AWS توضح كيفية خفض تكاليف البحث الدلالي للفيديو باستخدام Amazon Nova على Bedrock

أظهرت AWS طريقة عملية لتقليل التكاليف بشكل كبير وتسريع البحث الدلالي عن الفيديو دون فقدان ملحوظ في الجودة. تقترح الشركة استخدام تقطير النماذج في Amazon Bedrock لنقل "ذكاء التوجيه" من نموذج Amazon Nova Premier الكبير إلى نموذج Amazon Nova Micro المدمج: نتيجة لذلك، تنخفض تكاليف الاستدلال بأكثر من 95%، والكمون — بحوالي 50%. هذه مهمة تبدو بسيطة فقط على السطح.

يجب أن يفهم البحث الدلالي عن الفيديو ليس فقط الكلمات الفردية في الاستعلام، بل نية المستخدم: ما إذا كان يبحث عن حلقة معينة أو موضوع أو كائن في الإطار أو لحظة عاطفية أو مقطع يحتوي على الإجراء المطلوب. النماذج الكبيرة أنسب لهذا التوجيه لأنها تلتقط الدقائق بدقة أكبر. لكن في الإنتاج، يتحول هذا سريعاً إلى مقايضة بين الجودة وسرعة الاستجابة وتكلفة كل استعلام، خاصة إذا كانت الخدمة تتعامل مع كتالوج فيديو كبير وحجم عالٍ من الاستعلامات.

تقترح AWS حل هذه المقايضة من خلال تقطير النماذج في Amazon Bedrock. المخطط معياري للتعلم الآلي الحديث، لكنه يُعرض هنا في حالة استخدام عملية تماماً: يوضح النموذج المعلم Amazon Nova Premier أولاً كيفية تفسير الاستعلامات واختيار مسار المعالجة الصحيح، ثم يتم نقل أنماط السلوك إلى نموذج Amazon Nova Micro الأصغر. الفكرة هي الحفاظ ليس على المطابقة الحرفية للإجابات، بل على منطق صنع القرار الدقيق الذي يؤثر على صلة نتائج البحث.

بالنسبة للعمل، هذه نقطة مهمة. في العديد من الأنظمة، تصبح نقطة الضعف ليس توليد النصوص كما هي، بل مرحلة التصنيف والتنسيق، عندما يجب على النموذج أن يفهم بسرعة ما يريده المستخدم بالضبط وخط أنابيب البدء بعد ذلك. إذا كنت تحتفظ باستمرار بنموذج كبير في الحلقة لهذه المهمة، فإن النفقات تنمو بسرعة كبيرة جداً.

إذا انتقلت فوراً إلى نموذج صغير بدون تدريب، قد تتأثر جودة التوجيه. يسمح التقطير بأخذ نقاط القوة لنموذج كبير وتعبئتها في حلقة خدمة أكثر فعالية من حيث التكلفة. تبدو الأرقام المعلنة ذات أهمية خاصة للفرق التي تحسب الاقتصاديات على نطاق واسع.

يعني خفض تكاليف الاستدلال بأكثر من 95% أن السيناريوهات التي تحتوي على استعلامات متكررة عن الفيديو وفهارس الوسائط ومنصات التعلم وأرشيفات البث والمكتبات الداخلية للشركات تصبح أكثر واقعية بشكل ملحوظ من منظور الميزانية. في الوقت نفسه، يعتبر تقليل الكمون بمقدار 50% مهماً لتجربة المستخدم: في البحث عن الفيديو، تكون الثواني الإضافية مؤلمة بشكل خاص لأن الناس يتوقعون التنقل شبه الفوري عبر كمية كبيرة من المحتوى، بدلاً من الانتظار الطويل قبل عرض النتائج. نقطة مهمة أخرى هي أن AWS لا تروج لمجرد نموذج منفصل، بل لنمط تطوير على Bedrock.

بالنسبة للشركات، هذا إشارة إلى أن تخصيص النماذج الأساسية يصبح تدريجياً ليس غريباً بالنسبة لفرق البحث، بل أداة عمل لمهندسي المنتجات. بدلاً من الاختيار وفقاً لمبدأ "إما ذكي جداً أو رخيص"، يظهر مسار وسيط: استخدم نموذجاً كبيراً كحامل للخبرة، ثم نقل هذه الخبرة إلى نماذج مدمجة لمهمة معينة. في حالة دلالات الفيديو، هذا منطقي بشكل خاص لأن استعلامات المستخدمين تكرر نفس فئات النوايا، وبالتالي فإن هذه المهارات تصلح جيداً للنقل.

الاستنتاج هنا بسيط: تظهر AWS كيفية تحويل التوجيه الذكي المكلف إلى خدمة أكثر انتشاراً واستدامة اقتصادية. إذا حافظت الطريقة حقاً على الجودة على مستوى كافٍ للإنتاج الحقيقي، تحصل الفرق على وصفة عملية للبحث عن الفيديو بالذكاء الاصطناعي: قم بتدريب المنطق على نموذج قوي، وخدم حركة المرور — على نموذج صغير وسريع.