الذكاء الاصطناعي

Exowatt تتفوق على النماذج الرائدة في الدقة بتكلفة أقل 49 مرة

اعتمدت شركة Exowatt على تخصيص النماذج السحابية الخالية من الخوادم لبناء خط إنتاج ذكاء اصطناعي قابل للتكرار، مما أتاح لها تشغيل أنظمة الطاقة الشمسية بكفاءة عالية ودقة تفوق النماذج الرائدة.

رضوان عبدالهاديمحرر وكاتب تقني

نُشر: 27 أكتوبر 2026 · آخر تحديث: 27 أكتوبر 2026 · 5 دقائق قراءة

Exowatt تتفوق على النماذج الرائدة في الدقة بتكلفة أقل 49 مرة — الصورة: AWS Machine Learning Blog

الخلاصة

تطوير خط إنتاج ذكاء اصطناعي قابل للتكرار لتوليد نماذج مخصصة لمهام محددة في الحافة والسحابة.
تحقيق دقة أعلى من النماذج الرائدة (Frontier Models) بتكلفة أقل تصل إلى 49 ضعفاً.
استخدام نماذج Qwen3-1.7B و Qwen3-14B مع تقنية LoRA لتقليل حجم النماذج وتحسين أدائها.
تجاوز تحديات التشغيل على الحافة دون الحاجة إلى وحدات معالجة رسومية (GPU) أو اتصال دائم بالإنترنت.
تحويل عملية التدريب من حدث نادر ومكلف إلى عملية روتينية وسريعة تعتمد على الطلب الفوري.

تحديات الذكاء الاصطناعي في البنية التحتية للطاقة

تعمل شركة Exowatt على تطوير أنظمة طاقة شمسية موزعة وقابلة للنشر، مصممة لتلبية احتياجات مراكز البيانات كثيفة الاستهلاك للطاقة. يعتمد منتجها الرئيسي، Exowatt P3، على عدسات بصرية لالتقاط الطاقة الشمسية وتخزينها كحرارة في بطاريات حرارية طويلة الأمد، ثم تحويلها إلى كهرباء عند الطلب. على عكس الأنظمة الشمسية المتصلة بالشبكة، يتيح هذا النظام تشغيل مراكز البيانات مباشرة دون الحاجة للانتظار في طوابير توصيل الشبكة التي قد تستغرق سنوات. ومع توسع أسطول الشركة من منصات الاختبار إلى آلاف الوحدات الميدانية، أصبحت الحاجة ماسة إلى طبقة ذكاء اصطناعي قادرة على مراقبة وتنبيهات التشغيل واتخاذ القرارات المستقلة.

واجهت الشركة تحدياً رئيسياً في إدارة نظام إدارة الطاقة (EMS) عبر مواقعها المتنامية، حيث تولد كل موقع إنذارات مستمرة تتعلق بمكونات الأجهزة أو انقطاع الاتصالات. لا يمكن للمشغل البشري مراقبة كل موقع في الوقت الفعلي، مما استدعى تطوير وكيل ذكاء اصطناعي قادر على قراءة حالة الإنذارات واتخاذ الإجراء الصحيح تلقائياً. لم تكن النماذج الرائدة العامة حلاً مناسباً لهذه المشكلة لثلاثة أسباب رئيسية: طبيعة المهمة الضيقة والملكية الخاصة التي تعتمد على بيانات Exowatt المحددة، والحاجة إلى التشغيل على الحافة دون اتصال بالإنترنت أو وحدات معالجة رسومية، وعدم جدوى التكلفة الاقتصادية عند توجيه كل قرار تشغيلي عبر سحابة عامة لآلاف المواقع.

الحل: تخصيص النماذج عبر Amazon SageMaker AI

للتغلب على هذه العقبات، اتجهت Exowatt نحو تخصيص النماذج باستخدام خدمة Amazon SageMaker AI serverless model customization. سمح هذا النهج السحابي الخالي من الخوادم بتجنب بناء حاويات تدريب مخصصة واختيار أنواع وحدات معالجة رسومية محددة مسبقاً، مما كان يعيق سرعة التجارب. بدلاً من ذلك، أصبح بإمكان الفريق تنفيذ عدة تجارب يومياً دون انتظار توفر سعة حوسبية محددة، حيث تُخصص السعة تلقائياً عند الطلب وتُحاسب الشركة فقط عن وقت تشغيل المهمة الفعلية.

أدى هذا التحول إلى تغيير جذري في منهجية العمل، حيث تحول التدريب من حدث مجدول ونادر إلى عملية روتينية وسريعة. مكنت الخدمة الفريق من الوصول إلى مجموعة واسعة من النماذج مفتوحة الأوزان مع وصفات تدريب جاهزة، مما قلل من الوقت اللازم للإعداد من أسابيع إلى أيام. النتيجة النهائية هي خط إنتاج ذكاء اصطناعي قابل للتكرار ينتج نماذج مخصصة للمهام، مع التركيز على بناء البنية التحتية للتدريب ذاتها كمورد دائم للشركة، وليس مجرد النماذج الناتجة عنها.

