متى يكون الاستثمار في الذكاء الاصطناعي المحلي (On-Premise) مجدياً في الإمارات والسعودية: حساب نقطة التعادل
إذا كان لديك أقل من 4,000 إلى 8,000 استعلام RAG مكثف يومياً، فإن واجهات برمجة التطبيقات السحابية (Cloud APIs) أرخص من وحدات معالجة الرسومات (GPUs) المحلية. إليك المعادلة، وافتراضات سعة GPU التي تقف خلفها، وحالات الامتثال التي يتوقف فيها التكلفة عن أن تكون العامل الحاسم.
عند أحجام العمل المنخفضة، تكون واجهات برمجة التطبيقات (Cloud API) أرخص من امتلاك وحدات معالجة الرسومات (GPUs) الخاصة بك. وغالباً ما تكون أرخص بكثير.
يبدأ الخيار المحلي (On-premise) في التفوق من حيث التكلفة بمجرد أن يبقي حجم عملك وحدة معالجة الرسومات مشغولة. قبل تلك النقطة، هناك سبب وجيه واحد فقط للتوجه نحو الخيار المحلي: بياناتك لا يمكنها مغادرة البلاد قانونياً أو تعاقدياً. هذان قراران منفصلان. الخلط بينهما هو ما يجعل الشركات تنتهي بدفع أموال مقابل أجهزة خاملة، أو إرسال بيانات خاضعة للتنظيم إلى الخارج لتوفير المال.
السؤال الأول: هل هذا قرار امتثال أم قرار تكلفة؟
ابدأ بالقانون. إذا كان القانون يحسم الأمر نيابة عنك، فإن حسابات التكلفة تخبرك فقط بكيفية تحديد حجم النظام.
المملكة العربية السعودية. يسمح نظام حماية البيانات الشخصية (PDPL) بخروج البيانات الشخصية من المملكة فقط وفقاً للشروط المحددة في لوائح النقل الخاصة به. بموجب المادة 36 من نص PDPL الصادر عن سدايا (SDAIA)، تصل غرامات المخالفات إلى 5 ملايين ريال سعودي. تكرار المخالفات يمكن أن يضاعف هذا الرقم. لمعرفة التسلسل السعودي الكامل، استخدم قائمة التحقق من PDPL لنشر الذكاء الاصطناعي. قواعد القطاعات تأتي فوق ذلك. البنك المركزي السعودي (SAMA) يحكم المؤسسات المالية. ضوابط الحوسبة السحابية للهيئة الوطنية للأمن السيبراني تغطي بيانات الحكومة والقطاعات الحساسة. يتطلب الامتثال المرور عبر هذه الالتزامات واحدة تلو الأخرى.
الإمارات العربية المتحدة. يتحكم قانون حماية البيانات الاتحادي (المرسوم بقانون اتحادي رقم 45 لسنة 2021) في عمليات النقل عبر الحدود. لا ينطبق هذا القانون داخل مركز دبي المالي العالمي (DIFC) وسوق أبوظبي العالمي (ADGM)، حيث يمتلك كل منهما أنظمته الخاصة. تندرج البيانات الصحية تحت قانون اتحادي منفصل، القانون الاتحادي رقم 2 لسنة 2019 بشأن استخدام تقنية المعلومات والاتصالات في المجالات الصحية، ويقيد هذا القانون تخزين ومعالجة البيانات الصحية خارج الدولة. لا تقرأ أرقام الغرامات السعودية في القانون الإماراتي، أو العكس. الإطاران مختلفان.
هناك تمييزان مهمان عند التحدث مع فريق الأمان لديك:
- ▸إقامة البيانات (Residency) مقابل السيادة (Sovereignty). الإقامة تعني أن البيانات موجودة على خوادم داخل الدولة. السيادة تعني أنها تقع تحت السيطرة القانونية الحصرية لتلك الدولة. يمكن لمزود مقره الولايات المتحدة يدير منطقة في الإمارات أن يلبي شرط الإقامة. ولكنه قد يظل يتلقى طلبات قانونية بموجب قانون CLOUD الأمريكي.
- ▸"فئة المؤسسات (Enterprise tier)" ليست مطابقة لمفهوم "داخل الدولة". قد يعد عقد API للمؤسسات بعدم التدريب على بياناتك. لكن المعالجة أو التسجيل (logging) يمكن أن يحدث في منطقة أخرى. اطلب تحديد موقع المعالجة كتابياً.
