تبدأ 23 نوفمبرالدفعة المباشرة 3 من Vibe Coding ووكلاء الذكاء الاصطناعي: 3 أسابيع و9 جلسات حيةالدفعة 3 (23.11) →
إصدارتحليل · على الرادارAWS Machine Learning Blog→ المصدر

AWS تستعرض طريقة خفض تكلفة text-to-SQL باستخدام Amazon Nova Micro وBedrock للشركات

قدمت AWS وصفة عملية لتطبيق text-to-SQL على قواعد بيانات الشركات: ضبط Amazon Nova Micro وفق لهجة SQL الخاصة بالشركة، ثم تشغيل النموذج عبر Bedrock مع الدفع حسب عدد الرموز (tokens). واستعرضت الشركة مسارين: مسار مُدار عبر Bedrock، وآخر أكثر مرونة عبر SageMaker AI. وفي المثال المعروض، بلغت تكلفة الاستدلال لـ 22 000 طلب شهريًا 0.80 دولار فقط.

معالج بواسطة الذكاء الاصطناعي من AWS Machine Learning Blog؛ بتحرير Hamidun News
AWS تستعرض طريقة خفض تكلفة text-to-SQL باستخدام Amazon Nova Micro وBedrock للشركات
المصدر: AWS Machine Learning Blog. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليAWS Machine Learning Blog ↗
رئيس التحرير
حقيقة رئيسية #1Bedrock — عبء تشغيلي أقل وطريق أسرع إلى نموذج أولي عامل
حقيقة رئيسية #2SageMaker AI — تحكم أكبر في المعاملات الفائقة (hyperparameters) والتكامل مع MLOps
حقيقة رئيسية #3كلا المخططين يستخدمان خط إعداد البيانات نفسه، ثم يُنشران في Bedrock

أوضحت AWS كيف يمكن الحصول على text-to-SQL لقواعد البيانات الداخلية دون تكاليف الاستضافة الدائمة المرتفعة للنموذج. فقد ضبطت الشركة Amazon Nova Micro لتتعامل مع لهجات SQL غير القياسية، ونشرتها عبر Amazon Bedrock مع الدفع مقابل الطلبات الفعلية فقط.

لماذا يهم ذلك

في سيناريوهات الشركات، كثيرًا ما لا يكفي النموذج العادي. فهو يكتب SQL القياسي بشكل جيد، لكنه يبدأ بارتكاب الأخطاء عندما تكون لدى الشركة أعراف خاصة بها، ودوال نادرة، وهياكل جداول مخصصة، وقواعد تخص مجال عملها. ولهذا يجب تكييف الاستعلام النصي للمستخدم مع اللهجة المحددة وبنية قاعدة البيانات، أي إعادة تدريب النموذج على أمثلة الشركة نفسها. ويظهر ذلك بوضوح في أنظمة ذكاء الأعمال (BI) وفي محادثات التحليل الداخلية، حيث يكسر أي خطأ في الصياغة السيناريو بأكمله.

وتكمن المشكلة في أن إعادة التدريب تجرّ عادةً وراءها نفقات دائمة على البنية التحتية. فإذا استضافت الشركة النموذج المخصص على خوادم مخصصة، فإنها تدفع حتى في غياب الطلبات. وتقترح AWS في تحليلها خيارًا مختلفًا: ضبط Amazon Nova Micro عبر LoRA وتشغيلها في Amazon Bedrock بنمط on-demand inference، حيث تُحتسب الفاتورة بعدد الرموز (tokens) وليس بحسب القدرات المحجوزة بشكل دائم.

نهجان من AWS

تصف AWS سيناريوهين للتعامل مع المهمة نفسها.

الأول هو الضبط المُدار داخل Amazon Bedrock. وهو مناسب للفرق التي تهمها البساطة وسرعة البدء وأقل قدر من التعامل مع بنية ML التحتية. تُرفع البيانات إلى S3، ويُطلق مهمة fine-tuning عبر وحدة التحكم أو واجهة API، ثم تتولى AWS إدارة التدريب والنشر اللاحق للنسخة المخصصة من Nova Micro. ويستهدف هذا الخيار فريقًا تطبيقيًا أكثر من منصة ML مستقلة.

المسار الثاني هو التدريب عبر Amazon SageMaker AI. وهو أكثر تعقيدًا، لكنه يمنح تحكمًا أكبر في وصفة التدريب: يمكن تغيير حجم الدفعة (batch) وdropout ومعاملات المُحسِّن ونافذة السياق وإعدادات LoRA واستراتيجية الإحماء لمعدل التعلم (learning rate). واستخدمت AWS في المثال مجموعة البيانات sql-create-context المبنية على WikiSQL وSpider، وحوّلت أزواج السؤال—SQL إلى صيغة bedrock-conversation-2024 لأغراض التدريب والتحقق. ويأتي ذلك مقابل تعقيد أكبر في الإعداد وعمل أكثر وضوحًا مع البنية التحتية.

