إطار AAIF يوازن بين النماذج المحلية والسحابية في AWS
يحلّ إطار AAIF مشكلة التكلفة العالية في أنظمة الوكلاء عبر توزيع المهام بين نماذج لغوية صغيرة محلياً ونماذج سحابية متقدمة.
رضوان عبدالهاديمحرر وكاتب تقني
تحدي التكلفة في أنظمة الوكلاء
تواجه المؤسسات التي تبني وكلاء ذكاء اصطناعي تحدياً مشتركاً يتمثل في توجيه جميع الطلبات، سواء كانت فحص حالة روتينياً أو تحليلاً معقداً، إلى نموذج كبير واحد ومكلف. هذا النهج الموحد يرفع تكاليف واجهات البرمجة (API) ويضيف زمن استجابة غير متوقع، كما يحرم المستخدمين من إمكانية العمل دون اتصال. حتى الاستعلامات البسيطة التي يمكن حلها محلياً تتطلب رحلة شبكة كاملة إلى نموذج لغوي كبير (LLM) مستضاف سحابياً.
مبدأ التوجيه الذكي في AAIF
يتبنى إطار AAIF، المبنياً على Strands Agents، نهجاً مختلفاً يعتمد على استخدام نماذج لغوية صغيرة (SLMs) لمعالجة المهام الروتينية محلياً. أما الطلبات الأكثر تعقيداً فتُوجَّه إلى نماذج سحابية عبر Amazon Bedrock. يستند هذا التصميم إلى أبحاث تشير إلى أن النماذج الصغيرة كافية وقابلة للتطبيق اقتصادياً في العديد من استدعاءات أنظمة الوكلاء، مما يساعد على خفض التكاليف مع الحفاظ على زمن استجابة منخفض للعمليات المحلية.
البنية المعمارية الثلاثية
ينظم AAIF معالجة الذكاء الاصطناعي في ثلاث طبقات: التوجيه الذكي، المعالجة المحلية، والمعالجة السحابية. يعمل نموذج خفيف (llama3.2:1b) كطبقة اتخاذ القرار، حيث يصنف الطلبات الواردة ويوجهها للطبقة المناسبة دون قواعد مبرمجة مسبقاً. تتولى الطبقة المحلية المهام الروتينية مثل جلب بيانات أجهزة الاستشعار وتحليل الصور باستخدام نماذج تعمل عبر Ollama، بينما تتكفل الطبقة السحابية بالتحليلات الاستراتيجية والنمطية المعقدة التي تتطلب سياقاً أوسع.
أدوات معالجة البيانات المحلية
في سيناريو مراقبة إنترنت الأشياء (IoT)، يوفر الوكيل ثلاث أدوات رئيسية. الأولى لجلب بيانات أجهزة الاستشعار المحلية، والثانية لتحليل تدفقات الكاميرا باستخدام نموذج رؤية محلي (llama3.2-vision) مما يمنع خروج البيانات الحساسة من الجهاز. أما الأداة الثالثة فتستدعي Amazon Bedrock عبر مكتبة boto3 فقط عندما يقرر المنسّق أن النماذج المحلية غير قادرة على معالجة الطلب، مما يضمن استخدام الموارد السحابية عند الحاجة الفعلية فقط.
المرونة في بيئات النشر
يتكيف إطار AAIF مع قيود النشر بدلاً من إجبار المستخدمين على إعادة هيكلة بنيتهم التحتية. يمكن تشغيله على أجهزة حافة مثل Raspberry Pi بذاكرة 8 جيجابايت، أو في نشرات سحابية كاملة حيث يمر كل طلب عبر Amazon Bedrock، أو في تكوينات هجينة تجمع بين السرعة المحلية وقدرات الاستدلال السحابي. هذه المرونة تأتي من فصل منطق التوجيه عن أدوات المعالجة، مما يسمح بتبديلهما أو إعادة تكوينهما بشكل مستقل حسب العتاد المتاح.
سيناريوهات التكوين المختلفة
يوفر الإطار خيارات تكوين متعددة تناسب احتياجات مختلفة. في التكوين السحابي الكامل، تُستبدل إعدادات Ollama بنماذج Amazon Bedrock لجميع المعالجات، مما يوفر تحجيماً تلقائياً دون الحاجة إلى وحدات معالجة رسومية محلية. أما التكوين الهجين، وهو الإعداد الافتراضي، فيحافظ على المنسّق المحلي ويضيف نماذج سحابية للطلبات المعقدة، مما يوفر تكاليف كبيرة لأن حوالي 80% من الحركة لا تصل إلى نقاط النهاية المدفوعة. للبيئات المعزولة تماماً، يمكن استبدال الأداة السحابية بنموذج محلي أكبر (3B) لمعالجة المهام المتوسطة.
المصادر
- AWS Machine Learning BlogAdaptive agentic intelligence framework using Strands Agents
تابع التسلسل الزمني
تغطية الكيانات المرتبطة
أخبار مرتبطة
أمازون تعلن عن Claude Haiku 5.5 على Bedrock بتكلفة أقل
أطلقت أمازون النموذج Claude Haiku 5.5 على Amazon Bedrock، وهو أسرع وأكثر كفاءة في عائلته، ويوفر خفضاً بنسبة 75% في التكاليف للمهام عالية الحجم والحساسة للتكلفة.
نموذج Claude Opus 5.5 يتوفر رسميًا على منصة AWS
أعلنت شركة AWS عن إتاحة نموذج Claude Opus 5.5 من Anthropic على Amazon Bedrock، مع تحسينات في الكفاءة والتكلفة لدعم المهام البرمجية الطويلة.
أمازون تطلق بيئة تشغيل AgentCore الجديدة لتعزيز كفاءة وكلاء الذكاء الاصطناعي
أعلنت AWS عن بيئة تشغيل AgentCore الجديدة ضمن Amazon Bedrock، التي توفر إدارة ذاكرة مرنة وأوقات تشغيل ثابتة وسريعة للوكلاء الأذكياء في بيئات الإنتاج.
إطلاق نموذج Kimi K3 من Moonshot AI عبر منصة Amazon Bedrock
أطلقت AWS نموذج Kimi K3 من Moonshot AI عبر Amazon Bedrock، وهو أول نموذج مفتوح الأوزان بـ 2.8 تريليون بارامتر، ويدعم ذاكرة مؤقتة للمطالبات لتحسين الكفاءة.