إذا كانت بياناتك عبارة عن بيانات صحية أو مالية أو حكومية خاضعة للتنظيم، فلديك قرار امتثال. تخطى هذا الجزء وانتقل إلى تحديد الحجم (sizing). إذا كانت مستندات داخلية لا تخضع لقاعدة إقامة البيانات، فلديك قرار تكلفة. أكمل القراءة.
معادلة التكلفة
تكلفة Cloud API تزداد مع كل استعلام. التكلفة المحلية ثابتة في الغالب حتى تنفد سعة GPU لديك. لذا فإن نقطة التعادل هي ببساطة النقطة التي يتقاطع فيها الخطان.
تكلفة API لكل استعلام = (عدد الـ tokens المدخلة × سعر الإدخال + عدد الـ tokens المخرجة × سعر الإخراج) ÷ 1,000,000
تكلفة API الشهرية = الاستعلامات يومياً × 30 × تكلفة API لكل استعلام
استعلامات نقطة التعادل يومياً = التكلفة المحلية الشهرية ÷ (30 × تكلفة API لكل استعلام)
بالنسبة لنظام RAG، يهيمن جانب الإدخال (انظر لماذا سياق الاسترجاع (retrieval context)، وليس السؤال، هو ما يحدد تكلفة API). كل سؤال يسحب عدة صفحات من المستندات المسترجعة قبل أن يكتب النموذج كلمة واحدة. ولهذا السبب تبدو اقتصاديات RAG مختلفة تماماً عن اقتصاديات روبوتات الدردشة.
لنأخذ استعلام RAG مكثف كمثال توضيحي: 6,000 token إدخال من السياق المسترجع و 500 token إخراج للإجابة. لنأخذ أسعاراً توضيحية تبلغ $2.50 لكل مليون token إدخال و $10 لكل مليون token إخراج، وهو نفس مستوى السعر الرسمي الحالي لعائلة GPT. تكلفة الاستعلام الواحد حينها تبلغ حوالي $0.02.
الآن خذ التكلفة الإجمالية التوضيحية لعقدة H100 مخصصة واحدة في مركز بيانات في الإمارات أو السعودية: $2,500 إلى $5,000 شهرياً. يغطي هذا الرقم إيجار الخادم، والاستضافة، والمراقبة، وجزءاً من وقت شخص ما لإدارته. احصل على عروض أسعار حقيقية. تختلف الأسعار بشكل كبير حسب المزود ومدة العقد.
نقطة التعادل = $2,500 إلى $5,000 ÷ (30 × $0.02) = حوالي 4,200 إلى 8,300 استعلام يومياً.
إذا كان لديك أقل من 4,000 إلى 8,000 استعلام RAG مكثف يومياً، فإن واجهات برمجة التطبيقات السحابية (Cloud APIs) تكون أرخص. انتقل إلى الخيار المحلي (On-premise) تحت هذا الحجم فقط إذا كانت اللوائح أو العقود تتطلب ذلك. حينها، تعامل مع التكلفة الإضافية كضريبة للامتثال، وليس كمشروع عائد استثمار (ROI).
ثلاثة أشياء تؤثر على هذا الرقم، ويجب عليك التحقق من كل منها:
- ▸فئة API التي تحتاجها فعلياً. تختلف الأسعار لكل token بعشرة أضعاف أو أكثر بين النماذج الرائدة (frontier models) والنماذج الصغيرة والسريعة. إذا كان هناك نموذج صغير يمكنه التعامل مع مهمتك، فإن نقطة تعادل API سترتفع إلى ما هو أبعد من 8,000.
- ▸تسعير المدخلات المخزنة مؤقتاً (Cached input). يقدم العديد من المزودين خصومات على بادئات الموجّه (prompt prefixes) المتكررة. تحصل الخوادم المحلية على نفس الفائدة من خلال التخزين المؤقت للبادئة (prefix caching). كلاهما يقلل من تكلفة الإدخال، لذا لا يغير أي منهما المقارنة كثيراً.
- ▸التكرار (Redundancy). عقدة GPU واحدة تمثل نقطة فشل مفردة (single point of failure). إذا كان يجب أن يظل النظام قيد التشغيل ولم يكن مسموحاً بالرجوع إلى API كخيار احتياطي، فستحتاج إلى عقدة ثانية. هذا يضاعف التكلفة الثابتة ونقطة التعادل.
