مشاركة عبر

النُهُج المعمارية للذكاء الاصطناعي والتعلم الآلي في الحلول متعددة المستأجرين

  • مقالة

بُني عدد متزايد باستمرار من الحلول متعددة المستأجرين حول الذكاء الاصطناعي (AI) والتعلم الآلي (ML). يعد حل الذكاء الاصطناعي/ التعلم الآلي متعدد المستخدمين أحد الحلول التي توفر إمكانات مماثلة تستند إلى التعلم الآلي لأي عدد من المستأجرين. لا يستطيع المستأجرون عمومًا رؤية بيانات أي مستأجر آخر أو مشاركتها، ولكن في بعض الحالات، قد يستخدم المستأجرون نفس النماذج التي يستخدمها المستأجرون الآخرون.

تحتاج معماريات الذكاء الاصطناعي المتعددة/ التعلم الآلي إلى مراعاة متطلبات البيانات والنماذج، بالإضافة إلى موارد الحساب المطلوبة لتدريب النماذج ولإجراء الاستدلال من النماذج. من المهم النظر في كيفية نشر نماذج الذكاء الاصطناعي/ التعلم الآلي وتوزيعها وتنظيمها، والتأكد من أن الحل الخاص بك دقيق، وموثوق، وقابل للتوسع.

نظرا لأن تقنيات الذكاء الاصطناعي التوليدية، مدعومة بنماذج لغات كبيرة وصغيرة، تكتسب شعبية، فمن الأهمية بمكان وضع ممارسات واستراتيجيات تشغيلية فعالة لإدارة هذه النماذج في بيئات الإنتاج عن طريق اعتماد عمليات التعلم الآلي (MLOps) وGenAIOps (المعروفة أحيانا باسم LLMOps).

الاعتبارات والمتطلبات الرئيسية

عند العمل مع الذكاء الاصطناعي والتعلم الآلي، من المهم مراعاة متطلباتك للتدريبوالاستنتاج بشكل منفصل. الغرض من التدريب هو بناء نموذج تنبؤي يعتمد على مجموعة من البيانات. تقوم بإجراء الاستدلال عند استخدام النموذج للتنبؤ بشيء ما في تطبيقك. كل عملية من تلك العمليات لها متطلبات مختلفة. في الحل متعدد المستأجرين، يجب أن تفكر في كيفية تأثير نموذج الإيجار الخاص بك على كل عملية. من خلال النظر في كل من هذه المتطلبات، يمكنك التأكد من أن الحل الخاص بك يوفر نتائج دقيقة، ويعمل بشكل جيد تحت الحمل، وفعال من حيث التكلفة، ويمكن أن يغير السعة لنموك المستقبلي.

عزل Tenant

تأكد من عدم حصول المستأجرين على وصول غير مصرح به أو غير مرغوب فيه إلى بيانات أو نماذج المستأجرين الآخرين. تعامل مع النماذج ذات الحساسية المماثلة للبيانات الخام التي دربتها. تأكد من أن المستأجرين يفهمون طريقة استخدام بياناتهم لتدريب النماذج، وكيف يمكن استخدام النماذج المدربة على بيانات المستأجرين الآخرين لأغراض الاستدلال على أحمال العمل.

يوجد ثلاث طرق شائعة للعمل مع نماذج التعلم الآلي في الحلول متعددة المستأجرين: النماذج الخاصة بالمستأجر، والنماذج المشتركة، والنماذج المشتركة المضبوطة.

نماذج خاصة بالمستأجر

تُدرب النماذج الخاصة بالمستأجر فقط على بيانات مستأجر واحد، ثم يتم تطبيقها على ذلك المستأجر الفردي. تكون النماذج الخاصة بالمستأجر مناسبة عندما تكون بيانات المستأجرين لديك حساسة، أو عندما يوجد مجال ضئيل للتعلم من البيانات التي يوفرها أحد المستأجرين، وتقوم بتطبيق النموذج على مستأجر آخر. يوضح الرسم البياني التالي كيف يمكنك بناء حل باستخدام نماذج خاصة بالمستأجر لاثنين من المستأجرين:

رسم تخطيطي يوضح نموذجين خاصين للمستأجر. يتم تدريب كل نموذج مع بيانات من مستأجر واحد. يتم استخدام النماذج للاستدلال من قبل مستخدمي هذا المستأجر.

