عمليات التعلم الآلي

توضح هذه المقالة ثلاثة بنيات Azure لعمليات التعلم الآلي التي تحتوي على تدفقات التكامل المستمر والتسليم المستمر (CI/CD) وإعادة تدريب المسارات. البنى مخصصة لهذه التطبيقات الذكاء الاصطناعي:

• التعلم الآلي الكلاسيكي
• رؤية الكمبيوتر (CV)
• معالجة اللغة الطبيعية

هذه البنيات هي نتاج مشروع MLOps v2. وهي تتضمن أفضل الممارسات التي حددها مهندسو الحلول في عملية تطوير حلول التعلم الآلي المختلفة. النتيجة هي أنماط قابلة للنشر وقابلة للتكرار وقابلة للصيانة. تستخدم جميع البنيات الثلاثة خدمة Azure التعلم الآلي.

لتنفيذ مع نماذج قوالب التوزيع ل MLOps v2، راجع مستودع Azure MLOps v2 GitHub.

حالات الاستخدام المحتملة

• التعلم الآلي الكلاسيكي: التنبؤ بالسلاسل الزمنية والانحدار والتصنيف على البيانات المصنفة الجدولية هي حالات الاستخدام الأكثر شيوعا في هذه الفئة. تتضمن الأمثلة ما يلي:

  • تصنيف ثنائي ومتعدد التسميات.

  • خطي، متعدد الحدود، حافة، حر، كمي، انحدار باييزي.

  • ARIMA، الانحدار التلقائي، SARIMA، VAR، SES، LSTM.

• CV: يركز إطار عمل MLOps في هذه المقالة في الغالب على حالات استخدام السيرة الذاتية للتجزئة وتصنيف الصور.

• معالجة اللغة الطبيعية: يمكنك استخدام إطار عمل MLOps هذا لتنفيذ:

  • التعرف على الكيان المسمى:

  • تصنيف النصوص

  • إنشاء النص

  • تحليل التوجه

  • الترجمة‬

  • الإجابة على الأسئلة 

  • تلخيص

  • الكشف عن الجملة

  • اكتشاف اللغة

  • وضع علامات على جزء من الكلام

لا يتم وصف عمليات المحاكاة الذكاء الاصطناعي والتعلم المعزز العميق والأشكال الأخرى من الذكاء الاصطناعي في هذه المقالة.

بناء الأنظمة

يحتوي النمط المعماري MLOps v2 على أربعة مكونات نمطية رئيسية، أو مراحل، لدورة حياة MLOps:

• ملكية البيانات
• الإدارة والإعداد
• تطوير النموذج، أو مرحلة الحلقة الداخلية
• توزيع النموذج، أو مرحلة الحلقة الخارجية

المكونات السابقة، والاتصالات بينها، والأشخاص النموذجيين المعنيين قياسية عبر جميع بنيات سيناريو MLOps v2. تعتمد التباينات في تفاصيل كل مكون على السيناريو.

البنية الأساسية ل MLOps v2 التعلم الآلي هو سيناريو التعلم الآلي الكلاسيكي للبيانات الجدولية. تعتمد بنيات CV وNLP على هذه البنية الأساسية وتعدلها.

يغطي MLOps v2 البنى التالية الموضحة في هذه المقالة:

• بنية التعلم الآلي الكلاسيكية
• التعلم الآلي بنية CV
• التعلم الآلي بنية معالجة اللغة الطبيعية

بنية التعلم الآلي الكلاسيكية

قم بتنزيل ملف Visio لهذه البنية.

سير العمل لبنية التعلم الآلي الكلاسيكية

1. ملكية البيانات

   يوضح هذا المكون ملكية بيانات المؤسسة ومصادر البيانات المحتملة والأهداف لمشروع علوم البيانات. مهندسو البيانات هم المالكون الأساسيون لهذا المكون من دورة حياة MLOps v2. أنظمة بيانات Azure الأساسية في هذا الرسم التخطيطي ليست شاملة أو إلزامية. تشير علامة الاختيار الخضراء إلى مصادر البيانات والأهداف التي تمثل أفضل الممارسات الموصى بها والتي تستند إلى حالة استخدام العميل.

2. الإدارة والإعداد

   هذا المكون هو الخطوة الأولى في نشر حل MLOps v2. وهو يتكون من جميع المهام المتعلقة بإنشاء وإدارة الموارد والأدوار المرتبطة بالمشروع. على سبيل المثال، قد يقوم فريق البنية الأساسية ب:

   1. إنشاء مستودعات التعليمات البرمجية المصدر للمشروع.
   2. استخدم Bicep أو Terraform لإنشاء مساحات عمل التعلم الآلي.
   3. إنشاء مجموعات البيانات أو تعديلها واحسب الموارد لتطوير النموذج ونشره.
   4. تعريف مستخدمي فريق المشروع وأدوارهم وعناصر التحكم في الوصول إلى الموارد الأخرى.
   5. إنشاء البنية الأساسية لبرنامج ربط العمليات التجارية CI/CD.
   6. إنشاء مكونات مراقبة لجمع وإنشاء تنبيهات لمقاييس النموذج والبنية الأساسية.

   الشخصية الأساسية المرتبطة بهذه المرحلة هي فريق البنية الأساسية، ولكن قد يكون لدى المؤسسة أيضا مهندسو بيانات أو مهندسو تعلم آلي أو علماء بيانات.

3. تطوير النموذج (مرحلة الحلقة الداخلية)

   تتكون مرحلة الحلقة الداخلية من سير عمل لعلم البيانات التكراري الذي يعمل داخل مساحة عمل التعلم الآلي مخصصة وآمنة. يوضح الرسم التخطيطي السابق سير عمل نموذجيا. تبدأ العملية باستيعاب البيانات، وتنتقل من خلال تحليل البيانات الاستكشافية، والتجريب، وتطوير النموذج وتقييمه، ثم تسجل نموذجا لاستخدام الإنتاج. هذا المكون المعياري غير محدد وقابل للتكيف مع العملية التي يستخدمها فريق علوم البيانات لتطوير النماذج.

   وتشمل الشخصيات المرتبطة بهذه المرحلة علماء البيانات ومهندسي التعلم الآلي.

4. سجلات التعلم الآلي

   بعد أن يقوم فريق علوم البيانات بتطوير نموذج يمكنهم نشره في الإنتاج، يسجلون النموذج في سجل مساحة العمل التعلم الآلي. تدفقات التكامل المستمر التي يتم تشغيلها، إما تلقائيا عن طريق تسجيل النموذج أو عن طريق الموافقة المسورة من قبل الإنسان في الحلقة، تعزز النموذج وأي تبعيات نموذج أخرى إلى مرحلة نشر النموذج.

   الأشخاص المرتبطون بهذه المرحلة هم عادة مهندسو التعلم الآلي.

