تطلق Hedra منصة Model Factory لتدريب الذكاء الاصطناعي الواقعي ونشره وتحسينه

تطلق Hedra منصة Model Factory، وهي منصة تجمع البنية التحتية لوحدات معالجة الرسومات، والتدريب اللاحق للنماذج، وتحسين الاستدلال، والتغذية الراجعة من بيئة الإنتاج ضمن سير عمل واحد. وتستهدف الشركة البحثية المدعومة من a16z فرق الروبوتات والتصنيع والبيولوجيا والدفاع التي تحتاج إلى تكييف النماذج مع بياناتها وظروف تشغيلها الخاصة.

تتناول هذه الفكرة فجوة عملية في الذكاء الاصطناعي المؤسسي: فكثيرًا ما لا يكون النموذج العام القادر سوى نقطة انطلاق. وقد يتطلب تحويله إلى نظام موثوق للفيديو أو بيانات المستشعرات أو الأفعال المادية بيئات تدريب مخصصة، وبرمجيات نشر متخصصة، ووسيلة لتقييم كل إصدار جديد في ضوء المهمة التي ينبغي له تنفيذها.

ربط التدريب والنشر والتغذية الراجعة من بيئة الإنتاج

تجمع Model Factory بين بيئات اختبار مرنة لوحدات معالجة الرسومات والتدريب اللاحق الذي يجريه باحثو Hedra بالتعاون مع وكلاء ذكاء اصطناعي مستقلين. ويقدم العملاء البيانات ومحركات المحاكاة؛ فيما تساعد Hedra على بناء بيئات التعلم المعزز ومجموعات البيانات، ثم تحسّن طريقة تشغيل النماذج الناتجة.

قال مايكل لينغلباخ، مؤسس Hedra ورئيسها التنفيذي: «بدأ التحسين الذاتي التكراري يغيّر بالفعل طريقة بناء النماذج المتقدمة. والخطوة التالية هي العالم الحقيقي، حيث تتمثل البيانات في الفيديو والمستشعرات والمحاكاة. وتوفر Hedra Model Factory لفرق الروبوتات والتصنيع والبيولوجيا والدفاع البنية التحتية اللازمة لتدريب نماذجها لاحقًا ونشرها ومواصلة تحسينها».

بعد النشر، يحلل الباحثون أداء النموذج في بيئة الإنتاج، ويعيدون تدريبه، ولا يطرحون إصدارات جديدة إلا بعد اجتيازها تقييمات العميل. وهذا يجعل معايير التقييم محورًا أساسيًا للخدمة: إذ يجب أن يفي النموذج الأسرع بمتطلبات التطبيق الذي يستخدمه.

تستخدم Hedra مصطلح التحسين الذاتي التكراري لوصف عمل الباحثين وعلماء الذكاء الاصطناعي المستقلين على تكرار التجارب وجولات التدريب وأساليب التحسين. وتتضمن العملية المعلنة باحثين وبوابات تقييم يحددها العملاء، لا تغييرات آلية غير مقيّدة على نماذج الإنتاج.

لماذا يتطلب الذكاء الاصطناعي المادي أكثر من بنية لتشغيل نماذج اللغة

توفر بيئة تشغيل النماذج العالمية، أو WMR من Hedra سياقًا إضافيًا لإطلاق المنصة. وتصفها الشركة بأنها محرك استدلال مفتوح النواة لنماذج الصور والفيديو والعالم والنص، مع دعم وحدات معالجة الرسومات من NVIDIA وAMD. وتركز تحسيناتها على خطوات الانتشار، وآليات الانتباه عبر الإطارات، وعمليات الترميز وفك الترميز التي قد تستهلك قدرًا كبيرًا من وقت وحدة معالجة الرسومات في أعباء العمل المرئية.

ينتج الاستدلال في نماذج الرؤية واللغة والفعل أفعالًا إلى جانب تفسير المدخلات. وفي بيئة محاكاة، قد يحتاج كل من النموذج والبيئة التي تولّد خبرات تدريبه إلى مسرّعات. لذا، لا يقتصر تحسين سير العمل على اختيار نموذج؛ بل قد يشمل الحد من نقل البيانات، ومواءمة الدقة العددية مع متطلبات الجودة، وتنسيق التدريب مع تقديم الخدمة.

يتيح عرض بيئة الاختبار لوحدات معالجة الرسومات الذي تقدمه الشركة للفرق إدخال الحاويات والاعتماديات وشيفرة النماذج إلى بيئات معزولة، فيما تتولى Hedra إدارة توزيع الموارد والتوسع واستعادة الأجهزة. ويمكن للفرق تعديل بيئة التشغيل، وإجراء التدريب أو التقييم، وتصدير نقاط التحقق والملفات الناتجة. وتدعم منصة التدريب الخاصة بها الضبط الدقيق الخاضع للإشراف، ومهايئات LoRA خفيفة الوزن، والتعلم المعزز، مع تقييم نقاط التحقق قبل تقديم الخدمة.

