التكنولوجيا / العالم

تحوّل Orca أسئلة اللغة الطبيعية إلى استعلامات أمن سحابي باستخدام Bedrock

تحوّل Discovery AI الأسئلة المكتوبة بلغة عادية إلى مرشحات Sonar. وتقول AWS إن النظام خفّض تكلفة الاستعلامات 90%، ورموز الإدخال 93%، وزمن الاستجابة 75% مقارنة بالتصميم الأولي.

لا يحدد المصدر تاريخ الحدث؛ الفترة المعروضة هي فترة مراجعة المصدر.

رسم توضيحي مفاهيمي للتكنولوجيا والمعالجات والمعلومات المترابطة.رسم توضيحي
رسم توضيحي رمزي

عملت Orca Security مع AWS على Discovery AI، وهي واجهة باللغة الطبيعية لرسم Sonar الأمني الذي يشمل أكثر من 900 نموذج لموارد السحابة والتطبيقات. تمرر الأداة سؤال المستخدم عبر مسار واعٍ بالمخطط لإنتاج استعلامات Sonar صالحة، ويتضمن ذلك اختيار المخططات ذات الصلة واسترجاع أمثلة والتحقق من المرشحات الناتجة.

تقول المدونة التقنية التي نشرتها AWS في 13 أكتوبر إن النموذج الأولي وضع المخطط كله في مطالبة واحدة كبيرة، واستخدم نحو مليوني رمز إدخال لكل حمل عمل واستغرق قرابة 60 ثانية للرد. أما النظام الإنتاجي فيعالج آلاف الاستعلامات يومياً بزمن يقارب 15 ثانية للرد. وتذكر AWS انخفاض استخدام الرموز 93% والتكلفة 90% والكمون 75% مقارنة بالنسخة الأولية؛ وهذه مقارنات داخلية أبلغت عنها Orca.

البيانات

التسلسل الزمني

نشر المقالة التقنية لـ AWS

شرحت AWS في 13 أكتوبر تحويل Discovery AI لدى Orca أسئلة الأمن باللغة الطبيعية إلى مرشحات Sonar.

  1. · حدث

    نشر المقالة التقنية لـ AWS

    شرحت AWS في 13 أكتوبر تحويل Discovery AI لدى Orca أسئلة الأمن باللغة الطبيعية إلى مرشحات Sonar.

المنهجية

التاريخ هو تاريخ النشر الوارد في المصدر الأولي لـ AWS؛ ولم يُستنتج موعد إطلاق أو تطبيق غير مذكور.

آخر تحديث:

تنزيلCSV ↓JSON ↓
التغطية المنظمة

الموضوعات والأماكن

اقتراحات الموضوعات

إصدار التصنيف: IPTC Media Topics 2026-Q2

واصل القراءة

التكنولوجيا

BigQuery يضيف حصصاً يومية للرموز إلى وظائف الذكاء الاصطناعي التوليدي

أتاحت Google Cloud حصصاً يومية للرموز لوظائف BigQuery التي تستدعي نماذج اللغة من SQL. وتشمل AI.GENERATE وAI.GENERATE_TEXT وAI.CLASSIFY وAI.IF ووظائف توليد أخرى. ويمكن للمسؤولين وضع حدود للمشروع ولكل مستخدم للسيطرة على استهلاك الاستعلامات التحليلية الكبيرة.

Google Cloud1 دقائق قراءة يتضمن بيانات
التكنولوجيا

AWS تعرض قياسات labsweep لبيئات تدريب الذكاء الاصطناعي المعزولة

نشرت AWS في 9 أكتوبر تقييماً تقنياً لتجارب التعلم المعزز داخل آلات Firecracker الافتراضية المصغرة. وأعلنت جمع أكثر من 100,000 عينة عبر أكثر من 500 تهيئة باستخدام أداة القياس labsweep. وفي أحمال الاختبار، ارتفع زمن الاستجابة في الطرف البطيء بشدة عند تجاوز آلة مصغرة واحدة لكل معالج افتراضي، بينما تغير الوسيط بدرجة أقل بكثير.

AWS Compute Blog1 دقائق قراءة يتضمن بيانات