افتراضات سعة GPU
رقم نقطة التعادل مفيد فقط إذا كنت تعرف عدد الاستعلامات التي يمكن لوحدة GPU واحدة أن تخدمها فعلياً. هذا هو الجزء الذي تتجاهله معظم المنشورات المتعلقة بالتكلفة.
يستهلك الاستعلام وقت الـ GPU في مرحلتين. النموذج يقرأ أولاً المدخلات، وهو ما يسمى prefill. ثم يكتب الإجابة token تلو الآخر، وهو ما يسمى decode. خوادم الاستنتاج الحديثة مثل vLLM تقوم بتجميع (batch) العديد من المستخدمين معاً، لذلك يتم قياس معدل الإنتاجية عبر جميع الطلبات المتزامنة.
يقدم الجدول أدناه نطاقات للتخطيط، وليس معايير أداء (benchmarks)، لنموذج مفتوح الأوزان من فئة 32B مثل أحد نماذج عائلة Qwen. يعتمد معدل الإنتاجية الفعلي على التكميم (quantization)، وطول السياق، والتزامن، وضبط الخادم. قم بالقياس باستخدام موجّهاتك الخاصة قبل توقيع عقد الإيجار.
| الافتراض | 1× H100 80GB, 32B model at FP8 | 1× L40S 48GB, 32B model at 4-bit |
|---|---|---|
| عرض النطاق الترددي للذاكرة (مواصفات المورد) | 3.35 TB/s (SXM) | 864 GB/s |
| معدل الإنتاجية للـ Prefill، الإجمالي | 8,000 إلى 12,000 tokens/sec | 2,500 إلى 4,000 tokens/sec |
| معدل الإنتاجية للـ Decode، الإجمالي | 1,500 إلى 2,500 tokens/sec | 400 إلى 800 tokens/sec |
| ثواني GPU لكل استعلام (6,000 إدخال / 500 إخراج، متوسطات) | حوالي 0.85 | حوالي 2.8 |
| السعة اليومية (المعادلة أدناه) | حوالي 12,700 استعلام | حوالي 3,900 استعلام |
أرقام عرض النطاق الترددي مأخوذة من صفحات NVIDIA الخاصة بـ H100 و L40S وورقة بيانات H100 SXM. يعتبر L40S أبطأ في الغالب بسبب عرض النطاق الترددي للذاكرة. كتابة كل token تعني قراءة أوزان النموذج من الذاكرة، لذا فإن عرض النطاق الترددي يحدد السرعة. كما يترك L40S مساحة أقل للذاكرة العاملة التي تحتاجها كل محادثة بمجرد تحميل الأوزان.
السعة اليومية = (3,600 × الاستخدام المستهدف × ساعات الذروة) ÷ (ثواني GPU لكل استعلام × عامل الذروة)
يستخدم الجدول نسبة استخدام مستهدفة تبلغ 60%، و 10 ساعات ذروة، وعامل ذروة يبلغ 2. يعني عامل الذروة أن أكثر ساعاتك ازدحاماً تحمل ضعف متوسط الحمل. لا تخطط أبداً لاستخدام بنسبة 100%: تنهار أوقات الاستجابة قبل وقت طويل من وصول GPU إلى حدها الأقصى.
مثال عملي: نقطة التعادل حسب الحجم
يستخدم هذا نفس ملف تعريف الاستعلام ($0.02 لكل استعلام على API)، وعقد H100 بتكلفة $2,500 إلى $5,000 شهرياً لكل منها، وحوالي 12,700 استعلام لكل عقدة يومياً. يضيف عمود "N+1" عقدة احتياطية واحدة.
| الاستعلامات يومياً | تكلفة API شهرياً | العقد المطلوبة للسعة | التكلفة المحلية، مجموعة واحدة | التكلفة المحلية مع احتياطي N+1 | النتيجة |
|---|---|---|---|---|---|
| 3,000 | $1,800 | 1 | $2,500 إلى $5,000 | $5,000 إلى $10,000 | API أرخص |
| 10,000 | $6,000 | 1 | $2,500 إلى $5,000 | $5,000 إلى $10,000 | الخيار المحلي يتفوق بدون احتياطي؛ متقاربان معه |
| 20,000 | $12,000 | 2 | $5,000 إلى $10,000 | $7,500 إلى $15,000 | الخيار المحلي يتفوق غالباً |
| 40,000 | $24,000 | 4 | $10,000 إلى $20,000 | $12,500 إلى $25,000 | الخيار المحلي يتفوق |
انظر إلى صف الـ 10,000. مع عقدة واحدة، الخيار المحلي يوفر المال. أضف العقدة الاحتياطية التي يحتاجها نظام الإنتاج، وستختفي المدخرات في الغالب. هذا السطر الواحد في مستند التصميم الخاص بك يمكن أن يحسم دراسة الجدوى بأكملها.