تسريع تعديل الصور ستة أضعاف، ضمن شروط محددة

يسلط بيان الإطلاق الضوء على تعديل الصور باستخدام Krea 3 بوصفه مثالًا على عملية التحسين. وتقول Hedra إنها خفضت زمن تعديل صورة بدقة 2K من نحو 22 ثانية إلى 3.6 ثوانٍ، باستخدام وحدات AMD Instinct MI355X الأربع نفسها، وذلك في أقل من أسبوع. وتجمع المقارنة بين تحسين الاستدلال والتقطير: فقد استخدم خط الأساس النموذج الأصلي بدقة bf16 مع 30 خطوة أخذ عينات، في حين استخدمت النسخة الأسرع نموذجًا مقطّرًا من 14 خطوة.

وهذا التمييز مهم، لأن النتيجة تعكس تغييرات في كل من العمليات الحسابية للنموذج والبرمجيات التي تنفذها. وهي نتيجة معلنة لحمل عمل وإعداد محددين، وليست تسريعًا عامًا بمقدار ستة أضعاف لكل نموذج تشغّله المنصة.

يتناول الشرح الهندسي المنفصل من Hedra حول Krea 3 تفاصيل العمليات المصفوفية ذات الدقة الأقل، وآليات الانتباه المخصصة، والعمليات المدمجة، وعمليات النقل بين وحدات معالجة الرسومات التي نُقلت إلى محركات نسخ مخصصة. وتقيس المقارنة بين 22.9 ثانية و3.3 ثوانٍ زمن تشغيل محوّل الانتشار، لا زمن الاستجابة الكامل للطلب. لذلك، ينبغي قراءة هذه الأرقام بمعزل عن نتيجة تعديل الصور الواردة في بيان الإطلاق.

فيزياء الفيديو وتكييف عتاد الروبوتات

وتفيد Hedra أيضًا بأنها أعادت تدريب H3 لتحقيق الاتساق الفيزيائي. وسجل النموذج المعاد تدريبه 34.9 في معيار Physics-IQ من Google DeepMind، مقابل 30.3 لنموذج H3 Max، مع جودة بصرية تصفها Hedra بأنها مماثلة. ووفقًا للشركة، أنتج إصدار جرى تقطيره تلقائيًا مقطعًا مدته خمس ثوانٍ في أقل من ثلاث ثوانٍ على وحدات معالجة الرسومات MI355X.

وفي مثال آخر، استبدلت دراسة محاكاة الماسك في روبوت يعمل وفق سياسة مدرَّبة. وتقول Hedra إن مواءمة مدى وصول الماسك البديل ونقطة إمساكه مع المنظور الظاهر في كاميرا المعصم أعادت نجاح المهمة من قرابة الصفر إلى قرابة 100% من دون إعادة التدريب. وتتعلق هذه النتيجة بإعداد المحاكاة المذكور، ولا تثبت إمكانية التعامل مع تغييرات عتادية عشوائية من دون تدريب إضافي في الروبوتات المنشورة.

تشير هذه الأمثلة إلى جوانب مختلفة من المشكلة الهندسية نفسها: الحفاظ على السلوك المفيد مع تغيير طريقة تشغيل النموذج أو النظام الذي يعمل فيه.

خدمة بحثية تتمحور حول النماذج التي يمتلكها العملاء

تتوفر Model Factory ابتداءً من 10 نوفمبر. ويمكن للفرق التعاون مع باحثي Hedra على نماذج مخصصة، أو البدء بسعة مرنة في بيئة تجريبية مع وحدات معالجة الرسومات (GPU) من دون التزامات طويلة الأجل، أو إحضار نموذج قائم لاستخدامه في محرك الاستدلال الخاص بها. وتشمل خيارات النشر البنية التحتية المحلية أو مركز بيانات قريبًا لدى شريك، مع أهداف للتحسين تتراوح بين نماذج أفعال العالم الأسرع من الزمن الفعلي ونماذج الرؤية واللغة والفعل الملائمة للأجهزة الطرفية.

تقول الشركة إن إيراداتها نمت 15 مرة خلال الأشهر الاثني عشر السابقة، لكنها لم تفصح عن حجم الإيرادات في الإعلان. ويعرض نبذة عن الشركة المنصة بوصفها امتدادًا لخبرتها في بناء نماذجها المرئية الخاصة وتقديمها.

بالنسبة إلى العملاء، يتمثل جوهر العرض في حلقة هندسية مترابطة: استخدام بيانات المجال لتحسين النموذج، وتهيئته بما يلائم العتاد وميزانية زمن الاستجابة، وتقييم النتيجة، ثم الاستفادة من الخبرة المكتسبة في الإنتاج لتطوير النسخة التالية. ويتوقف مدى نجاح ذلك على التقييمات الخاصة بكل مهمة وقيود النشر، بقدر ما يتوقف على سرعة وحدات معالجة الرسومات الأساسية.