عمليات التعلم الآلي (MLOps)

المبادئ الأساسية لعمليات التشغيل الآلي

تعتمد MLOps على عدة مبادئ رئيسية مصممة لإدارة التعقيدات الفريدة لأنظمة تعلّم الآلة:

• الأتمتة: أتمتة المهام المتكررة مثل إعداد البيانات وتدريب النماذج والتحقق من صحتها ونشرها باستخدام خطوط أنابيب التكامل المستمر/النشر المستمر (CI/CD) التي تم تكييفها لتعلم الآلة.
• التعاون: تعزيز التواصل والتعاون بين فرق علوم البيانات وهندسة البرمجيات وفرق العمليات طوال دورة حياة تعلّم الآلة.
• الإصدار: تنفيذ التحكم في الإصدار للبيانات والرمز والنماذج لضمان إمكانية التكرار والتتبع. غالبًا ما تستخدم أدوات مثل DVC جنبًا إلى جنب مع Git.
• مراقبة النموذج: التتبع المستمر لأداء النموذج وجودة البيانات والصحة التشغيلية في الإنتاج للكشف عن مشكلات مثل انحراف البيانات أو تدهور الأداء.
• الحوكمة والامتثال: ضمان تلبية النماذج للمتطلبات التنظيمية، والمبادئ التوجيهية الأخلاقية(أخلاقيات الذكاء الاصطناعي)، والسياسات التنظيمية المتعلقة بخصوصية البيانات وأمنها.

دورة حياة برنامج MLOps

تشمل دورة حياة MLOps دورة حياة نموذج تعلّم الآلة بالكامل:

1. إدارة البيانات: إدخال مجموعات البيانات والتحقق من صحتها وتنظيفها(تنظيف البيانات) وإصدارها( يمكن العثور على أدلةتصنيف البيانات وإعدادها في مستنداتUltralytics ).
2. تطوير النماذج: تجربة خوارزميات مختلفة وهندسة الميزات والبنى المختلفة، وغالبًا ما تستخدم أطر عمل مثل PyTorch أو TensorFlow.
3. تدريب النماذج: تدريب النماذج على نطاق واسع، وربما باستخدام التدريب الموزع وإدارة التجارب باستخدام أدوات مثل Weights & Biases أو MLflow. وغالباً ما يكون ضبط المعلمة الفائقة مؤتمتاً.
4. التحقق من صحة النموذج: تقييم أداء النموذج باستخدام مقاييس مثل الدقة أو mAP على بيانات التحقق من الصحة.
5. نشر النماذج: التعبئة والتغليف( التعبئةفي حاويات باستخدام Docker) ونشر النماذج في بيئات الإنتاج، ربما باستخدام منصات التنسيق مثل Kubernetes.
6. مراقبة النماذج وإعادة التدريب: تتبع الأداء المباشر، واكتشاف الانجراف أو الاضمحلال، وتشغيل خطوط أنابيب إعادة التدريب عند الضرورة. تلعب إمكانية المراقبة دورًا رئيسيًا هنا.

المفاهيم ذات الصلة بـ MLOPS مقابل المفاهيم ذات الصلة

• MLOps مقابل AutoML: بينما تغطي MLOps إدارة دورة الحياة الكاملة من البداية إلى النهاية، يركز التعلم الآلي الآلي (AutoML) تحديدًا على أتمتة خطوات بناء النموذج (إعداد البيانات، وهندسة الميزات، واختيار النموذج، وضبط المعلمات الفائقة). يمكن أن تكون أدوات التعلم الآلي الآلي التلقائي أحد مكونات سير عمل MLOps.
• عمليات التشغيل الآلي المتعددة مقابل إمكانية الملاحظة: تعد إمكانية المراقبة قدرة بالغة الأهمية ضمن استراتيجية عمليات التشغيل الآلي المتعددة. فهي توفر الأدوات والممارسات (التسجيل، والمقاييس، والتتبع) اللازمة لفهم الحالة الداخلية وسلوك أنظمة تعلّم الآلة المنتشرة، مما يتيح المراقبة الفعالة واستكشاف الأخطاء وإصلاحها.

التطبيقات الواقعية

تعتبر ممارسات عمليات التعلم الآلي المعقدة ضرورية لإدارة أنظمة التعلم الآلي المعقدة في الإنتاج:

1. أنظمة التوصيات: تستخدم شركات مثل نتفليكس أو سبوتيفاي MLOps لإعادة تدريب نماذج التوصيات باستمرار بناءً على بيانات تفاعل المستخدم الجديدة، واختبار A/B لإصدارات مختلفة من النماذج، ومراقبة مقاييس المشاركة، والتراجع السريع عن النماذج ذات الأداء الضعيف. وهذا يضمن بقاء التوصيات ملائمة ومخصصة.
2. كشف الاحتيال: تنشر المؤسسات المالية خطوط أنابيب MLOps لإدارة نماذج اكتشاف الاحتيال. ويتضمن ذلك مراقبة بيانات المعاملات بحثًا عن أي انحراف، وإعادة تدريب النماذج تلقائيًا على أنماط الاحتيال الجديدة، وضمان انخفاض زمن الاستجابة للاستدلال للكشف في الوقت الفعلي، والحفاظ على مسارات التدقيق للامتثال التنظيمي. Ultralytics YOLO عند استخدامها في أنظمة الفحص المرئي التي قد تغذي الكشف عن الاحتيال، تستفيد أيضًا من عمليات التشغيل الآلي للنشر والمراقبة.

الأدوات والمنصات

هناك مجموعة متنوعة من الأدوات التي تدعم المراحل المختلفة لدورة حياة عمليات التشغيل الآلي المتنوعة:

• تتبع التجارب وإصدار الإصدارات: MLflow, Weights & Biasesو DVCClearML.
• تنسيق سير العمل: خطوط أنابيب Kubeflow، Apache Airflow.
• خدمة النماذج: KFServing و BentoML و NVIDIA Triton Inference Server.
• المراقبة: غرافانا، وبروميثيوس، وWayLabs.
• المنصات المتكاملة: Amazon SageMaker، و Google Cloud AI Platform، و Microsoft Azure Machine Learning، و Ultralytics HUB.

يساعد تطبيق مبادئ MLOps المؤسسات على بناء أنظمة الذكاء الاصطناعي ونشرها وإدارتها بفعالية أكبر، وسد الفجوة بين الأبحاث التجريبية وتطبيقات الإنتاج الموثوقة.