يستمر هذا النمط مع نمو الحجم. ترتفع تكلفة API في خط مستقيم. ترتفع التكلفة المحلية في خطوات، عقدة واحدة في كل مرة. تتسع الفجوة مع التوسع، ولكن فقط بمجرد تجاوزك للعقدة الأولى بكثير.
ما يتجاهله جدول البيانات عادةً
على جانب API:
- ▸نمو السياق. يميل الاسترجاع إلى النمو بينما تسعى الفرق وراء الدقة. الانتقال من صفحتين مسترجعتين إلى عشر صفحات يرفع تكلفة API بخمسة أضعاف تقريباً لنفس الأسئلة. محلياً، يستهلك هذا السعة بدلاً من ذلك، لذا تصل إلى العقدة التالية بشكل أسرع.
- ▸حدود المعدل (Rate limits). يضع المزودون حداً أقصى للـ tokens في الدقيقة حسب فئة الحساب. تصطدم وظائف المعالجة المجمعة (batch jobs) الكبيرة طوال الليل بهذه الحدود. على الأجهزة المحلية، حدك هو السعة التي اشتريتها.
- ▸الترحيل الإجباري. يحيل المزودون إصدارات النماذج للتقاعد. الموجّهات التي تم ضبطها لإصدار معين قد تسوء مع بديله، ويجب على شخص ما إعادة اختبارها.
على الجانب المحلي:
- ▸النظام لا يزال يتغير. امتلاك الأوزان يعني أن النموذج لن يتغير فجأة. لكن النظام المحيط به سيتغير. يتم تحديث المستندات، وإعادة بناء فهرس البحث، وترقية خادم الاستنتاج، ويبدأ المستخدمون في طرح أنواع جديدة من الأسئلة. لا تزال بحاجة إلى تقييم مستمر. الأوزان الثابتة لا تمنحك سلوكاً ثابتاً.
- ▸وقت العمليات. هناك شخص يقوم بتحديث برامج التشغيل، ومراقبة ذاكرة GPU، والتعامل مع أعطال الساعة 2 صباحاً. إذا لم يكن هذا الشخص ضمن بند التكلفة الثابتة لديك، فإن رقم نقطة التعادل الخاص بك خاطئ.
- ▸ساعات الخمول. العقدة التي تم تحديد حجمها لذروة الساعة 10 صباحاً تظل خاملة في الغالب في الليل. العمل المجمع طوال الليل مثل معالجة المستندات أو إعادة الفهرسة يستفيد من السعة التي دفعت ثمنها بالفعل.
- ▸الموقع المشترك (Co-location). نقل النموذج إلى داخل الدولة لا يفيد بشيء إذا بقيت قاعدة بيانات المتجهات والسجلات في سحابة أجنبية. كل ما يمس البيانات يجب أن ينتقل، بما في ذلك قاعدة بيانات المتجهات.
أحجام العمل العربية: قس أعداد الـ tokens، لا تفترضها
كانت أدوات الـ tokenizers القديمة المصممة للإنجليزية أولاً تقسم اللغة العربية إلى عدد أكبر بكثير من الـ tokens مقارنة بالإنجليزية. جعل ذلك اللغة العربية أكثر تكلفة بشكل ملحوظ على واجهات برمجة التطبيقات (APIs) التي تحاسب لكل token. أدوات الـ tokenizers الحالية من عائلات النماذج الكبرى قلصت الفجوة كثيراً. مقدار ذلك يعتمد على النموذج وعلى نصك.
لذلك لا تخطط بناءً على "ضريبة عربية" ثابتة. قم بتمرير عينة من مستنداتك الحقيقية عبر الـ tokenizer الخاص بكل نموذج تفكر فيه. ضع أعداد الـ tokens الفعلية في المعادلة أعلاه. يستغرق الأمر فترة ما بعد الظهيرة ويستبدل التخمين برقم دقيق.
