labs@atheron:~/work/aton-ai$ cat aton-ai.md
ATON AI
Entrenado en tarjetas propias.
Sin GPU en la nube y sin API alojadas para las partes que importan. Entrenamos en nuestras propias tarjetas, reservamos los últimos meses, registramos cada lectura de ellos y solo conservamos un modelo cuando gana con datos que nunca ha visto. No publicamos ninguna cifra sobre los resultados de ninguno de ellos.
// qué hace
- Entrena árboles con gradient boosting en la GPU, con una red neuronal que solo se usa si los supera con los mismos datos reservados.
- Entrena de forma continua: un mercado cada vez, cada intervalo de un minuto a una semana.
- Reproduce reglas sobre el historial en la GPU, con las ejecuciones en cola desde el portal del equipo y los resultados devueltos a través de un relé.
- Etiqueta noticias con un modelo de pesos abiertos que se ejecuta en local: evento, dirección, urgencia y tema, sin ninguna API alojada.
- Revisa nuestro propio código con comprobaciones automáticas que vuelven a ejecutar cada pocas horas las pruebas, parte del conjunto de mutaciones y los análisis de secretos.
// cómo lo desarrollamos
- Los seis meses más recientes se reservan, y cada lectura de ellos queda registrada, así que un resultado no puede ajustarse a ellos sin que se note.
- Un regulador mantiene baja la carga de la tarjeta principal mientras alguien trabaja en el puesto, y nunca deja un trabajo suspendido.
- Los datos de entrenamiento se replican en un disco local y se copian a un almacenamiento rápido para cada ejecución, así que una ejecución nunca espera a la red.
- El trabajo pesado pasa por un único bloqueo para toda la máquina, así que dos trabajos nunca se disputan la misma tarjeta ni el mismo disco.
- El propio asistente del portal del equipo funciona con un modelo de vanguardia y no tiene herramientas, por diseño: lee, redacta y resume.
// su tamaño
- hardware
- Nuestras propias tarjetas: una para los modelos y otra para el modelo de lenguaje
- held out
- Los seis meses más recientes, con cada lectura registrada
- intervals
- De un minuto a una semana, mercado a mercado
- cloud GPUs
- Ninguna
// tecnologías
- Python
- XGBoost
- PyTorch
- CUDA
- Hugging Face transformers
- TypeScript
// en qué punto está
El entrenamiento está en pausa mientras se termina el trabajo en curso. No hay ningún modelo publicado, ninguno opera con dinero real, y no publicamos ninguna cifra sobre cómo se comporta ninguno. Las estrategias y los pesos son privados y lo siguen siendo.
// un desarrollo comparable
- Desarrollo
- ≈ 85.500 US$ a 131.000 US$, within 20 weeksCAD 121,700 to 186,100
- Alojamiento
- ≈ 520 US$ al mesCAD 740 al mes
- Funcionamiento de la IA
- ≈ 176 US$ al mesCAD 250 al mes
- Soporte
- ≈ 2500 US$ al mesCAD 3,565 al mes
- Hardware
- ≈ 47.800 US$ a 197.000 US$CAD 68,000 to 280,800
Los precios en su moneda son estimaciones con el tipo de cambio de hoy del Banco de Canadá. Toda la facturación se emite en CAD o USD.
el esfuerzo que lleva
- 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
- En total
- 979 to 1501 h
qué cubre este precio
Una plataforma de entrenamiento y evaluación como un solo desarrollo: el flujo de datos, el entrenamiento y el backtesting en GPU, el sistema de evaluación y el servicio local de modelos. El hardware de GPU tiene su precio junto a él, en una línea aparte.
Una estimación para un desarrollo como este, calculada con nuestra tarifa mientras lo lee. No es un presupuesto. La suya cambia con su alcance, y le hacemos uno de verdad después de una llamada.
Abrir esto en el estimador →// el resto
Los demás proyectos.
// empezar
¿Quiere uno desarrollado así?
El mismo equipo, las mismas pruebas, el mismo cuidado. Cuéntenos qué necesita, o calcule antes el precio usted mismo.