للمجموعة، GRPO، في أربع خطوات. تطلب حلقة العميل أولًا عدة إجابات لكل موجّه. ثم تقيّم دالة المكافأة تلك الإجابات في بيئة العميل باستخدام مدقّق أو نموذج مكافأة أو إطار اختبار. تُستخدم الدرجات بعد ذلك في forward_backward() لحساب التدرجات، وتطبّق optim_step() تحديث الأوزان. وأخيرًا تحدّث الحلقة أوزان مكوّن أخذ العينات وتكرّر العملية.
يضع الرسم المرفق البيانات ومنطق المكافأة والتنسيق في جهة العميل، وأخذ العينات والتدريب في جهة الخدمة المُدارة. وتقول AWS إن النموذج يبقى مقيمًا في ذاكرة GPU بين الاستدعاءات، مع تولّي الخدمة المزامنة الموزّعة والاستعادة. كما يعرض الرسم انتقال نقاط التحقق إلى SageMaker Model Registry قبل النشر على Bedrock أو SageMaker AI. هذا وصف معماري، وليس ضمانًا مقاسًا لاستمرار التدريب دون انقطاع أو دليلًا على أن AISubHub أكملت عملية نشر.
توقّف العدّاد يخص جزءًا من الفاتورة
تقول AWS إن العميل يدفع مقابل الرموز التي يعالجها SageMaker AI، وإن عدّادها يتوقّف بينما تحتسب دالة المكافأة درجات دفعة في بيئة العميل. وتقول أيضًا إنه لا حاجة إلى حجز سعة. والتمييز المفيد هو بين دفع تكلفة عمل النموذج المُدار، والاستمرار في دفع تكلفة وحدات GPU المحجوزة خلال انتظار احتساب الدرجات. لا يقدّم الإعلان سعرًا رقميًا للرموز ولا مثالًا لفاتورة مهمة.
لذلك لا تحوّل AISubHub هذا التوقّف إلى ادعاء بأن تقييم المكافآت أو تخزين البيانات أو مشروع التدريب بأكمله مجاني. فالمقارنة الكاملة تحتاج إلى حجم الرموز الفعلي وموارد التقييم والتخزين ورسوم النشر اللاحقة. ويصف المصدر أيضًا أدوار IAM التي ينشئها العميل، ومفاتيح KMS وإعداد VPC الاختياريين، وحاويات S3 الخاصة بالعميل للبيانات ونقاط التحقق. وتقول AWS إنها لا تستخدم بيانات العميل أو الأوزان المخصصة لتدريب نموذج آخر. كما تذكر تقييمات ما قبل النشر وضوابط guardrails بعده ومراقبة CloudWatch؛ ولم تُقيّم فعاليتها بصورة مستقلة. هذه أوصاف للإعداد وسياسة المورّد، وليست إثباتًا مستقلًا للأمن أو الامتثال التنظيمي.
المسار المدعوم له شروط محددة
تكتسب معرّفات النماذج الأربعة أهميتها من أن دعم gpt-oss-20b وgemma-4-31B-it وQwen3.6-27B وQwen3.8-27B لا يعني دعم كل نموذج في تلك العائلات. يحدّد مسار التطوير المحلي في الإعلان استخدام SageMaker Python SDK على Linux أو macOS مع Python من 3.10 إلى 3.12. ويصف مسارًا منفصلًا عبر Studio، ومهارات cookbook التي يمكن أن تساعد في التحضير واختيار التقنية والتدريب والتقييم والنشر ضمن سير عمل وكلاء البرمجة.
ادعاء AWS بأن بيئة تطوير Studio قد تبدأ في أقل من 20 ثانية يخص تجهيز البيئة، وليس مدة التدريب أو اتفاقية مستوى خدمة لإتمامه. لم نثبّت SDK، ولم نشغّل تلك المهارات، ولم نتحقق من التكامل مع Kiro أو Claude Code أو Codex أو Copilot. كما لا تثبت المقالة أهلية جميع الحسابات أو الإتاحة في كل Region. تحتاج تراخيص النماذج والمستودعات إلى مراجعة خاصة بها؛ ولا يمكن لعبارة الملكية في الرسم أن تحل محلها.
ما الذي تستطيع الأدلة المتاحة دعمه
يتضمّن الإعلان شهادات عملاء بدلًا من اختبار مرجعي مضبوط. تصف ImagineSoftware الحاجة إلى التحكم في العمليات الأساسية للتدريب لفرز حالات رفض المطالبات الطبية. وتعرض Karini AI مهمة متعددة الجولات لاستدعاء أدوات باستخدام gpt-oss-20b مع رسم معرفي في Amazon Neptune وتجربة إيجابية لحفظ نقطة تحقق واستئنافها. تحدّد هذه الأقوال حالات استخدام وتجارب، لكنها لا تقدّم دقة مثبتة بصورة مستقلة أو نتائج سريرية أو موثوقية عامة للاستعادة. كذلك لا يقدّم الادعاء الافتتاحي بأن التخصيص يحسّن الدقة ويخفض تكلفة التشغيل مهمة ضابطة أو عينة أو تجربة قابلة للتكرار تثبت هذه المنافع.
تفسير AISubHub العملي هو تقييم سؤالين منفصلين: هل تزيل بيئة التشغيل المُدارة عمل البنية التحتية الذي يواجهه الفريق فعليًا، وهل يحسّن هدفه المخصص نتائج المهمة؟ يحتاج الأول إلى ملاحظات تشغيلية، والثاني إلى تقييم مناسب مقابل النموذج أو العملية الحاليين. ولا ينتج أي منهما تلقائيًا عن الإتاحة العامة. لم نقرأ الدليل التقني أو الوثائق أو cookbook المرتبطة، ولذلك يبقى التحليل محصورًا في الإعلان المقروء كاملًا ورسمه الثابت.
لماذا يهم
تحصل الفرق التي تحتاج منطقًا مخصصًا لما بعد التدريب على خيار تنفيذ مُدار تصف AWS أنه متاح، مع بقاء التحكم في تقييم المهمة لديها. ويتوقف خفض العمل أو التكلفة الكلية على سير العمل والنتائج المقاسة؛ ولم تثبت AISubHub تلك المنافع.
القيود والتوافر
قرأنا الإعلان الرسمي كاملًا وشاهدنا الرسم الثابت الضروري. ولم نقرأ الدليل التقني أو الوثائق أو cookbook أو التراخيص المرتبطة، ولم ننفّذ أي اختبار API أو تدريب أو فوترة أو نشر. ولم يُتحقق من الأسعار والحصص والإتاحة الإقليمية وشروط الحسابات. وتبقى أقوال الأداء والأمن ونتائج العملاء منسوبة إلى مصادرها.
المصادر والأدلة
تاريخ المصدر: · تم التحقق من المصدر:
مقالات تحريرية بمساعدة الذكاء الاصطناعي تُراجع مقابل المصادر الأولية المذكورة. تُنسب ادعاءات الشركات إليها، والإدراج لا يعني التوصية.