يعرف الجميع نقاط الألم في تكرار تدريب النماذج الكبيرة — البيانات عادة تبدأ من 10 تيرابايت، وكل تحديث يتطلب إعادة رفع البيانات من جديد، ومع تكرار العملية، فإن الوقت وتكاليف التخزين يصبحان عبئًا لا يُحتمل.

مؤخرًا، قام Walrus بتحسين هذا الأمر. التحسين الرئيسي هو وظيفة التحديث التدريجي على مستوى القطع — فقط رفع أجزاء البيانات المتغيرة، والباقي يظل كما هو. يبدو الأمر بسيطًا، لكنه يحقق نتائج واضحة. هناك حالة عملية، حيث تم تكرار مجموعة بيانات تدريب بحجم 10 تيرابايت، وبعد تطبيق هذه الحلول، انخفض الوقت من عدة ساعات إلى 15 دقيقة فقط. من ناحية التكاليف، انخفضت النفقات بشكل كبير، حيث يمكن توفير 70% من تكاليف التخزين.

بالنسبة للشركات الصغيرة والمتوسطة في مجال الذكاء الاصطناعي، فإن هذا الحل عملي جدًا. فهو يوفر الوقت ويقلل بشكل ملحوظ من تكاليف التشغيل، مما يسرع عملية تكرار البيانات ويخفف عبء التخزين. يبدو خيارًا جيدًا.