AWS تستعرض طريقة لخفض تكلفة البحث الدلالي في الفيديو باستخدام Amazon Nova على Bedrock

عرضت AWS طريقة عملية لخفض تكلفة البحث الدلالي في الفيديو وتسريعه بصورة كبيرة دون خسارة ملحوظة في الجودة. وتقترح الشركة استخدام تقطير النماذج في Amazon Bedrock لنقل «ذكاء التوجيه» من نموذج Amazon Nova Premier الكبير إلى نموذج Amazon Nova Micro المدمج. والنتيجة انخفاض تكلفة الاستدلال بأكثر من 95%، وانخفاض زمن الاستجابة بنحو 50%.

تبدو هذه المهمة بسيطة على السطح فقط. فالبحث عن الفيديو بحسب المعنى لا يكتفي بفهم الكلمات المنفردة في الاستعلام، بل يجب أن يدرك نية المستخدم: هل يبحث عن مشهد محدد، أم موضوع، أم عنصر ظاهر في الإطار، أم لحظة عاطفية، أم مقطع يتضمن فعلًا معينًا. وتناسب النماذج الكبيرة هذا النوع من توجيه الاستعلامات بصورة أفضل، لأنها تلتقط الفروق الدقيقة بدقة أعلى. لكن في بيئة الإنتاج يتحول الأمر سريعًا إلى مفاضلة بين الجودة وسرعة الاستجابة وتكلفة كل استعلام، خصوصًا إذا كانت الخدمة تتعامل مع فهرس ضخم من الفيديوهات وتدفق كبير من الطلبات.

وتقترح AWS معالجة هذه المفاضلة عبر Model Distillation في Amazon Bedrock. والمخطط معتاد في تعلم الآلة الحديث، لكنه يُعرض هنا على حالة تطبيقية واقعية. فنموذج المعلّم Amazon Nova Premier يُظهر أولًا كيف ينبغي تفسير الاستعلامات واختيار مسار المعالجة الصحيح، ثم تُنقل أنماط هذا السلوك إلى نموذج Amazon Nova Micro الأصغر. والفكرة ليست الحفاظ على التطابق الحرفي في الإجابات، بل على منطق اتخاذ القرار الدقيق الذي يؤثر في صلة نتائج البحث.

وهذا تركيز مهم بالنسبة إلى الأعمال. ففي كثير من الأنظمة لا تكون نقطة الضعف في توليد النص بحد ذاته، بل في مرحلة التصنيف والتنسيق، حين يجب على النموذج أن يفهم بسرعة ما يريده المستخدم بالضبط وأي مسار معالجة يُشغَّل بعد ذلك. وإذا أُبقي نموذج كبير في هذه الحلقة بصورة دائمة، ارتفعت النفقات أسرع مما ينبغي. أما الانتقال المباشر إلى نموذج صغير دون تدريب فقد يضعف جودة التوجيه. ويتيح التقطير الاستفادة من نقاط قوة النموذج الكبير وتعبئتها في مسار تشغيل أقل تكلفة.

وتبدو الأرقام المعلنة مهمة بصفة خاصة للفرق التي تحسب الجدوى الاقتصادية على نطاق واسع. فانخفاض تكلفة الاستدلال بأكثر من 95% يعني أن سيناريوهات الطلبات المتكررة على الفيديو، ومكتبات الوسائط، ومنصات التعليم، وأرشيفات البث، والمكتبات المؤسسية الداخلية تصبح أكثر واقعية بوضوح من ناحية الميزانية. وفي الوقت نفسه، يهم تقليص زمن الاستجابة بنسبة 50% تجربة المستخدم: ففي البحث عن الفيديو تكون الثواني الزائدة مزعجة بصفة خاصة، لأن المستخدم يتوقع تنقلًا شبه فوري في كمّ كبير من المحتوى، لا انتظارًا طويلًا قبل ظهور النتائج.

وثمة نقطة أخرى مهمة، وهي أن AWS لا تروّج لنموذج منفرد، بل لنمط تطوير على Bedrock. وهذه إشارة للشركات بأن تخصيص النماذج الأساسية يتحول تدريجيًا من أمر غريب على فرق البحث إلى أداة عمل لمهندسي المنتجات. فبدلًا من الاختيار وفق مبدأ «إما ذكاء عالٍ أو تكلفة منخفضة»، يظهر مسار وسط: استخدام النموذج الكبير حاملًا للخبرة، ثم نقل هذه الخبرة إلى نماذج مدمجة مخصصة لمهمة بعينها. وفي حالة الدلالات في الفيديو يبدو ذلك منطقيًا بصفة خاصة، لأن استعلامات المستخدمين تكرر الفئات نفسها من النوايا، ما يجعل هذه المهارات قابلة للنقل بسهولة.

والخلاصة بسيطة: تبيّن AWS كيف يمكن تحويل التوجيه الذكي المكلف إلى خدمة أوسع انتشارًا وأكثر استدامة من الناحية الاقتصادية. وإذا كان النهج يحافظ فعلًا على الجودة بمستوى يكفي للإنتاج الحقيقي، فستمتلك الفرق وصفة عملية للبحث بالذكاء الاصطناعي في الفيديو: تدريب المنطق على نموذج قوي، وخدمة حركة الطلبات بنموذج صغير وسريع.