النماذج المشتركة

في الحلول التي تستخدم نماذج مشتركة، يقوم جميع المستأجرين بالاستدلال بناءً على نفس النموذج المشترك. قد تكون النماذج المشتركة نماذج تم اختبارها مسبقًا تحصل عليها أو تحصل عليها من مصدر مجتمع ظاهري. يوضح الرسم البياني التالي كيف يمكن استخدام نموذج واحد تم اختباره مسبقًا للاستدلال من قبل جميع المستأجرين:

رسم تخطيطي يوضح نموذجا واحدا مدربا مسبقا. يستخدم النموذج للاستدلال من قبل المستخدمين من جميع المستأجرين.

يمكنك أيضًا بناء النماذج المشتركة الخاصة بك عن طريق تدريبها من البيانات المقدمة من جميع المستأجرين لديك. يوضح الرسم البياني التالي نموذجًا واحدًا مشتركًا يتم تدريبه على البيانات من جميع المستأجرين:

رسم تخطيطي يوضح نموذجا مشتركا واحدا تم تدريبه على البيانات من مستأجرين متعددين. يستخدم النموذج للاستدلال من قبل المستخدمين من جميع المستأجرين.

هام

إذا قمت بتدريب نموذج مشترك من بيانات المستأجرين لديك، فتأكد من أن المستأجرين لديك يفهمون ويوافقون على استخدام بياناتهم. تأكد من حذف معلومات التعريف من بيانات المستأجرين لديك.

ضع في اعتبارك ما يجب فعله، إذا كان المستأجر يعترض على بياناته المستخدمة لتدريب نموذج سيتم تطبيقه على مستأجر آخر. على سبيل المثال، هل ستكون قادرًا على استبعاد بيانات مستأجرين محددين من مجموعة بيانات التدريب؟

نماذج مشتركة تم ضبطها

قد تختار أيضًا الحصول على نموذج أساسي تم اختباره مسبقًا، ثم إجراء مزيد من ضبط النموذج لجعله قابلاً للتطبيق على كل مستأجرك، بناءً على بياناتهم الخاصة. يوضح الرسم البياني التالي هذا النهج:

رسم تخطيطي يوضح نموذجا أساسيا مدربا مسبقا متخصصا لكل مستأجر، مع بياناته الخاصة. يتم استخدام النماذج للاستدلال من قبل مستخدمي هذا المستأجر.

قابلية التوسع

ضع في اعتبارك كيف يؤثر نمو الحل الخاص بك على استخدامك لمكونات الذكاء الاصطناعي والتعلم الآلي. يمكن أن يدل النمو على الزيادة في عدد المستأجرين، وكمية البيانات المخزنة لكل مستأجر، وعدد المستخدمين، وحجم الطلبات إلى الحل الخاص بك.

التدريب: يوجد العديد من العوامل التي تؤثر على الموارد المطلوبة لتدريب نماذجك. تتضمن تلك العوامل عدد النماذج التي تحتاج إلى تدريبها، وكمية البيانات التي تقوم بتدريب النماذج بها، وعدد مرات تدريب النماذج أو إعادة تدريبها. إذا أنشأت نماذج خاصة بالمستأجر، فمع نمو عدد المستأجرين لديك، من المرجح أيضًا أن تزداد كمية موارد الحوسبة والتخزين التي تحتاجها. إذا أنشأت نماذج مشتركة ودربتها بناءً على البيانات من جميع المستأجرين لديك، فمن غير المرجح أن تتسع موارد التدريب بنفس معدل النمو في عدد المستأجرين لديك. ومع ذلك، فإن الزيادة في المقدار الإجمالي لبيانات التدريب ستؤثر على الموارد التي يتم استهلاكها، لتدريب كل من النماذج المشتركة والنماذج الخاصة بالمستأجر.

الاستدلال: عادة ما تتناسب الموارد المطلوبة للاستدلال مع عدد الطلبات التي تصل إلى نماذج الاستدلال. ومع زيادة عدد المستأجرين، من المحتمل أيضًا أن يزداد عدد الطلبات.

