AWS wprowadził nowy zestaw narzędzi ułatwiających trenowanie i wdrażanie dużych modeli fundamentalnych (foundation models) na swojej platformie. Nowe komponenty są zatem skierowane do zespołów AI, które chcą eksperymentować z zaawansowanymi modelami bez konieczności inwestowania w drogą infrastrukturę obliczeniową. Tym bardziej że budowa własnych zasobów od zera wiąże się ze znaczącymi nakładami finansowymi i operacyjnymi, a AWS pozycjonuje swoje rozwiązanie jako gotową alternatywę dostępną dla organizacji każdej wielkości.
Propozycja giganta z Seattle obejmuje optymalizacje nastawione przede wszystkim na poprawę efektywności obliczeń, lepsze zarządzanie alokacją zasobów GPU i CPU, a także mechanizmy zmniejszające całkowite koszty operacyjne. W praktyce oznacza to skrócone czasy trenowania modeli oraz niższe rachunki za zużycie mocy obliczeniowej - czyli bolączki, które dotychczas trzymały wiele mniejszych firm z daleka od głębszych inwestycji w large language models czy inne zaawansowane modele. Takie podejście pasuje też do szerszej strategii AWS, która polega na demokratyzacji dostępu do zasobów AI dla startupów i przedsiębiorstw ze sektora publicznego.
Decyzja AWS wpisuje się w rosnącą konkurencję między dostawcami usług chmurowych o rynek AI. Google Cloud i Microsoft Azure już oferują podobne narzędzia, a AWS musi dorównywać, by nie stracić klientów. Jednocześnie dla polskich firm zajmujących się machine learningiem czy data science to sygnał, że technologia do trenowania zaawansowanych modeli staje się coraz bardziej przystępna - wymaga już raczej umiejętności architektonicznych niż heroicznych inwestycji kapitałowych.