عمليات تعلم الآلة (MLOps)

عمليات تعلم الآلة (MLOps) هي مجموعة من الممارسات التي تهدف إلى نشر وصيانة نماذج تعلم الآلة (ML) في الإنتاج بشكل موثوق وفعال. بالاستلهام من مبادئ DevOps، تطبق MLOps مفاهيم مماثلة على دورة حياة نموذج الذكاء الاصطناعي بأكملها، من جمع البيانات وتدريب النموذج إلى النشر والمراقبة. الهدف الأساسي هو أتمتة وتبسيط العمليات المتضمنة في نقل نموذج ML من نموذج أولي للبحث إلى تطبيق إنتاج قوي وقابل للتطوير. وهذا يضمن أن النماذج لا تعمل بشكل جيد في البداية فحسب، بل تظل أيضًا فعالة بمرور الوقت مع توفر بيانات جديدة.

MLOps مقابل المفاهيم ذات الصلة

من المهم التمييز بين MLOps والمفاهيم ذات الصلة ولكنها متميزة:

• MLOps مقابل AutoML: على الرغم من أنه يمكنهما العمل معًا، إلا أن تركيزهما مختلف. يركز التعلم الآلي الآلي (AutoML) على أتمتة عملية إنشاء النموذج، مثل المعالجة المسبقة للبيانات وهندسة الميزات و ضبط المعلمات الفائقة. من ناحية أخرى، تغطي MLOps دورة الحياة بأكملها، بما في ذلك ما يأتي بعد إنشاء النموذج، مثل نشر النموذج و المراقبة والحوكمة. يمكن اعتبار AutoML أداة داخل إطار عمل MLOps أكبر يعمل على تسريع مرحلة التطوير.
• MLOps مقابل DevOps: MLOps هو تخصص فرعي من DevOps مصمم خصيصًا لتلبية الاحتياجات الفريدة للتعلم الآلي. في حين أن DevOps تركز على أتمتة تسليم البرامج من خلال التكامل المستمر والتوزيع المستمر (CI/CD)، فإن MLOps توسع هذا النموذج ليشمل خطوط أنابيب البيانات والنماذج. وهي تعالج التحديات التي لا توجد عادة في تطوير البرامج التقليدية، مثل انحراف البيانات وإصدار النماذج والحاجة إلى إعادة التدريب المستمر.

تطبيقات واقعية

تعتبر ممارسات MLOps ضرورية لإدارة أنظمة تعلم الآلة المعقدة في بيئات الإنتاج.

1. أنظمة التوصية: تستخدم شركات مثل Netflix أو Spotify MLOps لإعادة تدريب نماذج نظام التوصية الخاصة بها باستمرار بناءً على بيانات تفاعل المستخدم الجديدة. تتيح لهم خطوط أنابيب MLOps اختبار A/B لإصدارات مختلفة من النماذج، ومراقبة مقاييس المشاركة، والتراجع بسرعة عن النماذج ذات الأداء الضعيف، مما يضمن بقاء التوصيات جديدة ومخصصة.
2. الكشف عن الاحتيال: تنشر المؤسسات المالية MLOps لإدارة نماذج الكشف عن الاحتيال. يتضمن ذلك مراقبة بيانات المعاملات بحثًا عن أنماط جديدة من النشاط الاحتيالي، وإعادة تدريب النماذج تلقائيًا ببيانات جديدة، وضمان زمن انتقال استدلالي منخفض للكشف في الوقت الفعلي، والحفاظ على مسارات تدقيق للامتثال التنظيمي. تستفيد نماذج Ultralytics YOLO المستخدمة في أنظمة الفحص البصري، والتي يمكن أن تغذي الكشف عن الاحتيال، أيضًا من MLOps للنشر والمراقبة على الأجهزة الطرفية.

الأدوات والمنصات

تدعم مجموعة متنوعة من الأدوات مراحل مختلفة من دورة حياة MLOps، مما يمكّن الفرق من بناء سير عمل فعال وقابل للتطوير.

• تتبع التجارب وإصدار النسخ: تعتبر MLflow و Weights & Biases و Data Version Control (DVC) شائعة لتتبع التجارب وإصدار نسخ من البيانات والنماذج. تقدم Ultralytics تكاملًا أصليًا مع العديد من هذه الأدوات، بما في ذلك Weights & Biases.
• تنظيم سير العمل: تساعد أدوات مثل Kubeflow Pipelines و Apache Airflow في أتمتة وإدارة مهام سير عمل ML المعقدة.
• تقديم النموذج: لنشر النماذج على نطاق واسع، تُستخدم على نطاق واسع منصات مثل KServe و BentoML و NVIDIA Triton Inference Server. يمكن تصدير نماذج Ultralytics إلى تنسيقات مثل ONNX للتوافق مع هذه الخوادم.
• المراقبة: غالبًا ما تُستخدم Grafana و Prometheus لإنشاء لوحات معلومات لمراقبة أداء النموذج وصحة النظام.
• المنصات الشاملة: توفر المنصات الشاملة مثل Amazon SageMaker وGoogle Cloud AI Platform وMicrosoft Azure Machine Learning وUltralytics HUB بيئات متكاملة تغطي معظم مراحل MLOps إن لم يكن كلها، بدءًا من إدارة البيانات وحتى نشر النماذج ومراقبتها. تستفيد هذه المنصات من الحوسبة السحابية لتوفير موارد قابلة للتطوير لـ تدريب النماذج المخصصة.