من الممارسات العامة الجيدة استخدام خدمات Azure التي تغير السعة بشكلٍ جيد. نظرًا لأن أحمال العمل الذكاء الاصطناعي/ التعلم الآلي تميل إلى الاستفادة من الحاويات، تميل Azure Kubernetes Service (AKS) وAzure Container Instances (ACI) إلى أن تكون اختيارات شائعة لأحمال عمل الذكاء الاصطناعي/ التعلم الآلي. عادةً ما يكون AKS اختيارًا جيدًا لتمكين النطاق الواسع، ولتوسيع نطاق موارد الحوسبة بشكل ديناميكي بناءً على الطلب. بالنسبة لأحمال العمل الصغيرة، يمكن أن يكون ACI نظامًا أساسيًا بسيطًا للحوسبة لتكوينه، على الرغم من أنه لا يتسع بسهولة مثل AKS.

الأداء

فكر في متطلبات الأداء لمكونات الذكاء الاصطناعي/ التعلم الآلي في الحل الخاص بك، لكل من التدريب والاستدلال. يهم توضيح متطلبات وقت الاستجابة والأداء لكل عملية، بحيث يمكنك القياس والتحسين على النحو المطلوب.

التدريب: غالبًا ما يتم إجراء التدريب كعملية مجمعة، مما يعني أنه قد لا يكون حساسًا للأداء مثل الأجزاء الأخرى من حمل عملك. ومع ذلك، تحتاج إلى التأكد من توفير الموارد الكافية لأداء تدريب النموذج الخاص بك بكفاءة، بما في ذلك أثناء تغيير السعة.

الاستدلال: الاستدلال عملية حساسة لوقت الاستجابة، وغالبًا ما تتطلب استجابة سريعة أو حتى في الوقت الحقيقي. حتى إذا لم تكن بحاجة إلى إجراء الاستدلال في الوقت الحقيقي، فتأكد من مراقبة أداء الحل الخاص بك واستخدام الخدمات المناسبة لتحسين حمل العمل لديك.

ضع في اعتبارك استخدام قدرات الحوسبة عالية الأداء في Azure لأحمال عمل الذكاء الاصطناعي والتعلم الآلي. يوفر Azure العديد من الأنواع المختلفة من الأجهزة الافتراضية وغيرها من مثيلات الأجهزة. ضع في اعتبارك إذا ما كان الحل الخاص بك سيستفيد من استخدام وحدات المعالجة المركزية (CPU)، أو وحدات معالجة الرسومات (GPU)، أو FPGA، أو البيئات الأخرى التي يتم تسريعها باستخدام الأجهزة. يوفر Azure أيضًا استنتاجًا في الوقت الفعلي باستخدام وحدات معالجة الرسومات NVIDIA، بما في ذلك خوادم الاستدلال NVIDIA Triton. بالنسبة لمتطلبات الحوسبة ذات الأولوية المنخفضة، فكر في استخدام تجمعات العقد الموضعية AKS. لمعرفة المزيد حول تحسين خدمات الحوسبة في الحل المتعدد المستأجرين، راجع النهج المعمارية للحوسبة في الحلول متعددة المستأجرين.

يتطلب تدريب النموذج عادةً الكثير من التفاعلات مع مخازن البيانات الخاصة بك، لذلك من المهم أيضًا مراعاة إستراتيجية البيانات والأداء الذي توفره الطبقة المسؤولة عن البيانات الخاصة بك. لمزيد من المعلومات حول الخدمات متعددة المستأجرين وخدمات البيانات، راجع النهج المعمارية للتخزين والبيانات في الحلول متعددة المستأجرين.

فكر في تحديد أداء الحل الخاص بك. على سبيل المثال، يوفر التعلم الآلي في Azure قدرات جمع المعلوماتالتي يمكنك استخدامها عند تطوير الحل الخاص بك وتجهيزه.

تعقيدات التنفيذ

عند إنشاء حل لاستخدام الذكاء الاصطناعي والتعلم الآلي، يمكنك اختيار استخدام مكونات تم إنشاؤها مسبقًا، أو إنشاء مكونات مخصصة. يوجد نوعان من القرارات الرئيسية التي تحتاج إلى اتخاذها. الأول هو النظام الأساسي أو الخدمة التي تستخدمها للذكاء الاصطناعي والتعلم الآلي. والثاني هو ما إذا كنت تستخدم النماذج التي تم اختبارها مسبقًا أو تقوم ببناء النماذج المخصصة الخاصة بك.