تفاصيل خط الإنتاج التقني

يعتمد خط الإنتاج على سبعة خدمات من AWS دون الحاجة لإدارة أي خوادم أو عناقيد أو نقاط نهاية. تبدأ العملية بإعادة صياغة البيانات التدريبية ومعايرة النماذج الرائدة، حيث تم استخدام نموذج Qwen3-VL-235B عبر Amazon Bedrock لإعادة صياغة بيانات فرز الإنذارات، ونموذج Claude Sonnet 4.6 لإعادة صياغة بيانات تحليل سوق الطاقة. تضمن هذه الخطوة جودة البيانات وتوافقها مع المهام المستهدفة قبل بدء عملية التدريب الفعلية.

في مرحلة التخصيص السحابي، تقوم Exowatt بتدريب النماذج الأساسية مفتوحة الأوزان باستخدام تقنيتي Low-Rank Adaptation (LoRA) والتدريب الإشرافي (SFT). بعد تقييم الأداء، يتم تسجيل أفضل نموذج في سجل نماذج SageMaker AI. يتيح هذا النهج المرن للفريق اختبار نماذج مختلفة بسرعة وكفاءة، مع الحفاظ على التكاليف منخفضة من خلال الدفع حسب الاستخدام الفعلي بدلاً من الاحتفاظ بوحدات معالجة رسومية مخصصة تعمل طوال الوقت.

حالة الاستخدام الأولى: فرز الإنذارات على الحافة

ركزت Exowatt أولاً على مهمة فرز الإنذارات الحرجة التي تتطلب استجابة فورية في مواقع قد تعاني من ضعف الاتصال أو انعدامه. لهذا الغرض، تم استخدام نموذج Qwen3-1.7B كمسودة أساسية. بعد عملية التدريب والتخصيص، تم تجميد النموذج وتكميمه (Quantization) إلى صيغة GGUF، مما قلل من حجمه وموارده الحسابية بشكل كبير.

يُشغل النموذج المصغر داخل حاويات Kubernetes على وحدات تحكم ميدانية في الحافة باستخدام مكتبة llama.cpp. هذا التصميم يسمح للنموذج بالعمل دون أي وحدات معالجة رسومية (GPU) ودون اتصال بالإنترنت، مما يضمن استمرارية الخدمة واتخاذ القرارات التشغيلية المستقلة حتى في الظروف الصعبة. أثبت هذا النموذج المخصص دقة أعلى من النماذج الرائدة العامة في هذه المهمة الضيقة، مع تكلفة تشغيل أقل بكثير.

حالة الاستخدام الثانية: تحليل سوق الطاقة في السحابة

في الحالة الثانية، استهدفت الشركة تحليل سوق الطاقة على مستوى الأسطول، وهي مهمة تتطلب اتصالاً بالإنترنت ومعالجة بيانات أكثر تعقيداً. تم تطبيق نفس منهجية التخصيص على نموذج Qwen3-14B الأكبر حجماً. بدلاً من استضافة النموذج على خوادم مخصصة، تم استيراده عبر Amazon Bedrock Custom Model Import.

يتميز هذا الحل السحابي المرن بعدم وجود تكلفة خاملة (Idle Cost)، حيث تُحاسب الشركة فقط عندما يكون النموذج نشطاً ومعالجاً للطلبات. يتيح هذا النهج للشركة الاستفادة من قوة النماذج الكبيرة في التحليلات الاستراتيجية دون تحمل عبء إدارة البنية التحتية أو دفع تكاليف ثابتة عالية، مما يجعل التحليلات المتقدمة قابلة للتوسع اقتصادياً عبر الأسطول بأكمله.

النتائج والأثر الاقتصادي

أظهرت نتائج تطبيق خط الإنتاج الجديد تحسناً ملحوظاً في الأداء والكفاءة. حققت النماذج المخصصة دقة أعلى من النماذج الرائدة العامة في المهام المحددة، مع تحقيق توفير في التكاليف يصل إلى 49 ضعفاً. يعود هذا التوفير إلى كفاءة النماذج المصغرة في الحافة، والدفع حسب الاستخدام في السحابة، وتقليل وقت الانتظار والتجارب الفاشلة بفضل آلية التخصيص الخالي من الخوادم.

تخطط Exowatt لإعادة استخدام هذا الحل لبناء نماذج أصغر ومخصصة لمهام أخرى عبر أسطولها، مما يؤكد على قابلية التوسع في المنهجية. يمثل هذا النجاح مثالاً عملياً على كيف يمكن للشركات المتخصصة تحقيق ميزة تنافسية عبر تكييف تقنيات الذكاء الاصطناعي السحابية لتلائم بيئات التشغيل الفريدة، بدلاً من الاعتماد الكلي على النماذج العامة الكبيرة.