عمليات التعلم الآلي (MLOps)

عمليات تعلُّم الآلة (MLOps) هي مجموعة من الممارسات التي تهدف إلى نشر نماذج تعلُّم الآلة (ML) وصيانتها في الإنتاج بشكل موثوق وفعال. استلهامًا من مبادئ DevOps، تطبق MLOps مفاهيم مماثلة على دورة حياة نموذج الذكاء الاصطناعي بالكامل، بدءًا من جمع البيانات وتدريب النموذج إلى النشر والمراقبة. ويتمثل الهدف الأساسي في أتمتة وتبسيط العمليات التي ينطوي عليها نقل نموذج تعلّم الآلة من نموذج أولي بحثي إلى تطبيق إنتاج قوي وقابل للتطوير. وهذا يضمن أن النماذج لا تعمل بشكل جيد في البداية فحسب، بل تظل فعالة بمرور الوقت مع توفر بيانات جديدة.

مفاهيم MLOPS مقابل المفاهيم ذات الصلة

من المهم التمييز بين مفاهيم MLOps والمفاهيم ذات الصلة ولكن المتميزة:

• MLOps مقابل AutoML: على الرغم من إمكانية عملهما معًا، إلا أن تركيزهما مختلف. يركّز التعلّم الآلي الآلي (AutoML) على أتمتة عملية إنشاء النموذج، مثل المعالجة المسبقة للبيانات، وهندسة الميزات، وضبط المعلمات الفائقة. من ناحية أخرى، تغطي MLOps دورة الحياة بأكملها، بما في ذلك ما يأتي بعد إنشاء النموذج، مثل نشر النموذج، والمراقبة، والحوكمة. يمكن اعتبار AutoML أداة ضمن إطار عمل MLOps الأكبر الذي يسرّع مرحلة التطوير.
• MLOps مقابل DevOps: MLOps هو تخصص في DevOps مصمم خصيصًا لتلبية الاحتياجات الفريدة للتعلم الآلي. بينما يركز DevOps على أتمتة تسليم البرمجيات من خلال التكامل المستمر والنشر المستمر (CI/CD)، فإن MLOps يوسع هذا النموذج ليشمل خطوط أنابيب البيانات والنماذج. وهو يعالج التحديات التي لا توجد عادةً في تطوير البرمجيات التقليدية، مثل انجراف البيانات، وإصدار النماذج، والحاجة إلى إعادة التدريب المستمر.

التطبيقات الواقعية

تعتبر ممارسات عمليات التعلم الآلي المتعددة ضرورية لإدارة أنظمة التعلم الآلي المعقدة في بيئات الإنتاج.

1. أنظمة التوصيات: تستخدم شركات مثل نتفليكس أو سبوتيفاي MLOps لإعادة تدريب نماذج أنظمة التوصيات الخاصة بها بشكل مستمر بناءً على بيانات تفاعل المستخدم الجديدة. تُمكِّنهم خطوط أنابيب MLOps من اختبار إصدارات مختلفة من النماذج A/B، ومراقبة مقاييس التفاعل، والتراجع السريع عن النماذج ذات الأداء الضعيف، مما يضمن بقاء التوصيات جديدة ومخصصة.
2. كشف الاحتيال: تقوم المؤسسات المالية بنشر MLOps لإدارة نماذج الكشف عن الاحتيال. ويتضمن ذلك مراقبة بيانات المعاملات بحثًا عن أنماط جديدة من النشاط الاحتيالي، وإعادة تدريب النماذج تلقائيًا باستخدام البيانات الجديدة، وضمان انخفاض زمن الاستنتاج للكشف في الوقت الحقيقي، والحفاظ على مسارات التدقيق للامتثال التنظيمي. تستفيد أيضًا نماذج Ultralytics YOLO المستخدمة في أنظمة الفحص المرئي، والتي يمكن أن تغذي عملية الكشف عن الاحتيال، من عمليات التشغيل الآلي للنشر والمراقبة على الأجهزة المتطورة.

الأدوات والمنصات

تدعم مجموعة متنوعة من الأدوات مراحل مختلفة من دورة حياة عمليات التشغيل الآلي المتنوعة، مما يمكّن الفرق من بناء تدفقات عمل فعالة وقابلة للتطوير.

• تتبع التجارب وإصدار الإصدارات: يشيع استخدام أدوات MLflow وWeights & Biases وData Version Control (DVC) لتتبع التجارب وإصدار البيانات والنماذج. توفر Ultralytics تكاملاً أصلياً مع العديد من هذه الأدوات، بما في ذلك Weights & Biases.
• تنسيق سير العمل: تساعد أدوات مثل Kubeflow Pipelines وApache Airflow في أتمتة عمليات سير عمل تعلّم الآلة المعقدة وإدارتها.
• خدمة النماذج: 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 يتم استخدام Grafana و Prometheus لإنشاء لوحات معلومات لمراقبة أداء النموذج وصحة النظام.
• منصات شاملة: توفر المنصات الشاملة مثل Amazon SageMaker وGoogle Cloud AI Platform وMicrosoft Azure Machine Learning وUltralytics HUB بيئات متكاملة تغطي معظم، إن لم يكن كل، مراحل عمليات التشغيل الآلي المتعددة، بدءاً من إدارة البيانات إلى نشر النماذج ومراقبتها. تستفيد هذه المنصات من الحوسبة السحابية لتوفير موارد قابلة للتطوير لتدريب النماذج المخصصة.