CData تخفض تكلفة استخدام Claude بنسبة تصل إلى 97.6%
أظهرت نتائج اختبار جديد من شركة CData أن تحسين طريقة تعامل وكلاء الذكاء الاصطناعي مع بيانات الشركات يمكن أن يقلل استهلاك الرموز بنسبة تصل إلى 97.6%، دون التأثير في جودة الإجابات.
تفاصيل الخبر
كشفت شركة CData عن نتائج اختبار يوضح كيف يمكن للهندسة المعمارية التي تربط نماذج الذكاء الاصطناعي ببيانات الشركات أن تؤثر بشكل كبير في تكلفة تشغيلها. وركز الاختبار على استخدام CData Connect AI مع نموذج Claude Sonnet 4.6 لتنفيذ استعلام يجمع بيانات من Salesforce وSnowflake وServiceNow.
وأظهرت النتائج أن الاستعلام نفسه استهلك 183,541 رمزًا في المسار التقليدي، بتكلفة تقدر بنحو 0.596 دولار لكل استعلام. وعند استخدام أدوات التحسين المناسبة، انخفض الاستهلاك إلى 4,427 رمزًا فقط، لتصل التكلفة إلى نحو 0.027 دولار، أي انخفاض بنسبة 97.6%.
ومن أبرز النتائج:
- استخدام Custom Tools حقق أعلى خفض في استهلاك الرموز بنسبة 97.6%.
- انخفض استهلاك الرموز مع Jobs وCaching بنسبة 89.2%.
- حققت Toolkits انخفاضًا بلغ 91.1%.
- ساهمت Derived Views في تقليل الاستهلاك بنسبة 77.7% من خلال تجهيز البيانات ودمجها مسبقًا.
- أدى استخدام مجموعة من الأدوات معًا إلى خفض الاستهلاك بنسبة 93.6%.
- انخفضت تكلفة الاستعلام من 0.596 دولار إلى 0.027 دولار في أفضل سيناريو تم اختباره.
ويرجع هذا الانخفاض إلى تقليل كمية المعلومات التي يحتاج Claude إلى اكتشافها في كل مرة. فبدلًا من استعراض عدد كبير من الأدوات والجداول والأعمدة، يمكن تحديد البيانات المطلوبة مسبقًا، وتجهيز عمليات الدمج والتخزين المؤقت، ثم إرسال المعلومات الأكثر ارتباطًا بالمهمة إلى النموذج.
الأهداف المستقبلية
توضح نتائج اختبار CData أن مستقبل استخدام الذكاء الاصطناعي في الشركات لا يعتمد فقط على اختيار نموذج أكثر كفاءة، بل يعتمد أيضًا على طريقة بناء البنية التحتية المحيطة بالنموذج.
ويمكن أن تساهم هذه التقنيات مستقبلًا في:
- تقليل تكلفة تشغيل وكلاء الذكاء الاصطناعي على نطاق واسع.
- تحسين سرعة وصول النماذج إلى بيانات الشركات.
- تقليل عمليات البحث غير الضرورية داخل قواعد البيانات.
- تخصيص الأدوات والبيانات بحسب كل قسم أو مهمة.
- جعل تكاليف استخدام الذكاء الاصطناعي أكثر قابلية للتوقع مع زيادة عدد الاستعلامات.
- مساعدة الشركات على تشغيل مهام متكررة باستخدام عدد أقل من الرموز.
وتشير النتائج أيضًا إلى أهمية اختيار مستوى الأتمتة المناسب لكل مهمة. ففي المهام الاستكشافية التي تتطلب مرونة كبيرة، قد يكون من المفيد السماح للنموذج باكتشاف البيانات بنفسه. أما المهام المتكررة والمحددة، فيمكن تحسينها من خلال الأدوات المخصصة والتخزين المؤقت وتجهيز البيانات مسبقًا.
توضح تجربة CData أن تقليل تكلفة الذكاء الاصطناعي لا يرتبط دائمًا باستخدام نموذج أرخص، بل قد يبدأ من طريقة إدارة البيانات والأدوات التي يتعامل معها النموذج. ومع توسع استخدام Claude ووكلاء الذكاء الاصطناعي داخل الشركات، يمكن أن تصبح هندسة البيانات عاملًا أساسيًا في خفض التكاليف وتحسين الأداء.
