عمليات تعلم الآلة (MLOps)

تمثل عمليات التعلم الآلي (MLOps) التقاطع بين التعلم الآلي وهندسة البيانات وعمليات التطوير والممارسات. وهي عبارة عن مجموعة من العمليات والأدوات الموحدة المصممة لتبسيط دورة حياة نماذج التعلم الآلي (ML) ، ونقلها من مرحلة البحث التجريبي إلى أنظمة إنتاج موثوقة وقابلة للتطوير. بينما يعتمد تطوير البرمجيات التقليدية على مبادئ DevOps لإدارة تغييرات التعليمات البرمجية، تضيف MLOps بعدين بعدين مهمين: البيانات والنماذج. يضمن هذا النهج الشامل ما يلي الذكاء الاصطناعي (AI) على دقة وكفاءة التطبيقات بمرور الوقت، ومعالجة التحديات الفريدة مثل اضمحلال النماذج وتغيير توزيعات البيانات المتغيرة.

المكونات الأساسية لدورة حياة عمليات التشغيل الآلي المتنقلة

يعمل إطار عمل MLOps القوي على أتمتة سير العمل من البداية إلى النهاية، مما يضمن إمكانية التكرار ووقت أسرع للوصول إلى السوق. تتكون تتكون دورة الحياة عادةً من عدة مراحل متكاملة:

• إدارة البيانات: يتضمن ذلك جمع مجموعات البيانات وتنظيفها وإصدارها. تضمن المعالجة المسبقة تضمن المعالجة المسبقة الفعالة للبيانات أن تكون المعلومات التي يتم إدخالها في النموذج عالية الجودة ومتسقة. غالبًا ما تستخدم الفرق أدوات مثل Apache Airflow لتنسيق خطوط أنابيب البيانات المعقدة هذه.
• تطوير النماذج: ينخرط علماء البيانات في التدريب والتجريب على النماذج. تتضمن هذه المرحلة ضبط المعلمة الفائقة لتحسين الأداء الأمثل. يعتبر تتبع التجارب باستخدام أدوات مثل MLflow أمرًا بالغ الأهمية لضمان إمكانية تحديد النماذج الأفضل أداءً وإعادة إنتاجها.
• النشر والخدمة: بمجرد أن يتم التحقق من صحة النموذج، فإنه يخضع لعملية نشر النموذج في بيئة الإنتاج. وغالبًا ما يتضمن ذلك وضع النموذج في حاوية باستخدام Docker لضمان الاتساق عبر بيئات الحوسبة المختلفة، أو التصدير إلى تنسيقات قابلة للتشغيل البيني مثل ONNX للتوافق عبر المنصات المختلفة.
• المراقبة والصيانة: بعد النشر، يجب مراقبة الأنظمة من أجل انجراف البيانات، حيث تختلف بيانات العالم الحقيقي عن بيانات التدريب. تتيح المراقبة المستمرة تسمح المراقبة المستمرة للنموذج للفرق detect تدهور الأداء وتحفيز دورات إعادة التدريب تلقائيًا.

المفاهيم ذات الصلة بـ MLOPS مقابل المفاهيم ذات الصلة

يعد فهم كيفية اختلاف مصطلحات MLOps عن المصطلحات المماثلة أمرًا حيويًا لتنفيذ الاستراتيجية الصحيحة:

• MLOps مقابل DevOps: بينما يركز DevOps على التسليم المستمر على التسليم المستمر لرموز البرمجيات، فإن عمليات التشغيل الآلي للعمليات الإدارية تشمل التعليمات البرمجية والبيانات والنماذج. في MLOps، قد لا يكون "الخطأ" في MLOps قد لا يكون رمزًا معطوبًا، بل قد يكون تدهورًا في الدقة بسبب للعوامل البيئية المتغيرة.
• خدمة MLOps مقابل خدمة النموذج: خدمة النماذج هي مجموعة فرعية محددة من MLOps تركز على بشكل صارم على البنية التحتية المطلوبة لاستضافة نموذج ومعالجة طلبات الاستدلال. أما MLOps فهي المظلة الأوسع التي تدير البنية التحتية للخدمة إلى جانب التدريب والحوكمة.
• MLOps مقابل AutoML: التعلّم الآلي الآلي (AutoML) أتمتة عملية اختيار النموذج والتدريب. بينما تدير MLOps دورة الحياة التشغيلية لهذا النموذج بعد إنشائه.

تطبيقات واقعية

تحوّل MLOps النماذج النظرية إلى حلول أعمال عملية في مختلف الصناعات.

1. المخزون الذكي للبيع بالتجزئة: يستخدم بائع تجزئة كبير YOLO11 من أجل للكشف عن الأشياء لمراقبة مخزون الرفوف. يقوم يقوم خط أنابيب MLOps تلقائيًا بإحداث مجموعة البيانات تلقائيًا عند إضافة منتجات جديدة. عندما يكتشف النظام أن انخفاض درجات الثقة إلى ما دون الحد الأدنى، فإنه يقوم بتشغيل خط أنابيب لإعادة التدريب على منصةUltralytics , ويتحقق من صحة النموذج الجديد، ويدفع التحديث إلى آلاف الأجهزة المتطورة دون توقف.
2. الصيانة التنبؤية في التصنيع: تستخدم المصانع الرؤية الحاسوبية detect العيوب في خطوط التجميع. للتعامل مع الإنتاج عالي السرعة، يتم تحسين النماذج من أجل تقليل زمن استنتاج منخفض باستخدام TensorRT. تضمن MLOps أنه كلما تغيرت تفاوتات التصنيع, يتم تحديث النماذج والتحكم في إصداراتها للحفاظ على صارمة لفحص الجودة الصارمة.

تطبيق MLOPS مع Ultralytics

تتمثل إحدى الخطوات الأساسية في MLOps في التأكد من أن تدريب النموذج قابل للتكرار والتسجيل. يوضح الرمز أدناه كيفية بدء تشغيل التدريب الذي يُنتج تلقائيًا إصدارات ومقاييس مُصنَّفة تلقائيًا، وهو مطلب أساسي لأي خط أنابيب MLOps.

from ultralytics import YOLO

# Load the YOLO11 model (recommended for state-of-the-art performance)
model = YOLO("yolo11n.pt")

# Train the model on a dataset
# This step generates logs, saves model weights, and records metrics
# essential for the experiment tracking phase of MLOps.
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

مع تطور هذا المجال، يتم تصميم البنى القادمة مثل YOLO26 لتتكامل بشكل أكثر بسلاسة أكبر في خطوط الأنابيب المؤتمتة هذه، مما يوفر إمكانات أصلية شاملة تبسّط الانتقال من التدريب إلى النشر. تظل MLOps هي العمود الفقري الذي يسمح لهذه النماذج المتقدمة بالعمل بشكل موثوق في العالم الحقيقي. في العالم الحقيقي، بالاستفادة من الحوسبة السحابية والنطاق وكفاءة الذكاء الاصطناعي المتطورة.