5. توزيع النموذج (مرحلة الحلقة الخارجية)

   يتكون توزيع النموذج أو مرحلة الحلقة الخارجية من التقسيم المرحلي والاختبار قبل الإنتاج ونشر الإنتاج ومراقبة النموذج والبيانات والبنية الأساسية. عندما يفي النموذج بمعايير المؤسسة وحالة الاستخدام، تعزز مسارات CD النموذج والأصول ذات الصلة من خلال الإنتاج والمراقبة وإعادة التدريب المحتملة.

   الأشخاص المرتبطون بهذه المرحلة هم في المقام الأول مهندسو التعلم الآلي.

6. التقسيم المرحلي والاختبار

   تختلف مرحلة التقسيم المرحلي والاختبار وفقا لممارسات العملاء. تتضمن هذه المرحلة عادة عمليات مثل إعادة تدريب واختبار مرشح النموذج على بيانات الإنتاج، واختبار عمليات التوزيع لأداء نقطة النهاية، وفحوصات جودة البيانات، واختبار الوحدة، وفحوصات الذكاء الاصطناعي المسؤولة لتحيز النموذج والبيانات. تحدث هذه المرحلة في مساحة عمل التعلم الآلي واحدة أو أكثر مخصصة وآمنة.

7. توزيع الإنتاج

   بعد أن يجتاز النموذج مرحلة التقسيم المرحلي والاختبار، يمكن لمهندسي التعلم الآلي استخدام الموافقة المسورة للإنسان في الحلقة لتعزيزه إلى الإنتاج. تتضمن خيارات نشر النموذج نقطة نهاية دفعية مدارة لسيناريوهات الدفعات أو إما نقطة نهاية مدارة عبر الإنترنت أو توزيع Kubernetes يستخدم Azure Arc للسيناريوهات عبر الإنترنت، بالقرب من الوقت الحقيقي. يتم الإنتاج عادة في مساحة عمل واحدة أو أكثر مخصصة وآمنة التعلم الآلي.

8. مراقبة‬

   يراقب مهندسو التعلم الآلي المكونات في التقسيم المرحلي والاختبار والإنتاج لجمع المقاييس المتعلقة بالتغييرات في أداء النموذج والبيانات والبنية الأساسية. يمكنهم استخدام هذه المقاييس لاتخاذ إجراء. يمكن أن تتضمن مراقبة النموذج والبيانات التحقق من انحراف النموذج والبيانات، وأداء النموذج على البيانات الجديدة، ومشاكل الذكاء الاصطناعي المسؤولة. قد تحدد مراقبة البنية الأساسية استجابة بطيئة لنقطة النهاية أو سعة حساب غير كافية أو مشاكل في الشبكة.

9. مراقبة البيانات والنماذج: الأحداث والإجراءات

   استنادا إلى معايير النموذج والبيانات، مثل حدود القياس أو الجداول الزمنية، يمكن للمشغلات والإشعارات التلقائية تنفيذ الإجراءات المناسبة لاتخاذها. على سبيل المثال، قد يعيد المشغل تدريب نموذج لاستخدام بيانات إنتاج جديدة ثم يعيد النموذج إلى التقسيم المرحلي والاختبار لتقييم ما قبل الإنتاج. أو قد تؤدي مشكلة نموذج أو بيانات إلى إجراء يتطلب العودة إلى مرحلة تطوير النموذج حيث يمكن لعلماء البيانات التحقيق في المشكلة وربما تطوير نموذج جديد.

10. مراقبة البنية الأساسية: الأحداث والإجراءات

    يمكن للمشغلات والإشعارات التلقائية تنفيذ الإجراءات المناسبة لاتخاذها استنادا إلى معايير البنية الأساسية، مثل تأخر استجابة نقطة النهاية أو الحوسبة غير الكافية للنشر. قد تؤدي المشغلات والإشعارات التلقائية إلى العودة إلى مرحلة الإعداد والإدارة حيث يمكن لفريق البنية الأساسية التحقيق في المشكلة وربما إعادة تكوين موارد الحوسبة والشبكة.

التعلم الآلي بنية CV

قم بتنزيل ملف Visio لهذه البنية.

سير العمل لبنية CV

تستند بنية التعلم الآلي CV إلى بنية التعلم الآلي الكلاسيكية، ولكن لديها تعديلات خاصة بسيناريوهات السيرة الذاتية الخاضعة للإشراف.

1. ملكية البيانات

   يوضح هذا المكون ملكية بيانات المؤسسة ومصادر البيانات المحتملة والأهداف لمشروع علوم البيانات. مهندسو البيانات هم المالكون الأساسيون لهذا المكون في دورة حياة MLOps v2. أنظمة بيانات Azure الأساسية في هذا الرسم التخطيطي ليست شاملة أو إلزامية. يمكن أن تأتي صور سيناريوهات السيرة الذاتية من مصادر بيانات مختلفة. للكفاءة عند تطوير نماذج CV ونشرها باستخدام التعلم الآلي، نوصي ب Azure Blob Storage وAzure Data Lake Storage.

2. الإدارة والإعداد

   هذا المكون هو الخطوة الأولى في نشر MLOps v2. وهو يتألف من جميع المهام المتعلقة بإنشاء وإدارة الموارد والأدوار المرتبطة بالمشروع. بالنسبة لسيناريوهات CV، فإن إدارة وإعداد بيئة MLOps v2 هي نفسها إلى حد كبير بالنسبة للتعلم الآلي الكلاسيكي ولكنها تتضمن خطوة إضافية. يستخدم فريق البنية الأساسية ميزة وضع العلامات التعلم الآلي أو أداة أخرى لإنشاء مشاريع تسمية الصور والتعليقات التوضيحية.

3. تطوير النموذج (مرحلة الحلقة الداخلية)

   تتكون مرحلة الحلقة الداخلية من سير عمل لعلم البيانات التكراري يتم تنفيذه داخل مساحة عمل التعلم الآلي مخصصة وآمنة. الفرق الأساسي بين سير العمل هذا وسيناريو التعلم الآلي الكلاسيكي هو أن تسمية الصورة والتعليف التوضيحي هو مكون رئيسي في حلقة التطوير هذه.

4. سجلات التعلم الآلي

   بعد أن يقوم فريق علوم البيانات بتطوير نموذج يمكنهم نشره في الإنتاج، يسجلون النموذج في سجل مساحة العمل التعلم الآلي. تعمل مسارات التكامل المستمر التي يتم تشغيلها تلقائيا عن طريق تسجيل النموذج أو عن طريق الموافقة المسورة للإنسان في الحلقة على ترقية النموذج وأي تبعيات نموذج أخرى إلى مرحلة نشر النموذج.

5. توزيع النموذج (مرحلة الحلقة الخارجية)

   يتكون توزيع النموذج أو مرحلة الحلقة الخارجية من التقسيم المرحلي والاختبار قبل الإنتاج ونشر الإنتاج ومراقبة النموذج والبيانات والبنية الأساسية. عندما يفي النموذج بمعايير المؤسسة وحالة الاستخدام، تعزز مسارات CD النموذج والأصول ذات الصلة من خلال الإنتاج والمراقبة وإعادة التدريب المحتملة.

