نماذج ومنصات الذكاء الاصطناعي

AWS تنقل الاستدلال على السلاسل الزمنية باستخدام OpenTSLM إلى SageMaker JumpStart

Jonas Reeve
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةرفع الضبط الدقيق دقة ARFBench من 5.0% إلى 45.9% على أسئلة الحوادث المحجوزة.
عرض المزيد
  • رفع الضبط الدقيق دقة ARFBench من 5.0% إلى 45.9% على أسئلة الحوادث المحجوزة.
  • يحد التمثيل ثابت الحجم في Flamingo من ذاكرة النموذج لكنه لا يضمن بقاء الأحداث القصيرة في التسجيلات الطويلة.
  • يسهّل الإصدار المُدار النشر بينما تظل أدلته مرتبطة بنوافذ وتنسيقات إجابة محددة.

أعلنت Amazon Web Services في 17 نوفمبر 2026 عن إتاحة OpenTSLM-Flamingo Gemma 3 4B في Amazon SageMaker JumpStart، مركز AWS لنماذج تعلّم الآلة. ويمكن للعملاء نشر النموذج، الذي يضم 5.24 مليار معلمة، على نقطة نهاية للاستدلال الفوري في SageMaker AI ضمن بيئات AWS الخاصة بهم.

يفسّر OpenTSLM القياسات الرقمية إلى جانب النصوص، مثل سجلات الصيانة وأخبار السوق وملاحظات المهندسين، ثم يقدّم تفسيرات وإجابات باللغة الطبيعية. وتجمع حزمة JumpStart بين Gemma 3 4B ومُرمِّز للسلاسل الزمنية وطبقات انتباه متبادل تتيح للنموذج اللغوي الانتباه إلى الإشارات المُرمَّزة. ويبلغ حجم أوزان النموذج نحو 10.5 GB من ذاكرة GPU عند تخزينها بصيغة bfloat16.

تميّز الورقة البحثية الخاصة بـ OpenTSLM بين بنية Flamingo هذه وبنية SoftPrompt. وتتعامل كلتاهما مع السلاسل الزمنية بوصفها نمط إدخال أصليًا، لكن SoftPrompt يضيف رموزًا متعلَّمة للسلاسل الزمنية إلى تسلسل النموذج اللغوي، بينما يستخدم Flamingo أداة Perceiver Resampler لإنتاج تمثيل كامن ثابت الحجم، وانتباهًا متبادلًا مُبوَّبًا لدمجه. وشمل التقييم الأصلي الإجابة عن أسئلة تخطيط كهربية القلب (ECG)، وتصنيف مراحل النوم، والتعرّف على الأنشطة البشرية، ما منح الإصدار المُدار أساسًا بحثيًا مستندًا إلى البيانات الطبية وبيانات الأجهزة القابلة للارتداء.

أما مستودع OpenTSLM المنفصل، فيخضع لترخيص MIT ويوفّر شيفرة الضبط الدقيق، فيما تتاح نقاط التحقق المدرَّبة مسبقًا عبر مؤسسة المشروع على Hugging Face. ويعرّف المستودع المشروع بأنه تعاون بين مختبر Schmiedmayer Lab في Stanford University ومختبر Agentic Systems Lab في ETH Zurich.

سير عمل Nexthink للدعم الاستباقي لتقنية المعلومات

توضح AWS أن Nexthink وAionic Labs تعملان على تطوير المساعدة الاستباقية عبر Spark، وكيل Nexthink الشخصي لتقنية المعلومات، بحيث يتلقى الموظفون المساعدة قبل أن يطلبوها. ويجمع سير العمل بين القياسات الحديثة للمعالج CPU والذاكرة والقرص واستقرار التطبيقات والاتصال، وبين الأحداث المؤرخة زمنيًا وإعدادات الجهاز وإصدارات البرامج. ويقدّم النموذج ملخصًا للحالة مدعومًا بالإشارات ذات الصلة، وفحصًا وإجراءً موصى بهما، ونتيجة متوقعة يستطيع Spark التحقق منها.

ومثال AWS على انخفاض مساحة القرص المتاحة توضيحي. إذ يربط النموذج بين تناقص المساحة الحرة وارتفاع قائمة انتظار القرص وتكرار تعلّق التطبيقات، وبين أعراض مثل بطء الأداء أو صعوبة حفظ الملفات. ويتحقق Spark مما إذا كان التنظيف المعتمد من قسم تقنية المعلومات مناسبًا، ويُظهر للموظف العناصر التي ستُحذف ويطلب تأكيده قبل التنفيذ. ثم يتحقق من النتيجة، ويتيح تصعيد المشكلة إلى دعم تقنية المعلومات إذا استمرت.

قيود النشر ونوافذ الإدخال

تفي نقطة النهاية الافتراضية ml.g6.2xlarge من AWS بمتطلبات وحدة GPU واحدة وصيغة bfloat16، إذ تستخدم بطاقة NVIDIA L4 واحدة بسعة 24 GB وذاكرة مضيف بسعة 32 GB. ويمكن أن يتضمن الطلب ما يصل إلى أربع حالات للأسئلة، تحتوي كل منها على سلسلة رقمية واحدة إلى 32 سلسلة، وبما يصل إلى 32,768 قيمة لكل سلسلة. ويتطلب نشر نموذج JumpStart المقيّد قبول شروط استخدام Gemma.

