Exowatt schlägt Spitzenmodelle bei der Genauigkeit mit serverloser SageMaker-Modellanpassung
aws ·
Exowatt hat Amazon SageMaker AI für die serverlose Modellanpassung erfolgreich genutzt, um spezialisierte KI-Agenten für seine Solarinfrastruktur zu entwickeln und dabei sowohl die Genauigkeit als auch die Kosten im Vergleich zu State-of-the-Art-Modellen deutlich zu verbessern. Das Unternehmen entwickelte zwei unterschiedlich feinabgestimmte Modelle: eine Qwen3-1.7B-Variante für die Alarm-Triage am Edge und eine Qwen3-14B-Variante für die Analyse von Energiemärkten in der Cloud. Durch den Einsatz von serverlosem Training entfiel die manuelle Bereitstellung von GPUs, was Exowatt ermöglichte, schnell zu iterieren und produktionsreife Modelle innerhalb von Tagen statt Monate zu deployen. Das Edge-Modell arbeitet offline auf vorhandener CPU-Hardware und erzielt einen Macro-F1-Score von 0,911 ohne Verbindungs- oder Inferenzkosten. Das Cloud-Modell liefert einen Macro-F1 von 0,975 bei etwa 49-mal niedrigeren Kosten pro tausend Antworten im Vergleich zu führenden proprietären Modellen wie Claude Opus 4.7. Dieser Ansatz zeigt, dass kleinere, aufgaben spezifisch feinabgestimmte Modelle größere allgemeine Modelle übertreffen können, wenn sie mit hochwertigen, kuratierten Daten trainiert werden. Die daraus resultierende Pipeline bietet einen wiederholbaren Weg von rohen Betriebsdaten bis hin zu zertifizierten Deployment-Artefakten sowohl in ressourcenbeschränkten Edge-Umgebungen als auch in elastischen Cloud-Workloads.
aws