6. التقسيم المرحلي والاختبار

   تختلف مرحلة التقسيم المرحلي والاختبار وفقا لممارسات العملاء. تتضمن هذه المرحلة عادة عمليات مثل عمليات نشر الاختبار لأداء نقطة النهاية، وفحوصات جودة البيانات، واختبار الوحدة، والفحوصات المسؤولة الذكاء الاصطناعي للنموذج والتحيز للبيانات. بالنسبة لسيناريوهات CV، لا يحتاج مهندسو التعلم الآلي إلى إعادة تدريب مرشح النموذج على بيانات الإنتاج بسبب قيود الموارد والوقت. يمكن لفريق علوم البيانات بدلا من ذلك استخدام بيانات الإنتاج لتطوير النموذج. يتم تقييم نموذج المرشح المسجل من حلقة التطوير للإنتاج. تحدث هذه المرحلة في مساحة عمل التعلم الآلي واحدة أو أكثر مخصصة وآمنة.

7. توزيع الإنتاج

   بعد أن يجتاز النموذج مرحلة التقسيم المرحلي والاختبار، يمكن لمهندسي التعلم الآلي استخدام الموافقة المسورة للإنسان في الحلقة لتعزيزه إلى الإنتاج. تتضمن خيارات نشر النموذج نقطة نهاية دفعية مدارة لسيناريوهات الدفعات أو إما نقطة نهاية مدارة عبر الإنترنت أو توزيع Kubernetes يستخدم Azure Arc للسيناريوهات عبر الإنترنت، بالقرب من الوقت الحقيقي. يتم الإنتاج عادة في مساحة عمل واحدة أو أكثر مخصصة وآمنة التعلم الآلي.

8. مراقبة‬

   يراقب مهندسو التعلم الآلي المكونات في التقسيم المرحلي والاختبار والإنتاج لجمع المقاييس المتعلقة بالتغييرات في أداء النموذج والبيانات والبنية الأساسية. يمكنهم استخدام هذه المقاييس لاتخاذ إجراء. يمكن أن تتضمن مراقبة النموذج والبيانات التحقق من أداء النموذج على الصور الجديدة. قد تحدد مراقبة البنية الأساسية استجابة بطيئة لنقطة النهاية أو سعة حساب غير كافية أو مشاكل في الشبكة.

9. مراقبة البيانات والنماذج: الأحداث والإجراءات

   تعد مراحل مراقبة البيانات والنماذج والأحداث والإجراءات الخاصة ب MLOps لمعالجة اللغة الطبيعية هي الاختلافات الرئيسية عن التعلم الآلي الكلاسيكي. لا تتم إعادة التدريب التلقائي عادة في سيناريوهات CV عند اكتشاف انخفاض أداء النموذج على الصور الجديدة. في هذه الحالة، من الضروري إجراء عملية بشرية في التكرار الحلقي لمراجعة البيانات النصية الجديدة وإضافة تعليقات توضيحية إليها للنموذج الذي يعمل بشكل سيئ. غالبا ما يعود الإجراء التالي إلى حلقة تطوير النموذج لتحديث النموذج بالصور الجديدة.

10. مراقبة البنية الأساسية: الأحداث والإجراءات

    يمكن للمشغلات والإشعارات التلقائية تنفيذ الإجراءات المناسبة لاتخاذها استنادا إلى معايير البنية الأساسية، مثل تأخر استجابة نقطة النهاية أو الحوسبة غير الكافية للنشر. قد تؤدي المشغلات والإعلامات التلقائية إلى العودة إلى مرحلة الإعداد والإدارة حيث يمكن لفريق البنية الأساسية التحقيق في المشكلة وربما إعادة تكوين البيئة والحوسبة وموارد الشبكة.

التعلم الآلي بنية معالجة اللغة الطبيعية

قم بتنزيل ملف Visio لهذه البنية.

سير العمل لبنية معالجة اللغة الطبيعية

تستند بنية معالجة اللغة الطبيعية التعلم الآلي إلى بنية التعلم الآلي الكلاسيكية، ولكن لديها بعض التعديلات الخاصة بسيناريوهات NLP.

1. ملكية البيانات

   يوضح هذا المكون ملكية بيانات المؤسسة ومصادر البيانات المحتملة والأهداف لمشروع علم البيانات. مهندسو البيانات هم المالكون الأساسيون لهذا المكون في دورة حياة MLOps v2. أنظمة بيانات Azure الأساسية في هذا الرسم التخطيطي ليست شاملة أو إلزامية. تشير علامة الاختيار الخضراء إلى المصادر والأهداف التي تمثل أفضل الممارسات الموصى بها التي تستند إلى حالة استخدام العميل.

2. الإدارة والإعداد

   هذا المكون هو الخطوة الأولى في نشر MLOps v2. وهو يتألف من جميع المهام المتعلقة بإنشاء وإدارة الموارد والأدوار المرتبطة بالمشروع. بالنسبة لسيناريوهات معالجة اللغة الطبيعية، فإن إدارة وإعداد بيئة MLOps v2 هي نفسها إلى حد كبير بالنسبة للتعلم الآلي الكلاسيكي، ولكن مع خطوة إضافية: إنشاء مشاريع تسمية الصور والتعليقات التوضيحية باستخدام ميزة وضع العلامات التعلم الآلي أو أداة أخرى.

3. تطوير النموذج (مرحلة الحلقة الداخلية)

   تتكون مرحلة الحلقة الداخلية من سير عمل لعلم البيانات التكراري يتم تنفيذه داخل مساحة عمل التعلم الآلي مخصصة وآمنة. تختلف حلقة تطوير نموذج NLP النموذجية عن سيناريو التعلم الآلي الكلاسيكي من حيث أن خطوات التطوير النموذجية لهذا السيناريو تتضمن تعليقات توضيحية للجمل والرمز المميز والتطبيع والتضمينات للبيانات النصية.

4. سجلات التعلم الآلي

   بعد أن يقوم فريق علوم البيانات بتطوير نموذج يمكنهم نشره في الإنتاج، يسجلون النموذج في سجل مساحة العمل التعلم الآلي. تعمل مسارات التكامل المستمر التي يتم تشغيلها تلقائيا عن طريق تسجيل النموذج أو عن طريق الموافقة المسورة للإنسان في الحلقة على ترقية النموذج وأي تبعيات نموذج أخرى إلى مرحلة نشر النموذج.

5. توزيع النموذج (مرحلة الحلقة الخارجية)

   يتكون توزيع النموذج أو مرحلة الحلقة الخارجية من التقسيم المرحلي والاختبار قبل الإنتاج ونشر الإنتاج ومراقبة النموذج والبيانات والبنية الأساسية. عندما يفي النموذج بمعايير المؤسسة وحالة الاستخدام، تعزز مسارات CD النموذج والأصول ذات الصلة من خلال الإنتاج والمراقبة وإعادة التدريب المحتملة.

