أمازون تعزز أدوات البرمجة بمهارة جديدة لتحسين استنتاجات الذكاء الاصطناعي
أدخلت أمازون تحديثاً جوهرياً في أدوات تطوير الذكاء الاصطناعي من خلال إطلاق مهارة جديدة تربط وكلاء البرمجة مباشرة بمنصة SageMaker، مما يسهّل عملية تحسين أداء النماذج التوليدية.
رضوان عبدالهاديمحرر وكاتب تقني
إطلاق مهارة aws-ai-ml لتحسين الاستنتاجات
أعلنت أمازون عن إطلاق مهارة جديدة تحمل اسم aws-ai-ml، وهي متاحة عبر مجموعة أدوات المطورين Agent Toolkit for AWS. تهدف هذه المهارة إلى منح وكلاء البرمجة مثل Kiro وClaude Code وCodex خبرة عميقة في تحسين أداء الاستنتاجات (Inference) واختبارها. بمجرد تثبيت المهارة، يصبح بإمكان الوكيل البرمجي الحالي للمستخدم إجراء اختبارات على نقاط النهاية (Endpoints)، وتقديم توصيات حول إعدادات النشر، ومقارنة نتائج الأداء، وتوليد أكواد قابلة للتنفيذ باستخدام SDK الخاص بـ SageMaker Python v3.
سد الفجوة بين النية التقنية والبنية التحتية
تواجه فرق الهندسة تحدياً كبيراً في اختيار البنية التحتية المناسبة لنشر نماذج الذكاء الاصطناعي، حيث توفر منصة Amazon SageMaker AI خيارات واسعة تشمل الاستضافة الفورية، والسعة المحجوزة، والعزل عبر الشبكات الخاصة الافتراضية. ومع ذلك، لا يبدأ معظم المهندسين بمعرفة عائلة الأجهزة أو حاويات الخدمة الأنسب لاحتياجاتهم، بل يبدأون من حالة استخدام محددة: هدف أداء معين، أو ميزانية تكلفة محددة، أو نموذج يحتاج إلى تقييم قبل الانتقال للإنتاج. تأتي التجربة الوكيلية (Agentic Experience) لسد هذه الفجوة، حيث يصف المستخدم ما يريده، فيقوم الوكيل بتوليد أكواد قابلة للمراجعة والتعديل والتشغيل في بيئة المستخدم الخاصة.
آلية العمل والتحكم الكامل للمستخدم
تعمل المهارة كحزمة أدوات تتكامل مع أي وكيل برمجي يدعم بروتوكول سياق النموذج (MCP)، محولاً إياه إلى خبير في تحسين استنتاجات SageMaker AI. يحرص النظام على إبقاء المستخدم في موقع التحكم الكامل، حيث تكون كل خطوة مرئية في الوقت الفعلي ومعبّرة عن نفسها كأكواد يمكن قراءتها والاستفسار عنها، دون أي واجهات مستخدم معقدة أو خفية. يمكن للمستخدمين تثبيت المهارة على أجهزتهم المحلية أو استخدامها داخل بيئة JupyterLab في Amazon SageMaker Studio، مع إمكانية الانتقال من الصفر إلى محادثة عمل فعالة خلال عشر دقائق فقط.
خطوات التثبيت المتوافق مع وكلاء البرمجة
لتفعيل المهارة مع وكلاء البرمجة مثل Kiro أو Claude Code، يجب أولاً تثبيت Agent Toolkit for AWS، وهو ما يتطلب وجود واجهة سطر الأوامر AWS CLI الإصدار 2.35 أو أحدث، وأداة uv. يقوم النظام تلقائياً باكتشاف الوكلاء وتثبيت المهارات وتكوين خادم AWS MCP Server. بعد ذلك، يضيف المستخدم مهارة aws-ai-ml إلى وكيله البرمجي. عند فتح لوحة الدردشة في الوكيل وسؤاله عن المهارات المتاحة، ستظهر المهارة، ليتمكن المستخدم من وصف نيته بلغة طبيعية، مما يمنح الوكيل الخبرة التقنية اللازمة لمهام تحسين الاستنتاجات.