من حيث الجودة، تتعامل العائلات ثنائية اللغة مفتوحة الأوزان مثل Qwen و Jais الآن مع المهام العربية المحددة بشكل جيد: الاستخراج، والتصنيف، والإجابات المستندة إلى المستندات المسترجعة. ما إذا كان أحدها يلبي معيار الدقة الخاص بك هو سؤال لمجموعة الاختبار الخاصة بك، وليس للوحة الصدارة (leaderboard). يجب عليك اختبار اللهجات واسترجاع البحث بشكل مستقل.
بناء النظام المحلي بشكل صحيح
الأساسيات معروفة جيداً.
- ▸خادم استنتاج مناسب. vLLM، أو SGLang، أو TensorRT-LLM، مضبوطة لأطوال السياق والتزامن الخاص بك. نصوص التقديم (serving scripts) البسيطة تهدر معظم الـ GPU. انظر أدوات حزمة التقديم بالترتيب.
- ▸بوابة (gateway) أمام النموذج. طبقة مثل LiteLLM تمنح تطبيقاتك واجهة واحدة مستقرة. يمكنك تبديل أو ترقية النموذج دون المساس بكود التطبيق.
- ▸اختبار الحمل قبل الإطلاق. اختبر عند ذروة التزامن بأطوال مستندات حقيقية، وليس استعلامات فردية في عرض توضيحي (demo).
- ▸مجموعة تقييم تعمل مع كل تغيير. إنها تكتشف التراجعات (regressions) عندما تتغير المستندات أو الفهارس أو أوزان النموذج.
الأسئلة الشائعة
هل يعني الخيار المحلي (On-premise) أنه يتعين علينا شراء وتشغيل خوادم في مبنانا الخاص؟ لا. في الخليج، غالباً ما يعني "الخيار المحلي" خوادم GPU مخصصة في مركز بيانات محلي معتمد، مثل تلك التي تديرها e&، أو Moro Hub، أو center3. تبقى البيانات في الدولة، وتتجنب شراء الأجهزة بالكامل. تأكد من شهادات المنشأة مقابل القواعد الخاصة بقطاعك.
ما هو الحد الأدنى للحجم الذي يبرر النشر المحلي بناءً على التكلفة وحدها؟ بالنسبة لاستعلامات RAG المكثفة، حوالي 4,000 إلى 8,000 يومياً لعقدة واحدة. إذا كنت بحاجة إلى عقدة احتياطية، فضاعف ذلك. أقل من هذا النطاق، اختر الخيار المحلي لأسباب الامتثال فقط. يعتمد رقمك الحقيقي على أعداد الـ tokens الخاصة بك، وفئة API الخاصة بك، وعروض أسعار الاستضافة الخاصة بك، لذا قم بإدخالها في المعادلة أعلاه.
إذا كنا نمتلك أوزان النموذج، فهل سيتصرف النظام بنفس الطريقة إلى الأبد؟ لن تتغير الأوزان ما لم تقم بتغييرها. لكن النظام سيظل ينحرف (drift). تتغير المستندات والفهارس وإصدارات الخادم وأسئلة المستخدمين بمرور الوقت. خطط لمجموعة تقييم دائمة وخطوة مراجعة لكل تحديث للنموذج أو الفهرس.
الخطوة التالية هي أرقامك الخاصة. خذ شهراً واحداً من سجلات الاستعلام، وقس أعداد الـ tokens الحقيقية، واحصل على عرضي أسعار للاستضافة. ثم قم بتشغيل المعادلة مع وبدون عقدة احتياطية. إذا كنت تريد رأياً آخر حول تحديد الحجم، فإن تدقيق الذكاء الاصطناعي (AI Audit) لدينا بتكلفة ثابتة تبلغ $2,500. يمكنك أيضاً حجز مكالمة معمارية مجانية لمدة 30 دقيقة.
→ الامتثال لنظام حماية البيانات الشخصية (PDPL) في أنظمة الذكاء الاصطناعي: القائمة المرجعية السعودية والإماراتية قبل الإطلاق → لماذا يعتبر نموذج LLM المحلي لديك بطيئاً: أدوات تحسين حزمة التقديم بالترتيب → Microsoft 365 Copilot مقابل Custom Enterprise RAG: ما هي وظيفة كل منهما، والتكلفة، ومكان حفظ البيانات