6. التقسيم المرحلي والاختبار

   تختلف مرحلة التقسيم المرحلي والاختبار وفقا لممارسات العملاء. تتضمن هذه المرحلة عادة عمليات مثل إعادة تدريب واختبار مرشح النموذج على بيانات الإنتاج، واختبار عمليات التوزيع لأداء نقطة النهاية، وفحوصات جودة البيانات، واختبار الوحدة، وفحوصات الذكاء الاصطناعي المسؤولة لتحيز النموذج والبيانات. تحدث هذه المرحلة في مساحة عمل التعلم الآلي واحدة أو أكثر مخصصة وآمنة.

7. توزيع الإنتاج

   بعد أن يجتاز النموذج مرحلة التقسيم المرحلي والاختبار، يمكن لمهندسي التعلم الآلي استخدام الموافقة المسورة للإنسان في الحلقة لتعزيزه إلى الإنتاج. تتضمن خيارات نشر النموذج نقطة نهاية دفعية مدارة لسيناريوهات الدفعات أو إما نقطة نهاية مدارة عبر الإنترنت أو توزيع Kubernetes يستخدم Azure Arc للسيناريوهات عبر الإنترنت، بالقرب من الوقت الحقيقي. يتم الإنتاج عادة في مساحة عمل واحدة أو أكثر مخصصة وآمنة التعلم الآلي.

8. مراقبة‬

   يراقب مهندسو التعلم الآلي المكونات في التقسيم المرحلي والاختبار والإنتاج لجمع المقاييس المتعلقة بالتغييرات في أداء النموذج والبيانات والبنية الأساسية. يمكنهم استخدام هذه المقاييس لاتخاذ إجراء. يمكن أن تتضمن مراقبة النموذج والبيانات التحقق من انحراف النموذج والبيانات، وأداء النموذج على البيانات النصية الجديدة، ومشاكل الذكاء الاصطناعي المسؤولة. قد تحدد مراقبة البنية الأساسية المشاكل، مثل بطء استجابة نقطة النهاية، وعدم كفاية سعة الحوسبة، ومشاكل الشبكة.

9. مراقبة البيانات والنماذج: الأحداث والإجراءات

   كما هو الحال مع بنية السيرة الذاتية، فإن البيانات ومراقبة النموذج ومرحلتي الحدث والعمل من MLOps لمعالجة اللغة الطبيعية هي الاختلافات الرئيسية عن التعلم الآلي الكلاسيكي. لا تتم إعادة التدريب التلقائي عادة في سيناريوهات معالجة اللغة الطبيعية عند اكتشاف انخفاض أداء النموذج على نص جديد. في هذه الحالة، من الضروري إجراء عملية بشرية في التكرار الحلقي لمراجعة البيانات النصية الجديدة وإضافة تعليقات توضيحية إليها للنموذج الذي يعمل بشكل سيئ. غالبا ما يكون الإجراء التالي هو العودة إلى حلقة تطوير النموذج لتحديث النموذج بالبيانات النصية الجديدة.

10. مراقبة البنية الأساسية: الأحداث والإجراءات

    يمكن للمشغلات والإشعارات التلقائية تنفيذ الإجراءات المناسبة لاتخاذها استنادا إلى معايير البنية الأساسية، مثل تأخر استجابة نقطة النهاية أو الحوسبة غير الكافية للنشر. قد تؤدي المشغلات والإعلامات التلقائية إلى العودة إلى مرحلة الإعداد والإدارة حيث يمكن لفريق البنية الأساسية التحقيق في المشكلة وربما إعادة تكوين موارد الحوسبة والشبكة.

المكونات

• التعلم الآلي هي خدمة سحابية يمكنك استخدامها لتدريب نماذج التعلم الآلي وتسجيلها ونشرها وإدارتها على نطاق واسع.

• Azure Pipelines هو نظام بناء واختبار يستند إلى Azure DevOps ويستخدم لإنشاء البنية الأساسية لبرنامج ربط العمليات التجارية وإصدارها. تقسم Azure Pipelines هذه المسارات إلى خطوات منطقية تسمى المهام.

• GitHub هو نظام أساسي لاستضافة التعليمات البرمجية للتحكم في الإصدار والتعاون وسير عمل CI/CD.

• Azure Arc هو نظام أساسي يستخدم Azure Resource Manager لإدارة موارد Azure والموارد المحلية. يمكن أن تتضمن الموارد الأجهزة الظاهرية ومجموعات Kubernetes وقواعد البيانات.

• Kubernetes هو نظام مفتوح المصدر يمكنك استخدامه لأتمتة نشر التطبيقات المعبأة في حاويات وتوسيع نطاقها وإدارتها.

• Azure Data Lake Storage هو نظام ملفات متوافق مع Hadoop. لديها مساحة اسم هرمية متكاملة وحجم هائل واقتصاد تخزين Blob.

• Azure Synapse Analytics هي خدمة تحليلات غير محدودة تجمع بين تكامل البيانات وتخزين بيانات المؤسسة وتحليلات البيانات الضخمة.

• Azure Event Hubs هي خدمة استيعاب تدفقات البيانات التي تنشئها تطبيقات العميل. ثم يستقبل البيانات المتدفقة ويخزنها، ما يحافظ على تسلسل الأحداث المستلمة. يمكن للعملاء الاتصال بنقاط نهاية المركز لاسترداد الرسائل للمعالجة. تستخدم هذه البنية تكامل Data Lake Storage.

اعتبارات أخرى

يحتوي النمط المعماري السابق ل MLOps v2 على العديد من المكونات الهامة، بما في ذلك التحكم في الوصول استنادا إلى الدور (RBAC) الذي يتماشى مع أصحاب المصلحة في الأعمال وإدارة الحزم بكفاءة وآليات مراقبة قوية. تساهم هذه المكونات بشكل جماعي في التنفيذ الناجح وإدارة مهام سير عمل التعلم الآلي.

التحكم في الوصول استنادا إلى الدور المستند إلى الشخصية

من المهم أن تدير الوصول إلى بيانات وموارد التعلم الآلي. يوفر التحكم في الوصول استنادا إلى الدور إطار عمل قويا لمساعدتك في إدارة من يمكنه تنفيذ إجراءات محددة والوصول إلى مناطق محددة ضمن الحل الخاص بك. صمم استراتيجية تجزئة الهوية الخاصة بك لتتوافق مع دورة حياة نماذج التعلم الآلي في التعلم الآلي والأشخاص المضمنين في العملية. كل شخصية لديها مجموعة محددة من المسؤوليات التي تنعكس في أدوار التحكم في الوصول استنادا إلى الدور وعضوية المجموعة.

أمثلة على الشخصيات

لدعم التجزئة المناسبة في حمل عمل التعلم الآلي، ضع في اعتبارك الشخصيات الشائعة التالية التي تعلم تصميم مجموعة RBAC المستندة إلى الهوية.

