Machine Learning Operations (MLOps)

عمليات تعلم الآلة (MLOps) هي مجموعة من الممارسات والمبادئ والتقنيات التي تسرع عملية نقل نماذج تعلم الآلة (ML) من التطوير التجريبي إلى النشر الموثوق في بيئة الإنتاج. من خلال الجمع بين الطبيعة الاستكشافية لعلوم البيانات والانضباط الصارم لـ DevOps، تهدف MLOps إلى توحيد دورة الإصدار لتطبيقات الذكاء الاصطناعي (AI). وبينما يركز تطوير البرمجيات التقليدي بشكل أساسي على إصدارات الكود، تقدم MLOps تعقيدات إضافية تتعلق بإدارة البيانات واسعة النطاق وسلوكيات النماذج المتطورة. يضمن هذا النهج الشامل بقاء أنظمة الذكاء الاصطناعي قابلة للتوسع ودقيقة وخاضعة للإدارة طوال دورة حياتها بالكامل.

Link to this sectionركائز MLOps#

تعتمد تطبيقات MLOps الناجحة على سد الفجوة بين ثلاثة تخصصات متميزة: هندسة البيانات، وتعلم الآلة، وDevOps.

• التكامل والتسليم المستمر (CI/CD): تمامًا كما تستخدم البرمجيات القياسية خطوط أنابيب CI/CD لأتمتة الاختبار والنشر، تقوم خطوط أنابيب MLOps بأتمتة تدريب النماذج والتحقق من صحتها. وهذا يضمن أن التغييرات في الكود أو البيانات تؤدي تلقائيًا إلى خطوات للتحقق من أداء النموذج قبل وصول التحديثات إلى بيئة الإنتاج.
• إصدارات البيانات والنماذج: في البرمجة التقليدية، تقوم بإصدار الكود المصدري فقط. أما في MLOps، فيجب على الفرق استخدام أدوات مثل DVC (Data Version Control) لتتبع التغييرات في بيانات التدريب جنبًا إلى جنب مع المعاملات الفائقة للنموذج. هذا يضمن إمكانية إعادة الإنتاج، مما يسمح للمهندسين بإعادة إنشاء أي إصدار محدد للنموذج من السجلات التاريخية.
• المراقبة المستمرة: بمجرد نشر النماذج، يمكن أن تتدهور جودتها بسبب انحراف المفهوم، حيث تتغير الخصائص الإحصائية للمتغير المستهدف بمرور الوقت. تتضمن MLOps إعداد أنظمة للمراقبة لتتبع مقاييس مثل تأخير الاستدلال والدقة، وتنبيه الفرق تلقائيًا عندما تكون إعادة التدريب ضرورية.

Link to this sectionتطبيقات العالم الحقيقي#

تعد MLOps العمود الفقري للذكاء الاصطناعي المؤسسي الحديث، مما يمكن الشركات من التوسع من نموذج واحد إلى آلاف النقاط النهائية المنشورة بشكل موثوق.

1. الصيانة التنبؤية في التصنيع: تستخدم المصانع الرؤية الحاسوبية لتحديد العيوب في خطوط التجميع. يضمن خط أنابيب MLOps أنه مع تقديم خطوط إنتاج جديدة، يتم إعادة تدريب نماذج اكتشاف الكائنات بصور جديدة، وإصدار نسخ منها، ونشرها تلقائيًا على أجهزة الحافة في المصنع دون توقف. وهذا يضمن بقاء فحص الجودة متسقًا حتى مع تغير ظروف التصنيع.

2. إدارة المخزون الذكي في التجزئة: ينشر تجار التجزئة كاميرات لتتبع مخزون الأرفف. ولأن إضاءة المتجر وتغليف المنتجات تتغير بشكل متكرر، فإن انحراف النموذج يمثل خطرًا دائمًا. تراقب أنظمة MLOps درجات الثقة؛ وإذا انخفضت الثقة، يقوم النظام بتمييز الصور للتعليق عليها ويبدأ دورة إعادة تدريب على السحابة، مما يدفع بنموذج محدث إلى المتاجر للحفاظ على إدارة المخزون الآلية.

Link to this sectionتنفيذ MLOps باستخدام Ultralytics#

تعد تتبع التجارب خطوة حاسمة في أي سير عمل لـ MLOps. وهذا يضمن تسجيل كل عملية تدريب مع تكوينها المحدد، مما يسمح للفرق بإعادة إنتاج النتائج أو التراجع إلى إصدارات سابقة إذا لزم الأمر.

يوضح المثال التالي كيفية تدريب نموذج YOLO26 - أحدث نموذج متطور من Ultralytics والموصى به لجميع المشاريع الجديدة - مع تمكين تتبع المشروع. وهذا يؤدي بشكل طبيعي إلى إنشاء العناصر المطلوبة لخط أنابيب الإنتاج.

from ultralytics import YOLO

# Load the YOLO26 model (recommended for superior speed and accuracy)
model = YOLO("yolo26n.pt")

# Train the model while specifying project and name for organized logging
# This creates a structured directory of artifacts (weights, charts, args)
# which is essential for reproducibility in MLOps pipelines.
results = model.train(data="coco8.yaml", epochs=10, project="mlops_experiments", name="run_v1")

By organizing training runs into specific projects, teams can easily integrate tools like MLflow or TensorBoard to visualize performance metrics over time. As organizations scale, they often migrate these workflows to the Ultralytics Platform, which provides a unified interface for managing datasets, training remotely, and deploying models to various formats like TensorRT for optimized inference speed.

Link to this sectionMLOps مقابل المفاهيم ذات الصلة#

لتنفيذ هذه الممارسات بفعالية، من المهم التمييز بين MLOps والمصطلحات ذات الصلة في النظام البيئي.

• MLOps مقابل DevOps: يركز DevOps على التسليم المستمر لتطبيقات البرمجيات. توسع MLOps هذه المبادئ بإضافة "البيانات" و"النموذج" كعناصر أساسية. في DevOps، يؤدي تغيير الكود إلى تشغيل عملية بناء؛ في MLOps، يمكن أن يؤدي التغيير في توزيعات البيانات أو انخفاض في الدقة أيضًا إلى تنفيذ خط أنابيب جديد.
• MLOps مقابل خدمة النموذج: تشير خدمة النموذج تحديدًا إلى البنية التحتية المستخدمة لاستضافة نموذج ومعالجة طلبات الاستدلال. MLOps هي المظلة الأوسع التي تشمل الخدمة، ولكنها تتضمن أيضًا مراحل التدريب والحوكمة والمراقبة.
• MLOps مقابل AutoML: يركز تعلم الآلة الآلي (AutoML) على أتمتة عملية إنشاء النموذج (على سبيل المثال، اختيار الخوارزميات). تدير MLOps دورة حياة ذلك النموذج بعد إنشائه وتقوم بتشغيل خط الأنابيب الذي يدير أدوات AutoML.