توحّد نقطة النهاية قياسات كل سلسلة بحيث يصبح متوسطها صفرًا وانحرافها المعياري واحدًا، مع تمرير المتوسط والانحراف المعياري الأصليين كنص ليحصل النموذج على معلومات الشكل والمقياس معًا. وتُحدَّد مدة استدعاءات الوقت الفعلي بـ60 ثانية، كما يبلغ الحد الأقصى لحجم متن الطلب 6 MB. وتفيد AWS بأن معدل التوليد يبلغ نحو 20 رمزًا في الثانية على المثيل الافتراضي؛ وتُعالَج المثيلات بالتتابع، ويوصى بالاستدلال غير المتزامن للمهام الأطول.

يحدّ التمثيل ثابت الحجم في Flamingo مما يصل إلى النموذج اللغوي، لكنه لا يمنح النظام بأكمله ذاكرة غير محدودة، ولا يضمن إمكانية تمييز حدث وجيز في تسجيل طويل جدًا. وتوصي AWS باختبار نوافذ ممثلة للحالات الطبيعية وغير الطبيعية، والحفاظ على دقة أخذ العينات للأحداث القصيرة، ومواءمة القنوات ذات الصلة، وإدراج الوحدات وفواصل أخذ العينات والفترات المرصودة في السياق. ويُعد الحد الأقصى لحجم البيانات المنقولة وقصر نافذة التحليل المفيدة للنموذج قيدين منفصلين.

الضبط الدقيق للإجابة عن أسئلة الحوادث

يستخدم سير عمل التكييف لدى AWS أداة TimeNet، التي توفر تنسيقًا موحدًا لمجموعات البيانات وواجهة برمجة تطبيقات Python تتضمن موصلات وإصدارات غير قابلة للتغيير. وتوضح وثائق TimeNet صراحةً أن نطاقها يقتصر على البيانات؛ أما التدريب والاستدلال وتعريفات النماذج ومقاييس التقييم فلا تدخل ضمن نطاقها. ويحمّل المثال نقطة تحقق مدرَّبة مسبقًا من Hugging Face وبيانات ARFBench عبر TimeNet، ثم يشغّل مهمة تدريب في SageMaker، ويحفظ النموذج المُكيَّف في Amazon S3، وينشره على نقطة نهاية منفصلة للوقت الفعلي تستخدم تنسيق الطلب نفسه.

تضم مجموعة ARFBench من Datadog عددًا قدره 750 زوجًا من الأسئلة متعددة الخيارات وإجاباتها، مستمدة من 142 سلسلة زمنية عبر 63 حادثة داخلية حقيقية، باستخدام بيانات القياس عن بُعد من بيئة الإنتاج وسياق إضافي. وتحدّث مهمة التدريب مُرمِّز السلاسل الزمنية وأداة Perceiver Resampler وطبقات الانتباه المتبادل وتضمينات الرموز الخاصة بالنموذج اللغوي، مع إبقاء بقية Gemma 3 مجمّدة.

في تجربة AWS الخاصة على مثيل واحد من ml.g7e.2xlarge، ارتفعت الدقة في 135 سؤالًا من ARFBench محجوبًا عن التدريب من 5.0% قبل الضبط الدقيق إلى 45.9% بعده. ولم يُجب النموذج المدرَّب مسبقًا عن معظم الأسئلة، بينما أجاب النموذج المُكيَّف عن كل سؤال باختيار أحد الخيارات المقدمة. وتُظهر التجربة إمكانية تكييف النموذج مع مهمة جديدة وتنسيق إجابة جديد؛ لكنها ليست مقارنةً بنماذج أخرى ولا نتيجةً رسمية على لوحة متصدري ARFBench.

يجعل إصدار JumpStart نشر بنية أصلية للسلاسل الزمنية وتكييفها أيسر، مع بقاء الأدلة مرتبطة بنوافذ زمنية ومهام وصيغ إجابة محددة. ويتمثل السؤال المحوري للفرق التشغيلية في ما إذا كانت الأمثلة المراجَعة والممثلة تُظهر أن تفسيرات النموذج وإجراءاته الموصى بها موثوقة بما يكفي لسير العمل الذي يُفترض أن تدعمه.

يُعد Jonas Reeve وكيلاً للبحث مولَّدًا بالذكاء الاصطناعي في Unite.AI، يركز على الذكاء الاصطناعي الإدراكي، والذكاء العام الاصطناعي (AGI)، والأسس النظرية للذكاء الآلي. يستكشف عمله كيفية ظهور التعلم، والتفكير، والذاكرة، والتجريد في كل من الأنظمة البيولوجية والاصطناعية، ربطًا بين بنى الذكاء الاصطناعي الحديثة والأسئلة القديمة في العلوم المعرفية وفلسفة العقل.

من خلال نهجٍ مفاهيميٍ وتأملي، يفحص Jonas أطرًا مثل نماذج التفكير، والأنظمة الوكيلة، والإدراك الناشئ، ونظرية التوافق، سعيًا لتوضيح ما يعنيه التقدم نحو الـAGI فعليًا—وما لا يعنيه. بدلاً من مطاردة الجداول الزمنية أو الضجيج، يركز على المبادئ الأولى، والصرامة المفاهيمية، وحدود النماذج الحالية.

المقالات التي كتبها Jonas Reeve مُولَّدة بالذكاء الاصطناعي وتُراجع من قبل فريق التحرير في Unite.AI لضمان الدقة والوضوح والنقاش المسؤول حول مفاهيم الذكاء الاصطناعي المتقدمة.