عالم البيانات ومهندس التعلم الآلي

يقوم علماء البيانات ومهندسو التعلم الآلي بتنفيذ مختلف أنشطة التعلم الآلي وعلوم البيانات عبر دورة حياة تطوير البرمجيات للمشروع. وتشمل واجباتهم تحليل البيانات الاستكشافية والمعالجة المسبقة للبيانات. علماء البيانات ومهندسو التعلم الآلي مسؤولون عن تدريب النماذج وتقييمها ونشرها. تتضمن مسؤوليات هذه الأدوار أيضا أنشطة إصلاح التعطل لنماذج التعلم الآلي والحزم والبيانات. هذه الواجبات خارج نطاق فريق الدعم التقني للمنصة.

النوع: شخص
المشروع المحدد: نعم

محلل البيانات

يوفر محللو البيانات المدخلات الضرورية لأنشطة علم البيانات، مثل تشغيل استعلامات SQL للمعلومات المهنية. تشمل مسؤوليات هذا الدور العمل مع البيانات، وإجراء تحليل البيانات، ودعم تطوير النموذج ونشر النموذج.

النوع: شخص
المشروع المحدد: نعم

مختبر النموذج

يجري مختبرو النماذج اختبارات في بيئات الاختبار والتقسيم المرحلي. يوفر هذا الدور الفصل الوظيفي عن عمليات CI/CD.

النوع: شخص
المشروع المحدد: نعم

أصحاب المصلحة في الأعمال

يرتبط أصحاب المصلحة التجاريون بالمشروع، مثل مدير التسويق.

النوع: شخص
المشروع المحدد: نعم

قائد المشروع أو قائد علوم البيانات

قائد علم البيانات هو دور إدارة المشروع لمساحة عمل التعلم الآلي. يقوم هذا الدور أيضا بأنشطة إصلاح التعطل لنماذج التعلم الآلي وحزمه.

النوع: شخص
المشروع المحدد: نعم

مالك المشروع أو المنتج (مالك العمل)

أصحاب المصلحة التجاريون مسؤولون عن مساحة عمل التعلم الآلي وفقا لملكية البيانات.

النوع: شخص
المشروع المحدد: نعم

الدعم التقني للنظام الأساسي

الدعم التقني للنظام الأساسي هو موظفو الدعم التقني المسؤولون عن أنشطة إصلاح التعطل عبر النظام الأساسي. يغطي هذا الدور البنية الأساسية أو الخدمة ولكن ليس نماذج التعلم الآلي أو الحزم أو البيانات. تظل هذه المكونات تحت دور عالم البيانات أو مهندس التعلم الآلي وهي مسؤولية قائد المشروع.

النوع: شخص
خاص بالمشروع: لا

المستخدم النهائي للنموذج

المستخدمون النهائيون للنموذج هم المستهلكون النهائيون لنموذج التعلم الآلي.

النوع: شخص أو عملية
المشروع المحدد: نعم

عمليات CI/CD

تقوم عمليات CI/CD بإصدار التغييرات أو التراجع عنها عبر بيئات النظام الأساسي.

النوع: عملية
خاص بالمشروع: لا

مساحة عمل التعلم الآلي

تستخدم مساحات العمل التعلم الآلي الهويات المدارة للتفاعل مع أجزاء أخرى من Azure. تمثل هذه الشخصية الخدمات المختلفة التي تشكل تنفيذا التعلم الآلي. تتفاعل هذه الخدمات مع أجزاء أخرى من النظام الأساسي، مثل مساحة عمل التطوير التي تتصل بمخزن بيانات التطوير.

النوع: عملية
خاص بالمشروع: لا

عمليات المراقبة

عمليات المراقبة هي عمليات حساب تراقب وتنبيه استنادا إلى أنشطة النظام الأساسي.

النوع: عملية
خاص بالمشروع: لا

عمليات إدارة البيانات

تقوم عمليات إدارة البيانات بفحص مشروع التعلم الآلي ومخازن البيانات لإدارة البيانات.

النوع: عملية
خاص بالمشروع: لا

عضوية مجموعة Microsoft Entra

عند تنفيذ RBAC، توفر مجموعات Microsoft Entra طريقة مرنة وقابلة للتطوير لإدارة أذونات الوصول عبر شخصيات مختلفة. يمكنك استخدام مجموعات Microsoft Entra لإدارة المستخدمين الذين يحتاجون إلى نفس الوصول والأذونات للموارد، مثل التطبيقات والخدمات التي يحتمل أن تكون مقيدة. يمكنك إنشاء مجموعة تطبق الأذونات الخاصة على كل عضو في تلك المجموعة بدلًا من إضافة أذونات خاصة إلى المستخدمين الفرديين.

في هذا النمط المعماري، يمكنك إقتران هذه المجموعات بإعداد مساحة عمل التعلم الآلي، مثل مشروع أو فريق أو قسم. يمكنك إقران المستخدمين بمجموعات معينة لتحديد نهج الوصول الدقيقة. تمنح النهج الأذونات أو تقيدها بمساحات عمل التعلم الآلي مختلفة استنادا إلى وظائف الوظيفة أو متطلبات المشروع أو معايير أخرى. على سبيل المثال، يمكن أن يكون لديك مجموعة تمنح جميع علماء البيانات حق الوصول إلى مساحة عمل تطوير لحالة استخدام معينة.

التحكم في الوصول استنادا إلى الدور للهوية

ضع في اعتبارك كيف يمكنك استخدام أدوار Azure RBAC المضمنة التالية لتطبيق RBAC على بيئات الإنتاج وما قبل الإنتاج. بالنسبة للبنية في هذه المقالة، تتضمن بيئات الإنتاج بيئات التشغيل المرحلي والاختبار والإنتاج. تتضمن بيئات ما قبل الإنتاج بيئات التطوير. تستند أدوار RBAC التالية إلى الشخصيات الموضحة سابقا في هذه المقالة.

الأدوار القياسية

• R = Reader
• C = مساهم
• O = المالك

أدوار محددة للمكون

• ADS = عالم بيانات التعلم الآلي

• ACO = عامل تشغيل حساب التعلم الآلي

• AcrPush = دفع سجل حاوية Azure

• DOPA = مسؤولو مشروع DevOps

• DOPCA = مسؤولو مجموعة مشاريع DevOps

• LAR = قارئ تحليلات السجل

• LAC = مساهم Log Analytics

• MR = قارئ المراقبة

• MC = Monitoring Contributor

• KVA = مسؤول Key Vault

• KVR = قارئ Key Vault

تتوافق اختصارات دور Azure RBAC هذه مع الجداول التالية.

