Machine Learning Operations (MLOps)

عمليات التعلم الآلي (MLOps) هي مجموعة الممارسات والأدوات اللازمة لبناء نماذج التعلم الآلي (ML) ونشرها وصيانتها في بيئة الإنتاج بموثوقية وقابلية للتكرار. وهي توسّع DevOps، الذي يؤتمت اختبار البرمجيات وإصدارها، لتشمل الأنظمة التي يعتمد سلوكها على البيانات إلى جانب الشيفرة: فقد يتدهور أداء النموذج دون تغيير سطر واحد، لأن العالم الذي يرصده قد تغيّر. والنموذج نفسه جزء صغير من مثل هذا النظام. يشير دليل بنية MLOps من Google إلى أن الشيفرة الخاصة بالتعلم الآلي لا تشكل إلا جزءًا صغيرًا من نظام تعلم آلي واقعي، فيما تشكل بقية النظام عمليات جمع البيانات والتحقق منها وبنية تقديم الخدمة والمراقبة، كما وصفت ورقة NeurIPS الدين التقني الخفي في أنظمة التعلم الآلي تكاليف الصيانة طويلة الأمد التي يراكمها النظام المحيط.

الممارسات الأساسية#

تربط MLOps هندسة البيانات وتطوير النماذج والعمليات عبر مجموعة من الممارسات، يُطبَّق كل منها على بيانات التدريب وعلى الشيفرة أيضًا:

• إصدارة البيانات: يحصل كل إصدار من مجموعة البيانات على نسخة غير قابلة للتغيير، بحيث يمكن تتبع أي نموذج إلى البيانات الدقيقة التي أنتجته.
• تتبع التجارب: يسجل كل تشغيل تدريبي إصدار الشيفرة وإصدار البيانات والمعلمات الفائقة والمقاييس والمنتجات الأثرية، ما يتيح مقارنة النتائج وإعادة إنتاجها.
• التكامل والتسليم المستمران: تختبر المسارات الآلية الشيفرة، وتتحقق من البيانات الواردة، وتعاد من خلالها عملية تدريب النماذج، وتحظر أي نموذج مرشح لا يجتاز بوابة الجودة.
• سجل النماذج: تُخزَّن إصدارات النماذج المعتمدة مع بياناتها الوصفية وتسلسلها ومراحلها، مثل التجهيز أو الإنتاج، بحيث تشير عمليات النشر والتراجع إلى إصدارات محددة.
• تقديم النماذج: تُحزّم النماذج، غالبًا في حاويات، وتُتاح عبر واجهات برمجة التطبيقات أو تُنشر على الأجهزة الطرفية.
• مراقبة النماذج: تُتتبّع مدخلات الإنتاج والتنبؤات وزمن الاستجابة والدقة لاكتشاف الانحراف وتحديد موعد إعادة التدريب.

يصف دليل Google النضج عبر ثلاثة مستويات. في المستوى 0، يدرّب علماء البيانات النماذج ويسلّمونها يدويًا. ويؤتمت المستوى 1 مسار التدريب نفسه، مضيفًا التدريب المستمر (CT)، أي إعادة تدريب النماذج وتقديمها تلقائيًا عند وصول بيانات جديدة أو اكتشاف انحراف البيانات. كما يؤتمت المستوى 2 بناء شيفرة المسار واختبارها ونشرها باستخدام CI/CD، بحيث تصل إصدارات المسار الجديدة إلى الإنتاج بأمان مماثل لوصول النماذج الجديدة. وتشكل هذه الممارسات معًا حلقة:

تطبيق MLOps عمليًا#

• فحص التصنيع: عندما يضيف مصنع خط إنتاج، تُوسم صور العيوب الجديدة وتُحدّث إصداراتها، ويعيد مسار التدريب تدريب نموذج الكشف، ثم يُنشر الإصدار المعتمد على الكاميرات الطرفية في كل خط من دون توقف.
• مراقبة أرفف المتاجر: تؤثر إعادة تصميم العبوات وإضاءة المتاجر في ما تراه الكاميرات. وتكشف المراقبة انخفاض درجات الثقة، وتُرسل الصور منخفضة الثقة للتوسيم، ثم يُنشر النموذج المعاد تدريبه في المتاجر بعد اجتيازه التقييم.

تؤتمت بوابة الجودة قرار الترقية. يدرّب البرنامج النصي التالي نموذجًا مرشحًا لـاكتشاف الكائنات، ويقيّمه هو ونموذج الإنتاج الحالي على بيانات التحقق نفسها، ويصدّر النموذج المرشح إلى ONNX فقط إذا كانت قيمة mAP50-95 لديه أعلى:

from ultralytics import YOLO

# ⁨درّب نموذجًا مرشحًا؛ يحفظ التشغيل أوزانه وملفي args.yaml وresults.csv ضمن project/name⁩
candidate = YOLO("yolo26n.pt")
candidate.train(data="coco8.yaml", epochs=10, project="mlops", name="candidate")

# ⁨بوابة الجودة: قيّم النموذج المرشح ونموذج الإنتاج على بيانات التحقق نفسها⁩
candidate_map = candidate.val(data="coco8.yaml").box.map
production_map = YOLO("yolo26n.pt").val(data="coco8.yaml").box.map

# ⁨رقِّ النموذج عند تحقق تحسن فقط، وصدّره بتنسيق تدعمه منظومة تقديم الخدمة⁩
if candidate_map > production_map:
    candidate.export(format="onnx")

في مسار إنتاجي، يشغّل مجدول أو مهمة CI برنامجًا نصيًا مثل هذا كلما وصلت بيانات جديدة موسومة، ويُسجَّل النموذج المصدّر مع إصدار بياناته ومقاييسه. تغطي منصة Ultralytics دورة حياة نماذج الرؤية هذه ضمن مساحة عمل واحدة، مع إصدارات غير قابلة للتغيير لمجموعات البيانات، وتدريب سحابي بمقاييس مباشرة، وتصدير إلى تنسيقات مثل TensorRT، ونقاط نهاية مخصصة للاستدلال، ومراقبة النماذج المنشورة.

MLOps مقارنةً بالمصطلحات ذات الصلة#

• DevOps: يؤتمت بناء البرمجيات واختبارها وإصدارها، حيث يؤدي تغيير الشيفرة إلى تشغيل المسار. وتضيف MLOps البيانات والنماذج بوصفها أصولًا ذات إصدارات، لذا يمكن للبيانات الجديدة أو انخفاض دقة الإنتاج أن يشغّلا المسار أيضًا.
• LLMOps: فرع MLOps المعني بتطبيقات نماذج اللغة الكبيرة، ويتمحور حول المطالبات والاسترجاع وتقييم النص المُنشأ وتكاليف الرموز.
• التعلم الآلي المؤتمت (AutoML): يؤتمت بناء نموذج، مثل اختيار الخوارزميات والمعلمات الفائقة. وتتولى MLOps إدارة دورة الحياة المحيطة به، من إصدارة البيانات إلى المراقبة، وغالبًا ما تستدعي AutoML كخطوة واحدة ضمن المسار.
• MLflow وWeights & Biases: أدوات تغطي أجزاءً من دورة الحياة، مثل تتبع التجارب وسجلات النماذج. وMLOps هي الممارسة التي تجمع هذه الأدوات مع المسارات وتقديم النماذج والمراقبة.