YAML

YAML، وهو اختصار لـ "YAML Ain't Markup Language"، هو معيار تسلسل بيانات يمكن للبشر قراءته ويستخدم لكتابة ملفات التكوين ونقل البيانات بين الأنظمة. ويعطي تصميمها الأولوية للوضوح والبساطة، مما يسمح للمطورين وعلماء البيانات بتعريف هياكل البيانات المعقدة بطريقة سهلة القراءة والكتابة. على عكس التنسيقات الأكثر إسهابًا، يستخدم YAML المسافة البادئة للدلالة على البنية، مما ينتج عنه ملفات نظيفة وبديهية مثالية لإدارة الإعدادات في مشاريع البرمجيات، بما في ذلك تلك الموجودة في التعلم الآلي (ML). يمكن العثور على المواصفات والموارد الرسمية على yaml.org.

الدور والتطبيق في الذكاء الاصطناعي وتعلم الآلة

في سياق الذكاء الاصطناعي (AI)، يعد YAML العمود الفقري لإدارة التكوين، حيث يلعب دورًا حاسمًا في ضمان قابلية التكرار وتبسيط التجارب. غالبًا ما تتضمن مشاريع التعلم العميق (DL) العديد من الإعدادات، بدءًا من بنية النموذج إلى معلمات التدريب. يسمح تخزين هذه الإعدادات في ملف YAML بتتبع الإعدادات التجريبية وتعديلها ومشاركتها بسهولة. يمكنك استكشاف ورقة غش بناء جملة YAML للحصول على مرجع سريع.

تشمل الأمثلة الواقعية الشائعة في تطبيقات الذكاء الاصطناعي ما يلي:

1. تكوين مجموعة البيانات: قبل تدريب نموذج، تحتاج إلى تحديد مجموعة البيانات. يحدد ملف YAML المسار إلى صور التدريب والتحقق، وعدد فئات الكائنات، وأسماء تلك الفئات. يتم استخدام هذا النهج من قبل Ultralytics لإدارة مجموعات البيانات مثل COCO. يضمن هذا أن النموذج يعرف بالضبط مكان العثور على بياناته وما هو متوقع أن يتعلمه.
2. التدريب وتكوين المعلمات الفائقة: ملف YAML مثالي لتحديد جميع المعلمات اللازمة لجلسة التدريب. وهذا يشمل تحديد بنية النموذج (على سبيل المثال، YOLO11n)، حجم الدفعة, معدل التعلم، عدد حقبات (epochs)، وإعدادات لـ زيادة البيانات. يتيح تجميع هذه الإعدادات إجراء ضبط المعلمات الفائقة ويجعل التجارب سهلة التكرار. ال وثائق ألترا لايتكس يوفر أمثلة تفصيلية لملفات التكوين هذه.

YAML مقابل تنسيقات البيانات الأخرى

غالبًا ما تتم مقارنة YAML بتنسيقات تسلسل البيانات الأخرى مثل JSON و XML.

• YAML مقابل JSON: على الرغم من التشابه الوظيفي بين YAML و JSON، إلا أن YAML غالبًا ما يُفضَّل استخدام YAML لملفات التكوين نظرًا لسهولة قراءتها الفائقة. تستغني YAML عن الأقواس والفاصلات لصالح المسافة البادئة، والأهم من ذلك أنها تدعم التعليقات التي لا تقدر بثمن لتوثيق خيارات التكوين.
• YAML مقابل XML: بالمقارنة مع XML (لغة الترميز القابلة للتوسيع)، فإن YAML أقل إسهابًا بكثير. إن استخدام XML لعلامات الفتح والإغلاق يجعل ملفاته أكبر وأكثر صعوبة على البشر لتحليلها بسرعة، في حين أن بناء YAML البسيط مصمم للتحرير المباشر.

نظام بيئي وأدوات أوسع

تمتد فائدة YAML إلى ما هو أبعد من الرؤية الحاسوبية. فهو مكوّن أساسي في عالم DevOps، حيث تستخدمه أدوات مثل Kubernetes لتحديد عمليات تنسيق الحاويات و Ansible لأتمتة تشغيل تكنولوجيا المعلومات. وغالبًا ما يشار إلى هذا المفهوم باسم التهيئة كرمز (CaC).

بالنسبة للمطوّرين الذين يستخدمون Python، فإن مكتبة PyYAML هي أداة شائعة لتحليل بيانات YAML وتوليدها. لتجنب أخطاء بناء الجملة، والتي قد تكون شائعة بسبب حساسية المسافة البادئة، فإن استخدام أداة التحقق من صحة YAML هو أفضل الممارسات الموصى بها. هذا النظام البيئي من الأدوات يجعل YAML خيارًا قويًا لإدارة دورة حياة MLOps بأكملها، بدءًا من الإعداد الأولي في دفتر Jupyter Notebook إلى نشر النموذج على نطاق واسع باستخدام Docker وخطوط أنابيب CI / CD مع أدوات مثل GitHub Actions.