العمل داخل بيئة SageMaker Studio
للمستخدمين الذين يفضلون العمل داخل بيئة JupyterLab مُدارة، توفر أمازون صورة جاهزة مسبقاً تتضمن مهارة aws-ai-ml وكل الاعتماديات الضرورية. يتطلب ذلك إنشاء مساحة JupyterLab خاصة (Private) في Amazon SageMaker Studio، حيث يتم مزامنة المهارات فقط في المساحات الخاصة. بعد بدء تشغيل المساحة، يقوم المستخدم بتسجيل الدخول إلى وكيل البرمجة الخاص به عبر الطرفية (Terminal)، ثم يتحقق من توفر المهارة. إذا لم تظهر المهارة، يجب التأكد من أن المساحة مضبوطة على وضع خاص، أو إعادة تشغيل خادم Jupyter إذا كانت الملفات موجودة في المسار الصحيح.
قدرات الاختبار والتوصيات الذكية
تغطي التجربة الوكيلية دورة حياة تحسين الاستنتاجات بالكامل، دون الحاجة لمعرفة المستخدم لأي وظيفة محددة يجب استدعاؤها. إذا كان لدى المستخدم نموذج منشور بالفعل على نقطة نهاية في SageMaker AI، يمكنه طلب إجراء اختبار أداء (Benchmark). يقوم الوكيل بتوليد دفتر ملاحظات Python (Notebook) ينفذ اختبار حمل باستخدام واجهات برمجة التطبيقات الخاصة بـ SageMaker Python SDK. قبل التنفيذ، يتأكد الوكيل من أمان نقطة النهاية لاختبار الحمل، نظراً لأن هذا الإجراء يوجه حركة مرور حقيقية إلى النظام الحي.
تقارير الأداء الكمية والتوصيات
عند اكتمال الاختبار، يولد الوكيل تقرير أداء كمياً دقيقاً يتضمن معدل الإنتاجية (Throughput) بوحدة الطلبات في الثانية، وزمن الكمون (Latency) بمقاييس p50 وp99، وزمن الوصول إلى أول رمز (Time-to-first-token)، بالإضافة إلى مستوى التزامن المدعوم. هذه القيم مقاسة من حمل حقيقي على بنية تحتية فعلية وليست تقديرات نظرية. كما يقدم الوكيل توصيات لتحسين الأداء، مثل استخدام آلية فك الترميز المسبق (Prefill decoding)، مما يساعد المهندسين على اتخاذ قرارات مستنيرة بناءً على بيانات قابلة للقياس.
المصادر
- AWS Machine Learning BlogNew agent skill: Amazon SageMaker optimized generative AI inference for your coding agent
تابع التسلسل الزمني
تغطية الكيانات المرتبطة
أخبار مرتبطة
نشر نماذج Hugging Face على SageMaker AI باستخدام وكلاء البرمجة
تعرّف على كيفية نشر نماذج Hugging Face عبر أمازون SageMaker AI باستخدام تقنيات وكلاء البرمجة الذكية لضمان بيئات عمل احترافية ومستقرة.
Cloudflare تطلق Turnstile Spin لتفعيل حماية المواقع عبر وكلاء الذكاء الاصطناعي
أعلنت Cloudflare عن إطلاق Turnstile Spin، أداة جديدة تتيح لوكلاء البرمجة بالذكاء الاصطناعي إكمال إعدادات الحماية الخلفية للمواقع تلقائياً، مما يعزز الأمان ضد الروبوتات.
AWS تتيح استنساخ الصوت الفوري عبر نموذج Qwen3-TTS على SageMaker
تتيح AWS نشر نموذج Qwen3-TTS على SageMaker JumpStart لإنشاء أصوات مخصصة فورية. يتيح الحل استنساخ الصوت من مقطع قصير مع الحفاظ على الهوية عبر اللغات المختلفة.
هجرة وكلاء الذكاء الاصطناعي متعدد النماذج إلى Amazon Bedrock AgentCore
تقدم AWS نمطاً تقنياً لنقل وكلاء الذكاء الاصطناعي متعدد النماذج من بنية ذاتية الإدارة إلى Amazon Bedrock AgentCore runtime مع الحفاظ على تنسيق النماذج وتقليل العبء التشغيلي.