النظم الأساسية: هناك العديد من خدمات Azure التي يمكنك استخدامها لأحمال عمل الذكاء الاصطناعي والتعلم الآلي. على سبيل المثال، توفر Azure الذكاء الاصطناعي Services وAzure OpenAI Service واجهات برمجة التطبيقات لتنفيذ الاستدلال على النماذج التي تم إنشاؤها مسبقا، وتدير Microsoft الموارد الأساسية. تمكنك Azure الذكاء الاصطناعي Services من نشر حل جديد بسرعة، ولكنه يمنحك تحكما أقل في كيفية تنفيذ التدريب والاستدلال، وقد لا يناسب كل نوع من أنواع حمل العمل. في المقابل، Azure التعلم الآلي هو نظام أساسي يمكّنك من إنشاء نماذج التعلم الآلي الخاصة بك، وتدريبها، واستخدامها. يوفر التعلم الآلي في Azure التحكم والمرونة، ولكنه يزيد من تعقيد التصميم والتنفيذ. راجع منتجات وتقنيات التعلم الآلي من مايكروسوفت لاتخاذ قرار مستنير عند تحديد نهجًا.

النماذج: حتى عندما لا تستخدم نموذجا كاملا يتم توفيره بواسطة خدمة مثل Azure الذكاء الاصطناعي Services، فلا يزال بإمكانك تسريع تطويرك باستخدام نموذج مدرب مسبقا. إذا كان النموذج المدرب مسبقا لا يناسب احتياجاتك بدقة، ففكر في توسيع نموذج مدرب مسبقا من خلال تطبيق تقنية تسمى نقل التعلم أو الضبط الدقيق. يمكّنك التعلم عن طريق النقل من توسيع نموذج موجود وتطبيقه على مجال مختلف. على سبيل المثال، إذا كنت تقوم ببناء خدمة توصية موسيقية متعددة المستأجرين، فقد تفكر في بناء نموذج تم اختباره مسبقًا لتوصيات الموسيقى، واستخدام تعلم النقل لتدريب النموذج على تفضيلات الموسيقى الخاصة بمستخدم معين.

باستخدام منصات التعلم الآلي التي تم إنشاؤها مسبقا مثل Azure الذكاء الاصطناعي Services أو Azure OpenAI Service، أو نموذج مدرب مسبقا، يمكنك تقليل تكاليف البحث والتطوير الأولية بشكل كبير. قد يوفر لك استخدام الأنظمة الأساسية المُنشأة مسبقًا عدة أشهر من البحث، ويتجنب الحاجة إلى تعيين علماء بيانات مؤهلين تأهيلاً عالياً لتدريب النماذج، وتصميمها، وتحسينها.

تحسين التكلفة

بشكل عام، تتحمل أعباء العمل الخاصة بالذكاء الاصطناعي وتعلم الآلة الجزء الأكبر من تكاليفها من موارد الحساب المطلوبة للتدريب النموذجي والاستدلال. راجع النهج المعمارية للحوسبة في الحلول متعددة المستأجرين لفهم كيفية تحسين تكلفة حساب حمل العمل لمتطلباتك.

فكّر في المتطلبات التالية عند التخطيط لتكاليف الذكاء الاصطناعي والتعلم الآلي:

  • تحديد وحدات حفظ المخزون للحساب للتدريب. على سبيل المثال، راجع إرشادات حول كيفية القيام بذلك باستخدام Azure التعلم الآلي.
  • تحديد وحدات حفظ المخزون للحساب من أجل الاستدلال. للحصول على مثال لتقدير التكلفة للاستدلال، راجع إرشادات Azure التعلم الآلي.
  • راقب استخدامك. من خلال مراقبة استخدام موارد الحوسبة الخاصة بك، يمكنك تحديد ما إذا كان يجب تقليل أو زيادة سعتها من خلال نشر وحدات حفظ المخزون مختلفة، أو توسيع نطاق موارد الحساب مع تغير متطلباتك. راجع مراقبة التعلم الآلي.
  • تحسين بيئة الحوسبة العنقودية الخاصة بك. عند استخدام مجموعات الحوسبة، راقب استخدام نظام المجموعة أو كوّن تغيير السعة التلقائي لتغيير سعة عقد الحوسبة.
  • مشاركة موارد الحوسبة. فكّر في إذا ما كان يمكنك تحسين تكلفة موارد الحوسبة الخاصة بك من خلال مشاركتها عبر مستأجرين متعددين.
  • فكّر ميزانيتك. افهم ما إذا كانت لديك ميزانية ثابتة، وراقب استهلاكك وفقًا لذلك. يمكنك إعداد الموازنات لمنع زيادة الإنفاق وتخصيص الحصص بناءً على المستأجر مسبقًا.

