Exowatt bat les modèles de pointe en précision grâce à la personnalisation serverless de SageMaker
aws ·
Exowatt a réussi à utiliser la personnalisation de modèles sans serveur d'Amazon SageMaker AI pour créer des agents IA spécialisés dans son infrastructure d'énergie solaire, surpassant les modèles de pointe en précision tout en réduisant considérablement les coûts. L'entreprise a développé deux modèles distincts affinés : une variante Qwen3-1.7B pour le triage des alarmes au niveau périphérique et une variante Qwen3-14B pour l'analyse des marchés énergétiques dans le cloud. En tirant parti de l'entraînement sans serveur, Exowatt a éliminé le besoin de provisionnement manuel de GPU, lui permettant d'itérer rapidement et de déployer des modèles prêts pour la production en quelques jours plutôt qu'en plusieurs mois. Le modèle périphérique fonctionne hors ligne sur du matériel CPU existant, atteignant un score macro-F1 de 0,911 sans coût de connectivité ni d'inférence. Parallèlement, le modèle cloud offre un score macro-F1 de 0,975 à environ 49 fois moins cher par mille réponses comparé aux modèles propriétaires leaders tels que Claude Opus 4.7. Cette approche démontre que des modèles plus petits, affinés pour des tâches spécifiques, peuvent surpasser des modèles généraux plus grands lorsqu'ils sont entraînés sur des données de haute qualité et curatées. Le pipeline résultant fournit une voie reproductible allant des données opérationnelles brutes aux artefacts de déploiement certifiés, tant pour les environnements périphériques contraints que pour les charges de travail élastiques dans le cloud.
aws