labs@atheron:~/work/aton-ai$ cat aton-ai.md

ATON AI

Auf eigenen Karten trainiert.

Keine Cloud-GPUs und keine gehostete API für die Teile, auf die es ankommt. Wir trainieren auf unseren eigenen Karten, halten die jüngsten Monate zurück, protokollieren jeden Zugriff darauf und behalten ein Modell nur, wenn es auf Daten gewinnt, die es nie gesehen hat. Wir veröffentlichen keine Zahl dazu, wie eines davon abschneidet.

Im Rechner öffnen Projekt starten

Unsere eigene EntwicklungTraining pipeline, backtester, local language model

// was es tut

Trainiert Gradient-Boosted Trees auf der GPU, mit einem neuronalen Netz, das nur genutzt wird, wenn es sie auf denselben zurückgehaltenen Daten schlägt.
Trainiert fortlaufend: ein Handelsplatz nach dem anderen, jedes Intervall von einer Minute bis zu einer Woche.
Spielt Regeln über die Historie auf der GPU nach, aus dem Team-Portal in die Warteschlange gestellt und über ein Relay zurückgeschrieben.
Kennzeichnet Nachrichten mit einem lokal laufenden Modell mit offenen Gewichten: Ereignis, Richtung, Dringlichkeit und Thema, ohne gehostete API.
Prüft unseren eigenen Code mit automatisierten Prüfungen, die alle paar Stunden die Tests, einen Teil der Mutationstests und Scans nach Geheimnissen erneut ausführen.

// wie wir es gebaut haben

Die jüngsten sechs Monate werden zurückgehalten, und jeder Zugriff darauf wird protokolliert, sodass ein Ergebnis nicht still an sie angepasst werden kann.
Ein Regler hält die Last der Hauptkarte niedrig, während jemand am Arbeitsplatz arbeitet, und lässt nie einen Auftrag angehalten liegen.
Trainingsdaten werden auf ein lokales Laufwerk gespiegelt und für einen Lauf auf schnellen Speicher kopiert, sodass ein Lauf nie auf ein Netz wartet.
Schwere Arbeit läuft über eine rechnerweite Sperre, sodass zwei Aufträge nie um dieselbe Karte oder dieselbe Platte konkurrieren.
Der eigene Assistent des Team-Portals läuft auf einem Spitzenmodell und hat bewusst keine Werkzeuge: Er liest, entwirft und fasst zusammen.

// wie groß es ist

hardware: Unsere eigenen Karten: eine für die Modelle, eine für das Sprachmodell
held out: Die jüngsten sechs Monate, mit jedem Zugriff protokolliert
intervals: Eine Minute bis eine Woche, Handelsplatz für Handelsplatz
cloud GPUs: Keine

// tech-stack

Python
XGBoost
PyTorch
CUDA
Hugging Face Transformers
TypeScript

// wo es steht

Das Training ruht, bis die laufende Bauphase abgeschlossen ist. Kein Modell ist veröffentlicht, keines handelt mit echtem Geld, und wir veröffentlichen keine Zahl dazu, wie sich eines davon verhält. Die Strategien und Gewichte sind privat und bleiben es.

// eine vergleichbare Entwicklung

Entwicklung: ≈ 85.500 USD bis 131.000 USD, within 20 weeksCAD 121,700 to 186,100
Hosting: ≈ 520 USD im MonatCAD 740 im Monat
Betrieb der KI: ≈ 176 USD im MonatCAD 250 im Monat
Support: ≈ 2.500 USD im MonatCAD 3,565 im Monat
Hardware: ≈ 47.800 USD bis 197.000 USDCAD 68,000 to 280,800

Preise in Ihrer Währung sind Schätzungen zum heutigen Kurs der Bank of Canada. Alle Rechnungen werden in CAD oder USD gestellt.

der Aufwand darin

Développement: 405 to 620 h
Ingénieur en apprentissage automatique: 171 to 262 h
Ingénieur DevOps: 86 to 132 h
Ingénieur principal: 79 to 121 h
Ingénieur assurance qualité: 58 to 88 h
Insgesamt: 979 to 1501 h

was dieser Preis abdeckt

Eine Trainings- und Bewertungsplattform als eine Entwicklung: die Datenpipeline, das GPU-Training und Backtesting, die Bewertungsumgebung und der lokale Modellbetrieb. Die GPU-Hardware wird mitberechnet und in einer eigenen Zeile gezeigt.

Eine Schätzung für eine Entwicklung wie diese, nach unserer Preisliste berechnet, während Sie lesen. Sie ist kein Angebot. Ihre ändert sich mit Ihrem Umfang, und ein echtes Angebot schreiben wir nach einem Gespräch.

Im Rechner öffnen →

// der rest