بيئة الإنتاج

الشخصية	مساحة عمل التعلم الآلي	Azure Key Vault	Container Registry	حساب Azure Storage	Azure DevOps	البيانات الاصطناعية من Azure	مساحة عمل Log Analytics	Azure Monitor
عالم البيانات			R				لار	‏‏MR
محلل البيانات
مختبر النموذج
أصحاب المصلحة في الأعمال								‏‏MR
عميل متوقع للمشروع (عميل متوقع لعلوم البيانات)	R	R، KVR	R				لار	‏‏MR
مالك المشروع/المنتج								‏‏MR
الدعم التقني للنظام الأساسي	O	O، KVA			DOPCA	O	O	O
المستخدم النهائي للنموذج
عمليات CI/CD	O	O، KVA	AcrPush		DOPCA	O	O	O
مساحة عمل التعلم الآلي		R	C	C
عمليات المراقبة	R						لار	‏‏MR
عمليات إدارة البيانات	R		R	R	R	R

بيئة ما قبل الإنتاج

الشخصية	مساحة عمل التعلم الآلي	Key Vault	Container Registry	حساب التخزين	Azure DevOps	البيانات الاصطناعية من Azure	مساحة عمل Log Analytics	Azure Monitor
عالم البيانات	اعلان	R، KVA	C	C	C	C	LAC	MC
محلل البيانات	R			C			لار	MC
مختبر النموذج	R	R، KVR	R	R	R	R	لار	‏‏MR
أصحاب المصلحة في الأعمال	R		R	R	R	R
عميل متوقع للمشروع (عميل متوقع لعلوم البيانات)	C	C، KVA	C	C	C	C	LAC	MC
مالك المشروع/المنتج	R			R				‏‏MR
الدعم التقني للنظام الأساسي	O	O، KVA	O	O	DOPCA	O	O	O
المستخدم النهائي للنموذج
عمليات CI/CD	O	O، KVA	AcrPush	O	DOPCA	O	O	O
مساحة عمل التعلم الآلي		R، KVR	C	C
عمليات المراقبة	R	R	R	R	R	R	LAC
عمليات إدارة البيانات	R		R	R

إشعار

يحتفظ كل شخص بالوصول لمدة المشروع باستثناء الدعم التقني للنظام الأساسي، والذي يحتوي على وصول مؤقت أو في الوقت المناسب إلى Microsoft Entra إدارة الهويات المتميزة (PIM).

يلعب التحكم في الوصول استنادا إلى الدور دورا حيويا في تأمين وتبسيط مهام سير عمل MLOps. تقيد RBAC الوصول استنادا إلى الأدوار المعينة وتمنع المستخدمين غير المصرح لهم من الوصول إلى البيانات الحساسة، ما يخفف من مخاطر الأمان. تتضمن البيانات الحساسة بيانات التدريب أو النماذج والبنية الأساسية الهامة، مثل مسارات الإنتاج. يمكنك استخدام RBAC لضمان التوافق مع لوائح خصوصية البيانات. يوفر التحكم في الوصول استنادا إلى الدور أيضا سجلا واضحا للوصول والأذونات، ما يبسط التدقيق، ويجعل من السهل تحديد الثغرات الأمنية، ويتعقب نشاط المستخدم.

إدارة الحزمة

التبعيات على الحزم والمكتبات والثنائيات المختلفة شائعة طوال دورة حياة MLOps. تتطلب هذه التبعيات، التي غالبا ما تطورها المجتمع المحلي وتتطور بسرعة، معرفة خبير الموضوع للاستخدام السليم والتفاهم. يجب عليك التأكد من أن الأشخاص المناسبين لديهم وصول آمن إلى أصول متنوعة، مثل الحزم والمكتبات، ولكن يجب عليك أيضا منع الثغرات الأمنية. يواجه علماء البيانات هذه المشكلة عند تجميع كتل إنشاء متخصصة لحلول التعلم الآلي. النهج التقليدية لإدارة البرمجيات مكلفة وغير فعالة. توفر النهج الأخرى قيمة أكبر.

لإدارة هذه التبعيات، يمكنك استخدام عملية إدارة حزمة آمنة ذاتية الخدمة استنادا إلى نمط العزل. يمكنك تصميم هذه العملية للسماح لعلماء البيانات بالخدمة الذاتية من قائمة منسقة من الحزم والتأكد من أن الحزم آمنة ومتوافقة مع المعايير التنظيمية.

يتضمن هذا الأسلوب قائمة آمنة بثلاثة مستودعات حزمة التعلم الآلي القياسية للصناعة: Microsoft Artifact Registry وPython Package Index (PyPI) وConda. تتيح القائمة الآمنة الخدمة الذاتية من مساحات عمل التعلم الآلي الفردية. ثم استخدم عملية اختبار تلقائية أثناء النشر لمسح حاويات الحل الناتجة ضوئيا. حالات الفشل تخرج بشكل أنيق من عملية النشر وتزيل الحاوية. يوضح الرسم التخطيطي التالي وتدفق العملية هذه العملية:

تدفق العملية

1. يمكن لعلماء البيانات الذين يعملون في مساحة عمل التعلم الآلي تحتوي على تكوين شبكة الخدمة الذاتية لحزم التعلم الآلي عند الطلب من مستودعات حزمة التعلم الآلي. عملية الاستثناء مطلوبة لكل شيء آخر باستخدام نمط التخزين الخاص، والذي يتم غرسه وصيانته باستخدام دالة مركزية.

2. تقدم التعلم الآلي حلول التعلم الآلي كحاويات Docker. عند تطوير هذه الحلول، يتم تحميلها إلى Container Registry. ينشئ Microsoft Defender for Containers تقييمات الثغرات الأمنية لصورة الحاوية.

3. يحدث نشر الحل من خلال عملية CI/CD. يتم استخدام Microsoft Defender for DevOps عبر المكدس لتوفير إدارة وضع الأمان والحماية من التهديدات.

4. يتم نشر حاوية الحل فقط إذا مرت بكل عملية من عمليات الأمان. إذا فشلت حاوية الحل في عملية أمان، يفشل النشر مع إعلامات الخطأ ومسارات التدقيق الكاملة. يتم تجاهل حاوية الحل.

يوفر تدفق العملية السابق عملية إدارة حزم آمنة وخدمة ذاتية لعلماء البيانات ويضمن أن الحزم آمنة ومتوافقة مع المعايير التنظيمية. لتحقيق التوازن بين الابتكار والأمان، يمكنك منح علماء البيانات الوصول إلى الخدمة الذاتية لحزم التعلم الآلي الشائعة والمكتبات والثنائيات في بيئات ما قبل الإنتاج. طلب استثناءات للحزم الأقل شيوعا. تضمن هذه الاستراتيجية أن علماء البيانات يمكن أن يظلوا منتجين أثناء التطوير، ما يمنع حدوث ازدحام كبير أثناء التسليم.

لتبسيط عمليات الإصدار، قم بتعبئة البيئات في حاويات لاستخدامها في بيئات الإنتاج. تقلل البيئات المعبأة في حاويات من الكد وتضمن استمرار الأمان من خلال فحص الثغرات الأمنية. يوفر تدفق العملية هذا نهجا قابلا للتكرار يمكنك استخدامه عبر حالات الاستخدام إلى وقت التسليم. فهو يقلل من التكلفة الإجمالية لإنشاء حلول التعلم الآلي ونشرها داخل مؤسستك.