فيما يلي الفروق بين الخيارين عمليًا:

  • Bedrock — عبء تشغيلي أقل وطريق أسرع إلى نموذج أولي عامل
  • SageMaker AI — تحكم أكبر في المعاملات الفائقة (hyperparameters) والتكامل مع MLOps
  • كلا المخططين يستخدمان خط إعداد البيانات نفسه، ثم يُنشران في Bedrock
  • الاستدلال النهائي يجري وفق نموذج دون خوادم (serverless) مع الدفع مقابل الرموز، ودون استضافة دائمة

السعر وزمن الاستجابة

تورد AWS أرقامًا محددة. ففي الضبط المُدار عبر Bedrock، تُحتسب تكلفة التدريب بمعدل 0.001 دولار لكل 1 000 رمز في الحقبة (epoch): وفي المثال الذي يضم 2 000 مثال وخمس حقب ونحو 800 رمز لكل سجل، بلغت التكلفة نحو 8 دولارات. أما في خيار SageMaker فاستُخدمت الآلة ml.g5.48xlarge بسعر 16.288 دولار في الساعة؛ واستغرق التدريب على مجموعة بيانات من 20 000 سطر نحو أربع ساعات وكلّف نحو 65.15 دولار.

والفكرة المحورية في المقال ليست تكلفة التدريب لمرة واحدة، بل تكلفة التشغيل. فقد قدّرت AWS حمل الإنتاج التقريبي بـ 22 000 طلب شهريًا، أي 100 مستخدم بمعدل 10 طلبات يوميًا على مدى 22 يوم عمل. ومع متوسط حجم للطلب يبلغ 800 رمز إدخال و60 رمز إخراج، بلغت تكلفة الاستدلال الشهرية لنموذج text-to-SQL المخصص هذا 0.80 دولار. ويعود ذلك إلى أن Nova Micro المخصصة في Bedrock تُسعَّر بالطريقة نفسها التي يُسعَّر بها النموذج الأساسي، دون علاوة منفصلة على النشر دون خوادم.

أما من ناحية السرعة، فثمة مقايضة لكنها معتدلة. ففي البدء البارد ارتفع متوسط الزمن حتى أول رمز إلى 639 مللي ثانية، أي أعلى بنسبة 34% من النموذج الأساسي. وفي التشغيل العادي بلغ متوسط TTFT نحو 380 مللي ثانية على 50 استدعاءً، أي أسوأ بنسبة 7% فقط من النموذج الأساسي. وبلغ الزمن الكلي للتوليد نحو 477 مللي ثانية، وثبتت سرعة الإخراج عند 183 رمزًا في الثانية. ولم تقيّم AWS الجودة بزمن الاستجابة وحده، بل عبر LLM-as-a-Judge أيضًا، إذ قارنت SQL المولَّد بالإجابات المرجعية.

ماذا يعني ذلك

بالنسبة إلى الفرق التي تريد دمج text-to-SQL في المنتجات التحليلية أو أدوات BI الداخلية أو واجهات المحادثة مع قواعد البيانات، تبدو حالة AWS عملية: يمكن الحصول على مولّد SQL مخصص دون نفقات دائمة على بنية تحتية مخصصة. وإذا كانت سرعة الإطلاق أهم، فمن المنطقي التوجه نحو Bedrock؛ أما إذا كانت الحاجة إلى تحكم كامل في التدريب، فيبدو الخيار المرتكز على SageMaker AI أقوى.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول لماذا يهم ذلك؟

في سيناريوهات الشركات، كثيرًا ما لا يكفي النموذج العادي. فهو يكتب SQL القياسي بشكل جيد، لكنه يبدأ بارتكاب الأخطاء عندما تكون لدى الشركة أعراف خاصة بها، ودوال نادرة، وهياكل جداول مخصصة، وقواعد تخص مجال عملها. ولهذا يجب تكييف الاستعلام النصي للمستخدم مع اللهجة المحددة وبنية قاعدة البيانات، أي إعادة تدريب النموذج على أمثلة الشركة نفسها. ويظهر ذلك بوضوح في أنظمة ذكاء الأعمال (BI) وفي محادثات التحليل الداخلية، حيث يكسر أي خطأ في الصياغة السيناريو بأكمله.

ما أبرز التفاصيل حول نهجان من AWS؟

تصف AWS سيناريوهين للتعامل مع المهمة نفسها. الأول هو الضبط المُدار داخل Amazon Bedrock. وهو مناسب للفرق التي تهمها البساطة وسرعة البدء وأقل قدر من التعامل مع بنية ML التحتية. تُرفع البيانات إلى S3، ويُطلق مهمة fine-tuning عبر وحدة التحكم أو واجهة API، ثم تتولى AWS إدارة التدريب والنشر اللاحق للنسخة المخصصة من Nova Micro. ويستهدف هذا الخيار فريقًا تطبيقيًا أكثر من منصة ML مستقلة. المسار الثاني هو التدريب عبر Amazon SageMaker AI.

ما أبرز التفاصيل حول السعر وزمن الاستجابة؟

تورد AWS أرقامًا محددة. ففي الضبط المُدار عبر Bedrock، تُحتسب تكلفة التدريب بمعدل 0.001 دولار لكل 1 000 رمز في الحقبة (epoch): وفي المثال الذي يضم 2 000 مثال وخمس حقب ونحو 800 رمز لكل سجل، بلغت التكلفة نحو 8 دولارات. أما في خيار SageMaker فاستُخدمت الآلة ml.g5.48xlarge بسعر 16.288 دولار في الساعة؛ واستغرق التدريب على مجموعة بيانات من 20 000 سطر نحو أربع ساعات وكلّف نحو 65.15 دولار. والفكرة المحورية في المقال ليست تكلفة التدريب لمرة واحدة، بل تكلفة التشغيل.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
ما رأيك؟
جارٍ تحميل التعليقات…