أمازون تطلق معمارية SageMaker SDK v3 لإدارة نماذج الرؤية الحاسوبية
تستهدف هذه البنية التحتية التحدي المتمثل في إدارة دورة حياة نماذج الرؤية الحاسوبية على نطاق أسطول كامل، بدلاً من الاعتماد على نموذج واحد موحّد.
رضوان عبدالهاديمحرر وكاتب تقني
من النموذج الواحد إلى الأسطول الكامل
تواجه شركات التصنيع تحدياً حقيقياً عندما تنتقل من نموذج تجريبي لكاميرا واحدة إلى تطبيق النظام على عشرات الخطوط الإنتاجية. في هذه البيئة، تختلف زاوية الرؤية والإضاءة والانعكاسات من كاميرا لأخرى، مما يجعل النموذج الموحّد غير كافٍ. لذلك، تحتاج كل كاميرا إلى نموذج مخصص ومضبوط بدقة. المشكلة الحقيقية ليست تدريب نموذج واحد جيداً، بل إدارة تدريب وتقييم وإصدار آلاف النماذج دون تدخل بشري لكل منها.
معمارية SageMaker SDK v3 الجديدة
أطلقت أمازون ويب سيرفيسز تحديثاً لمعمارية مرجعية تعتمد على Amazon SageMaker Python SDK v3. تستبدل هذه البنية أداة Edge Manager القديمة بـ SageMaker Neo لتحسين أداء النماذج على الحافة. تتضمن المعمارية خط أنابيب مزدوج الفروع يدرّب كاشف شذوذ ومصنّف عيوب لكل كاميرا، مع بوابات جودة تمنع نشر النماذج الضعيفة. كما تضمن خطوة التجميع داخل خط الأنابيب أن كل نموذج مسجل يأتي مع ملف محسّن للأجهزة.
خطوات التدريب والتقييم الدقيق
يعمل خط الأنابيب على 13 خطوة لكل تنفيذ، تبدأ بثلاث خطوات متوازية: المعالجة المسبقة، وجلب أحدث نموذج شذوذ، وجلب أحدث نموذج مصنّف. يتم تدريب كوديكودر تلافيفي صغير لتعلم شكل المنتج الطبيعي، ومصنف ResNet18 لتأكيد العيوب. يتم تصدير كل نموذج إلى صيغة ONNX وتقييمه على بيانات غير مرئية، ثم يمر عبر بوابة جودة. بعد النجاح، يتم تجميع النموذج باستخدام SageMaker Neo للتوافق مع الجهاز المستهدف، ثم يُسجل في سجل النماذج.
تنسيق عمليات إعادة التدريب
تتولى طبقة التنسيق إدارة إيقاع عمليات إعادة التدريب على مستوى الأسطول. تصل طلبات إعادة التدريب إلى طابور Amazon SQS، حيث تبدأ دالة AWS Lambda تنفيذ Step Functions لكل طلب. تستخدم هذه التنفيذات إشارة دينامو (DynamoDB) لاقتناء خانة عمل، مما يضمن تصريف الطلبات بمعدل ثابت بدلاً من إطلاقها دفعة واحدة. يتم نشر اكتمال العمليات عبر Amazon SNS، بينما تصل الأخطاء التشغيلية إلى نفس الموضوع مع الحفاظ على رسالة الخطأ الأصلية.
إدارة الإصدارات والتوزيع
يحتفظ سجل النماذج بنسخ ONNX القابلة للنقل، بينما يخزن S3 نسخة النموذج المجمعة عبر Neo، وهي مكتبة مشتركة محسنة للأجهزة يتم تحميلها بواسطة وقت تشغيل DLR. تحمل الحزم معرّف الكاميرا كبيانات وصفية، مما يسمح بإعادة التدريب دائماً من تاريخ الكاميرا الخاصة بها. هذا يضمن أن كل حزمة معتمدة تحتوي على ملف جاهز للأجهزة، مستعداً لأي آلية توزيع يستخدمها المصنع.
التنفيذ والتكلفة
يتوفر الكود الكامل في مستودع aws-samples على GitHub. يتطلب التنفيذ حساباً بامتيازات IAM، ودلو S3، ومستودع ECR، بالإضافة إلى موارد Step Functions وLambda وSQS وSNS وEventBridge وDynamoDB. لا حاجة لزيادة حصص الخدمات، حيث يقتصر التنفيذ المتزامن على خمسة خطوط أنابيب كحد أقصى افتراضياً. تكلف عملية تشغيل كاملة على بيانات اصطناعية حوالي 0.07 دولار فقط، مما يجعلها حلاً اقتصادياً وقابلاً للتوسع.
المصادر
- AWS Machine Learning BlogFleet-wide computer vision lifecycle at the edge with SageMaker SDK v3
تابع التسلسل الزمني
تغطية الكيانات المرتبطة
أخبار مرتبطة
أمازون تطلق بنية ذكاء اصطناعي للتحليل التفاعلي للفيديو
تقدّم أمازون ويب سيرفيسز حلاً جديداً يعتمد على الوكلاء الذكيين للتحليل التفاعلي للفيديو، مما يتيح للمستخدمين طرح أسئلة بلغة طبيعية والحصول على إجابات فورية من مقاطع فيديو طويلة.
أمازون تطلق إطاراً لتقييم وكلاء الذكاء الاصطناعي في الإنتاج
تقدم أمازون إطاراً من تسعة مراحل يعتمد على Amazon Bedrock AgentCore لاكتشاف الانحسارات الصامتة في جودة إجابات وكلاء الذكاء الاصطناعي وضمان موثوقيتهم.
أمازون تطلق نظام ذكاء اصطناعي لتوليد عروض تقديمية في 90 ثانية
تتيح أمازون ويب سيرفيسز عبر Amazon Bedrock AgentCore إنشاء عروض PowerPoint احترافية من وثائق الشركات في أقل من 90 ثانية، مع ضمان دقة المحتوى عبر تقنيات RAG والحواجز الأمنية.
أمازون تتيح نشر نماذج القرار عبر llama.cpp على SageMaker AI
تشرح أمازون كيفية استخدام حاويات التعلم العميق لنشر نماذج llama.cpp على SageMaker AI، مع إضافة SemIf لإرجاع احتمالات الخيارات المحددة بدقة على معالجات CPU أو GPU.