مراقبة‬

في MLOps، تعد المراقبة أمرا بالغ الأهمية للحفاظ على صحة وأداء أنظمة التعلم الآلي وضمان أن تظل النماذج فعالة ومتوافقة مع أهداف الأعمال. تدعم المراقبة التحكم في الحوكمة والأمان والتكلفة أثناء مرحلة الحلقة الداخلية. ويوفر إمكانية الملاحظة في الأداء، وتدهور النموذج، والاستخدام عند نشر الحلول أثناء مرحلة الحلقة الخارجية. تعد أنشطة المراقبة ذات صلة بالأشخاص مثل علماء البيانات وأصحاب المصلحة في الأعمال والعملاء المتوقعين للمشروع ومالكي المشاريع والدعم التقني للنظام الأساسي وعمليات التكامل المستمر/التسليم المستمر وعمليات المراقبة.

اختر النظام الأساسي للمراقبة والتحقق وفقا لإعداد مساحة العمل التعلم الآلي، مثل مشروع أو فريق أو قسم.

أداء النموذج

مراقبة أداء النموذج للكشف عن مشاكل النموذج وتدهور الأداء في وقت مبكر. تتبع الأداء للتأكد من أن النماذج تظل دقيقة وموثوقة ومتوافقة مع أهداف الأعمال.

انحراف البيانات

يتتبع انحراف البيانات التغييرات في توزيع بيانات إدخال النموذج من خلال مقارنتها ببيانات تدريب النموذج أو بيانات الإنتاج السابقة الأخيرة. هذه التغييرات هي نتيجة للتغييرات في ديناميكيات السوق أو تغييرات تحويل الميزات أو تغييرات البيانات الأولية. يمكن أن تؤدي هذه التغييرات إلى تدهور أداء النموذج، لذلك من المهم مراقبة الانجراف لضمان المعالجة في الوقت المناسب. لإجراء مقارنة، تتطلب إعادة بناء التعليمات البرمجية انحراف البيانات مجموعات بيانات الإنتاج والمخرجات الأخيرة.

البيئة: الإنتاج
تسهيل Azure: التعلم الآلي – مراقبة النموذج

انحراف التنبؤ

يتعقب انحراف التنبؤ التغييرات في توزيع مخرجات التنبؤ للنموذج من خلال مقارنتها ببيانات التحقق من الصحة أو الاختبار أو بيانات الإنتاج الحديثة. لإجراء مقارنة، تتطلب إعادة بناء التعليمات البرمجية انحراف البيانات مجموعات بيانات الإنتاج والمخرجات الأخيرة.

البيئة: الإنتاج
تسهيل Azure: التعلم الآلي – مراقبة النموذج

Resource

استخدم عدة نماذج تخدم مقاييس نقطة النهاية للإشارة إلى الجودة والأداء، مثل استخدام وحدة المعالجة المركزية أو الذاكرة. يساعدك هذا النهج على التعلم من الإنتاج للمساعدة في دفع الاستثمارات أو التغييرات المستقبلية.

البيئة: الكل
تسهيل Azure: مراقبة - مقاييس نقاط النهاية عبر الإنترنت

مقاييس الاستخدام

مراقبة استخدام نقاط النهاية للتأكد من تلبية مؤشرات الأداء الرئيسية الخاصة بالمؤسسة أو حمل العمل، وتتبع أنماط الاستخدام، وتشخيص المشكلات التي يواجهها المستخدمون ومعالجتها.

طلبات العميل

تعقب عدد طلبات العميل إلى نقطة نهاية النموذج لفهم ملف تعريف الاستخدام النشط لنقاط النهاية، والتي يمكن أن تؤثر على جهود التحجيم أو تحسين التكلفة.

البيئة: الإنتاج
تسهيل Azure: مراقبة - مقاييس نقاط النهاية عبر الإنترنت، مثل RequestsPerMinute. ملاحظات:

• يمكنك محاذاة الحدود المقبولة لتحجيم القميص أو الحالات الشاذة التي تم تصميمها وفقا لاحتياجات حمل العمل الخاص بك.
• إيقاف النماذج التي لم تعد قيد الاستخدام من الإنتاج.

تأخيرات التقييد

تأخيرات التقييد هي تباطؤ في طلب عمليات نقل البيانات والاستجابة لها. يحدث التقييد على مستوى Resource Manager ومستوى الخدمة. تتبع المقاييس على كلا المستويين.

البيئة: الإنتاج
تسهيل Azure:

• Monitor - Resource Manager، مجموع RequestThrottlingDelayMs، ResponseThrottlingDelayMs.
• التعلم الآلي - للتحقق من المعلومات حول طلبات نقاط النهاية، يمكنك تمكين سجلات حركة مرور نقطة النهاية عبر الإنترنت. يمكنك استخدام مساحة عمل Log Analytics لمعالجة السجلات.

الملاحظات: محاذاة الحدود المقبولة لأهداف مستوى الخدمة (SLOs) الخاصة بأحمال العمل أو اتفاقيات مستوى الخدمة (SLAs) والمتطلبات غير الوظيفية للحل (NFRs).

الأخطاء التي تم إنشاؤها

تعقب أخطاء رمز الاستجابة للمساعدة في قياس موثوقية الخدمة وضمان الكشف المبكر عن مشكلات الخدمة. على سبيل المثال، قد تشير الزيادة المفاجئة في 500 استجابة لخطأ الخادم إلى مشكلة حرجة تحتاج إلى اهتمام فوري.

البيئة: الإنتاج
تسهيل Azure: التعلم الآلي - تمكين سجلات حركة مرور نقطة النهاية عبر الإنترنت للتحقق من المعلومات حول طلبك. على سبيل المثال، يمكنك التحقق من عدد XRequestId باستخدام ModelStatusCode أو ModelStatusReason. يمكنك استخدام مساحة عمل Log Analytics لمعالجة السجلات.
ملاحظات:

• تصنف جميع رموز استجابات HTTP في النطاقين 400 و500 على أنها خطأ.

تحسين التكلفة

تعد إدارة التكلفة والتحسين في بيئة سحابية أمرا بالغ الأهمية لأنها تساعد أحمال العمل على التحكم في النفقات وتخصيص الموارد بكفاءة وزيادة القيمة من خدماتها السحابية.

حساب مساحة العمل

عندما تصل نفقات التشغيل الشهرية إلى مبلغ محدد مسبقا أو تتجاوزه، قم بإنشاء تنبيهات لإعلام المساهمين المعنيين، مثل عملاء المشروع المحتملين أو مالكي المشاريع، استنادا إلى حدود إعداد مساحة العمل. يمكنك تحديد إعداد مساحة العمل استنادا إلى حدود المشروع أو الفريق أو القسم.

