أخبار ar.wedoany.com، في 29 يونيو، أطلقت شركة CoreWeave الأمريكية وكيل أبحاث وتطوير الذكاء الاصطناعي المسمى ARIA. يمكن لهذا الوكيل قراءة بيانات التجارب، وتحديد الرؤى المخفية، ودفع عجلة التحسين المستمر للنماذج والوكلاء. تم بناء ARIA على منصة تطوير الوكلاء W&B Weave التابعة لشركة Weights & Biases، وهي إحدى شركات CoreWeave، كما أصبحت قدرات تطوير وكلاء W&B Weave متاحة بشكل كامل في السوق.
يستهدف ARIA مرحلة تحليل التجارب في مجال البحث والتطوير للذكاء الاصطناعي. تولد فرق النماذج، أثناء عمليات التدريب والضبط الدقيق والتقييم وتطوير الوكلاء، كميات هائلة من سجلات تشغيل التجارب، ومنحنيات المؤشرات، ومعلمات التكوين، ونتائج التقييم، وعينات الفشل. عادةً ما يحتاج الباحثون إلى البحث بشكل متكرر عن الارتباطات بين هذه البيانات، وتحديد أي مجموعة من المعلمات أدت إلى تحسين، وأي أنواع الأخطاء تتكرر باستمرار، وأي التجارب تستحق المتابعة. يقوم ARIA بربط قراءة بيانات التجارب، والتعرف على الأنماط، وتلخيص الرؤى، وتقديم توصيات للإجراءات اللاحقة، مما يحرر فرق البحث من الاعتماد فقط على أسلوب العمل المتمثل في "النظر إلى الرسوم البيانية، وقراءة السجلات، وإصدار الأحكام يدويًا". وتذكر CoreWeave أن ARIA يمكنه تحليل آلاف عمليات تشغيل التجارب وعشرات الآلاف من المؤشرات في غضون دقائق، وتحويل نتائج التجارب الحالية إلى مدخلات لتحسين النماذج وتطوير الوكلاء بشكل متكرر.
يتمثل موقع هذا المنتج في تقليص الفجوة بين تحليل التجارب والإجراءات اللاحقة. المشكلة الشائعة في أبحاث الذكاء الاصطناعي في الماضي لم تكن نقص البيانات، بل كثرة البيانات وتشتت المؤشرات وصعوبة قيام الفرق بتحويل النتائج إلى جولة تالية من التجارب في الوقت المناسب.
صرح تشين غولدبرغ، نائب الرئيس التنفيذي للمنتجات والهندسة في CoreWeave، بأن الباحثين حققوا تقدمًا سريعًا في تطوير النماذج، لكن أدوات الإدارة لم تواكب هذا التقدم، وأن ARIA هو الحل المصمم لسد هذه الفجوة. بالنسبة لفرق النماذج الكبيرة والوكلاء الأذكياء، فإن سرعة التدريب، وحجم القدرة الحاسوبية، وعدد التجارب كلها في ازدياد سريع، لكن إدارة التجارب، وتفسير النتائج، والمراجعة التلقائية، وتوليد المهام التالية لا تزال تعتمد بشكل كبير على العمل اليدوي. بعد دخول ARIA في هذه المرحلة، يمكنه مساعدة الفرق على اكتشاف تغيرات أداء النموذج، وشذوذ المؤشرات، واختناقات التدريب، ومشكلات سلوك الوكيل بشكل أسرع، وتحويل نتائج التحليل إلى فرضيات تجريبية جديدة، أو اتجاهات تقييم، أو مهام تحسين.
يُعد W&B Weave قاعدة تقنية مهمة لـ ARIA. تخدم Weights & Biases منذ فترة طويلة مجالات تتبع تجارب التعلم الآلي، وتقييم النماذج، والتعاون في التطوير. بعد أن أكملت CoreWeave الاستحواذ على هذه الشركة، تعمل على دمج البنية التحتية السحابية للذكاء الاصطناعي مع سلسلة أدوات تطوير النماذج بشكل أكبر. بناء ARIA على W&B Weave يوضح أن CoreWeave لا توفر فقط قدرات حوسبة GPU وموارد سحابية، بل تمتد أيضًا إلى أدوات سير عمل البحث والتطوير في الذكاء الاصطناعي. بالنسبة لفرق تجارب الذكاء الاصطناعي، فإن القدرة الحاسوبية هي مجرد الطبقة الأولى من الاحتياجات، بينما تعد إمكانية تتبع التجارب، وقابلية تفسير المؤشرات، وإمكانية تقييم الوكلاء، وأتمتة التطوير المتكرر، هي العوامل الرئيسية للتحسين المستمر لجودة النماذج.
كما عزز ARIA حدود منتجات CoreWeave في سوق البنية التحتية للذكاء الاصطناعي. في الماضي، ركزت شركات الحوسبة السحابية للذكاء الاصطناعي بشكل أكبر على مجموعات GPU، وأداء التدريب، والترابط الشبكي، وكفاءة التكلفة. أما الآن، فإن المنافسة تمتد إلى منصات البحث والتطوير، وإدارة التجارب، وتطوير الوكلاء، وإدارة دورة حياة النماذج. إذا تمكنت CoreWeave من دمج الموارد الحاسوبية، وإدارة تجارب W&B، وتطوير وكلاء Weave، ووكيل أبحاث ARIA، فستكون قادرة على تغطية السلسلة الكاملة بدءًا من تدريب النماذج وصولاً إلى مراجعة التجارب، ومن بناء الوكلاء إلى التحسين المستمر. يمكن لفرق البحث والتطوير إكمال تسجيل التجارب، وتحليل النتائج، وتقييم الوكلاء، ودفع المهام التالية ضمن نفس النظام، مما يقلل من تكاليف التبديل بين الأدوات والتنظيم اليدوي.
يعكس إطلاق ARIA أيضًا أن أبحاث الذكاء الاصطناعي تنتقل من الاعتماد على التجارب الفردية إلى الاعتماد على التطوير المتكرر المستمر. كلما زاد تعقيد النماذج والوكلاء، زادت صعوبة تفسير جميع المشكلات بمؤشر واحد. تحتاج فرق البحث إلى مراقبة الدقة، وزمن الاستجابة، والتكلفة، والاستقرار، وأنواع الفشل، ومعدل نجاح استدعاء الأدوات، ومعدل إنجاز مهام المستخدم في وقت واحد. إذا تمكن ARIA من معالجة هذه المؤشرات متعددة الأبعاد بشكل مستقر، فسيساعد الفرق على تحديد التغييرات الفعالة حقًا بشكل أسرع، ومعرفة أي التحسينات هي مجرد تحسينات محلية. بالنسبة لتطبيقات النماذج الكبيرة، ومنصات الوكلاء الأذكياء، ومنتجات الذكاء الاصطناعي للمؤسسات، ستصبح أدوات البحث والتطوير المتكرر الآلي هذه جزءًا مهمًا من تقصير دورة البحث والتطوير.
