Exowatt uses Amazon SageMaker to customize AI models

Как сообщает издание AWS Machine Learning, компания Exowatt разрабатывает модульные солнечные системы, которые обеспечивают надежное энергоснабжение для энергоемких приложений, таких как центры обработки данных для ИИ. Их флагманский продукт, Exowatt P3, захватывает солнечную энергию с помощью оптических линз, хранит её в виде тепла в долговременной термальной батарее и выдает электричество по запросу через тепловой двигатель. В отличие от сетевых солнечных систем, P3 обеспечивает питание центров обработки данных напрямую, что позволяет им запускаться без ожидания подключения к сети, которое может занять несколько лет. Exowatt создает флот ИИ-агентов, которые контролируют и сортируют живые тревоги, а также поддерживают операционные решения для солнечных систем, часто на краю сети, с ограниченной или отсутствующей связью. По мере масштабирования флота от тестовых стендов к производству и тысячам развернутых полевых единиц, уровень интеллекта, управляющий этими системами, также должен масштабироваться. В этой статье показано, как Exowatt использовал безсерверную настройку моделей ИИ Amazon SageMaker для создания повторяемого ИИ-пайплайна. Пайплайн производит специализированные модели, настроенные для двух целевых развертываний: на краю сети и в облаке, достигая более высокой точности, чем пограничные модели, при стоимости до 49 раз ниже. Описанные здесь две модели являются первыми результатами этого пайплайна, а не конечной целью. Более долговечным результатом этого взаимодействия стал сам пайплайн: повторяемый путь от сырых операционных данных до сертифицированного набора данных для обучения, настроенной модели и оцененного артефакта развертывания. Теперь Exowatt может выполнять этот путь за дни, а не месяцы. Сортировка тревог и анализ энергетического рынка — это лишь два из многих узких, высокоценных задач, где применяется тот же подход. Система управления энергией Exowatt работает на растущем флоте операционных объектов. Каждый объект постоянно генерирует тревоги: аппаратный компонент работает вне спецификаций, потеря соединения, выход за пределы допустимого значения напряжения и подобные события. По мере масштабирования флота до тысяч полевых единиц человеческий оператор не может следить за каждым объектом в реальном времени. Exowatt нуждался в ИИ-агенте, который мог бы читать состояние тревоги на каждом объекте и принимать или рекомендовать правильные действия автономно и надежно. Пограничная модель не могла решить эту проблему по трем причинам: задача узкая и специализированная, сортировка тревог в EMS Exowatt зависит от их специфического оборудования, данных и логики работы; модель должна работать на краю, без GPU и часто без интернета; стоимость не масштабируется на уровне флота. Изначальный рабочий процесс настройки Exowatt зависел от выбора открытой модели, создания контейнера и разработки пользовательского рецепта обучения перед запуском любого эксперимента, что было серьезным препятствием для экспериментов с моделями. Кроме того, им приходилось решать, какие аппаратные требования GPU необходимы для настройки модели. По мере увеличения темпа экспериментов каждая попытка сначала требовала выбора конкретного типа экземпляра GPU, а затем ожидания, пока этот самовыбранный ресурс станет доступным. Когда выбранный тип экземпляра был недоступен, это могло задержать запуск или полностью заблокировать его. Им нужна была модель, достаточно компактная для работы на контроллере без GPU, но достаточно точная по сравнению с пограничной моделью для автономной работы. Настройка помогла закрыть этот разрыв: компактная, специализированная модель, которая может быть развернута как в облаке, так и на краю сети. Exowatt решила эти проблемы, приняв облачный, безсерверный подход к настройке моделей на Amazon SageMaker AI. Один и тот же обучающий пайплайн производит настроенные модели для двух целевых развертываний: на краю и в облаке. Exowatt реализовала этот подход на модели Qwen3-1.7B для первого случая использования — сортировки тревог на краю, а затем применила тот же подход к модели Qwen3-14B для второго случая использования — анализа энергетического рынка в облаке. Компания планирует повторно использовать это решение для создания меньших, специализированных моделей по всему флоту. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.