البيئة: الكل
تسهيل Azure: إدارة التكلفة من Microsoft - تنبيهات الموازنة
ملاحظات:

• تعيين حدود الموازنة استنادا إلى NFRs الأولية وتقديرات التكلفة.
• استخدم مستويات عتبة متعددة. تضمن مستويات العتبة المتعددة حصول أصحاب المصلحة على تحذير مناسب قبل تجاوز الميزانية. قد يتضمن أصحاب المصلحة هؤلاء عملاء محتملين للأعمال أو مالكي مشاريع أو عملاء محتملين للمشروع استنادا إلى المؤسسة أو حمل العمل.
• يمكن أن تكون تنبيهات الموازنة المتسقة أيضا مشغلا لإعادة بناء التعليمات البرمجية لدعم زيادة الطلب.

ثبات مساحة العمل

إذا لم تظهر مساحة عمل التعلم الآلي أي علامات على الاستخدام النشط استنادا إلى استخدام الحساب المقترن لحالة الاستخدام المقصودة، فقد يقوم مالك المشروع بإيقاف تشغيل مساحة العمل إذا لم تعد هناك حاجة إليها لمشروع معين.

البيئة: ما قبل الإنتاج
تسهيل Azure:

• مراقبة - مقاييس التعلم الآلي
• التعلم الآلي - مقاييس مساحة العمل، مثل عدد الذاكرات الأساسية النشطة على مدى فترة زمنية

ملاحظات:

• يجب أن تساوي الذاكرات الأساسية النشطة صفرا مع تجميع العدد.
• محاذاة حدود التاريخ مع جدول المشروع.

الأمان

راقب للكشف عن الانحرافات عن عناصر التحكم في الأمان والخطوط الأساسية المناسبة للتأكد من أن مساحات العمل التعلم الآلي متوافقة مع نهج الأمان الخاصة بمؤسستك. يمكنك استخدام مجموعة من النهج المعرفة مسبقا والمحددة خصيصا.

البيئة: الكل
تسهيل Azure: نهج Azure التعلم الآلي

أمان نقطة النهاية

للحصول على رؤية في واجهات برمجة التطبيقات المهمة للأعمال، قم بتنفيذ مراقبة الأمان المستهدفة لجميع نقاط النهاية التعلم الآلي. يمكنك التحقق من وضع أمان واجهة برمجة التطبيقات وتحسينه، وتحديد أولويات إصلاحات الثغرات الأمنية، والكشف بسرعة عن التهديدات النشطة في الوقت الحقيقي.

البيئة: الإنتاج
تسهيل Azure: يوفر Microsoft Defender لواجهات برمجة التطبيقات حماية واسعة لدورة الحياة والكشف وتغطية الاستجابة لواجهات برمجة التطبيقات. ملاحظات: يوفر Defender لواجهات برمجة التطبيقات الأمان لواجهات برمجة التطبيقات التي يتم نشرها في Azure API Management. يمكنك إلحاق Defender لواجهات برمجة التطبيقات في مدخل Microsoft Defender for Cloud أو داخل مثيل APIM في مدخل Microsoft Azure. يجب دمج نقاط النهاية التعلم الآلي عبر الإنترنت مع APIM.

مراقبة التوزيع

تضمن مراقبة النشر أن أي نقاط نهاية تقوم بإنشائها تلتزم بنهج حمل العمل أو المؤسسة وخالية من الثغرات الأمنية. تتطلب هذه العملية فرض نهج التوافق على موارد Azure قبل النشر وبعده، وتوفير أمان مستمر من خلال فحص الثغرات الأمنية، والتأكد من أن الخدمة تفي باتفاقيات مستوى الخدمة أثناء التشغيل.

المعايير والحوكمة

راقب للكشف عن الانحرافات عن المعايير المناسبة وتأكد من أن حمل العمل الخاص بك يلتزم بمواصد الحماية.

البيئة: الكل
تسهيل Azure:

• تعيين النهج المدار ودورة الحياة من خلال Azure Pipelines للتعامل مع النهج كتعلم برمجي.
• يوفر PSRule ل Azure إطار عمل اختبار للبنية الأساسية ل Azure كتعلم برمجي.
• يمكنك استخدام نهج Azure للمؤسسات كتعلم برمجي في نهج توزيع النظام المستندة إلى CI/CD ومجموعات النهج والتعيينات وإعفاءات النهج وتعيينات الأدوار.

ملاحظات: لمزيد من المعلومات، راجع إرشادات Azure للامتثال التنظيمي التعلم الآلي.

المسح الأمني

تنفيذ عمليات فحص الأمان التلقائية كجزء من عمليات التكامل والتوزيع التلقائية.

البيئة: الكل
تسهيل Azure: Defender for DevOps
ملاحظات: يمكنك استخدام التطبيقات في Azure Marketplace لتوسيع هذه العملية لوحدات اختبار الأمان غير التابعة ل Microsoft.

الخدمة المستمرة

مراقبة الخدمة المستمرة لواجهة برمجة التطبيقات لتحسين الأداء والأمان واستخدام الموارد. تأكد من الكشف عن الأخطاء في الوقت المناسب، واستكشاف الأخطاء وإصلاحها بكفاءة، والامتثال للمعايير.

البيئة: الإنتاج
تسهيل Azure:

• مراقبة - مقاييس التعلم الآلي
• التعلم الآلي - يمكنك تمكين سجلات حركة مرور نقطة النهاية عبر الإنترنت للتحقق من معلومات حول الخدمة.

المساهمون

تحتفظ Microsoft بهذه المقالة. وهي مكتوبة في الأصل من قبل المساهمين التاليين.

الكتاب الرئيسيون:

• سكوت دونهو | مهندس حلول سحابي أول
• موريتز ستيلر | مهندس حلول سحابي أول

مساهمون آخرون:

• سكوت ماكينون | مهندس حلول السحابة
• نيكولاس مور | وهو مهندس حلول السحابة
• دارين تورشياريلي | مهندس حلول السحابة
• ليو كوشوشنيك | مهندس حلول السحابة

لمشاهدة ملفات تعريف LinkedIn غير العامة، سجل الدخول إلى LinkedIn.

الخطوات التالية

• ما هو Azure Pipelines؟
• نظرة عامة على Azure Arc
• ما هو التعلم الآلي؟
• البيانات في التعلم الآلي
• مستودع Azure MLOps v2 GitHub
• عمليات التعلم الآلي الشاملة (MLOps) مع التعلم الآلي
• مقدمة إلى الجيل الثاني من تخزين Azure Data Lake
• وثائق Azure DevOps
• مستندات GitHub
• وثائق Synapse Analytics
• مستند "مراكز الأحداث"
• كيفية عمل التعلم الآلي: الموارد والأصول (الإصدار 2)
• ما هي البنية الأساسية لبرنامج ربط العمليات التجارية التعلم الآلي؟

الموارد ذات الصلة

• اختيار تقنية خدمات Microsoft Azure الذكاء الاصطناعي
• تكنولوجيا معالجة اللغات الطبيعية
• مقارنة منتجات وتقنيات التعلم الآلي من Microsoft
• ما هي عملية علوم بيانات الفريق؟