مناهج وأنماط يجب مراعاتها

يوفر Azure مجموعة من الخدمات لتمكين أحمال العمل للذكاء الاصطناعي والتعلم الآلي. يوجد العديد من الأساليب المعمارية الشائعة المستخدمة في الحلول متعددة المستأجرين: لاستخدام حلول الذكاء الاصطناعي/ التعلم الآلي سابقة الإنشاء، لإنشاء بنية الذكاء الاصطناعي/ التعلم الآلي مخصصة باستخدام Azure Machine Learning، واستخدام أحد الأنظمة الأساسية للتحليلات Azure.

استخدام خدمات الذكاء الاصطناعي/التعلم الآلي سابقة الإنشاء

إنها ممارسة جيدة أن تحاول استخدام خدمات الذكاء الاصطناعي/ التعلم الآلي المنشأة مسبقًا، حيث يمكنك ذلك. على سبيل المثال، قد تكون مؤسستك قد بدأت في التفكير في الذكاء الاصطناعي/ التعلم الآلي وتريد الاندماج بسرعة مع خدمة مفيدة. أو قد يكون لديك متطلبات أساسية لا تتطلب تدريبًا وتطويرًا لنموذج التعلم الآلي من Microsoft Azure المخصص. تمكّنك خدمات تعلم الآلة المُعدة مسبقًا من استخدام الاستدلال دون بناء النماذج الخاصة بك وتدريبها.

يوفر Azure العديد من الخدمات التي توفر الذكاء الاصطناعي وتكنولوجيا التعلم الآلي عبر مجموعة من المجالات، بما في ذلك فهم اللغة والتعرف على الكلام والمعرفة والتعرف على المستندات والنماذج ورؤية الكمبيوتر. تتضمن خدمات التعلم الآلي/الذكاء الاصطناعي/التعلم الآلي التي تم إنشاؤها مسبقا من Azure خدمات Azure الذكاء الاصطناعي وخدمة Azure OpenAI وAzure الذكاء الاصطناعي Search وAzure الذكاء الاصطناعي Document Intelligence. توفر كل خدمة واجهة بسيطة للتكامل، ومجموعة من النماذج التي تم اختبارها مسبقًا. كونها خدمات مُدارة، فإنها توفر اتفاقيات مستوى الخدمة وتتطلب القليل من التكوين أو الإدارة المستمرة. لا تحتاج إلى تطوير أو اختبار النماذج الخاصة بك لاستخدام هذه الخدمات.

لا تتطلب العديد من خدمات تعلم الآلة المُدارة تدريبًا نموذجيًا أو بيانات، لذلك لا توجد عادة مخاوف بشأن عزل بيانات المستأجر. ومع ذلك، عند العمل مع الذكاء الاصطناعي Search في حل متعدد المستأجرين، راجع أنماط التصميم لتطبيقات SaaS متعددة المستأجرين وAzure الذكاء الاصطناعي Search.

ضع في اعتبارك متطلبات الحجم للمكونات في الحل الخاص بك. على سبيل المثال، تدعم العديد من واجهات برمجة التطبيقات داخل Azure الذكاء الاصطناعي Services الحد الأقصى لعدد الطلبات في الثانية. إذا قمت بنشر مورد واحد الذكاء الاصطناعي Services لمشاركته عبر المستأجرين، ثم مع زيادة عدد المستأجرين، قد تحتاج إلى التوسع إلى موارد متعددة.

إشعار

تمكنك بعض الخدمات المدارة من التدريب باستخدام بياناتك الخاصة، بما في ذلك خدمة Custom Vision وواجهة برمجة تطبيقات Face ونماذج Document Intelligence المخصصة وبعض نماذج OpenAI التي تدعم التخصيص والضبط الدقيق. عند استخدام هذه الخدمات، من المهم مراعاة متطلبات العزل لبيانات المستأجرين.

معمار الذكاء الاصطناعي/التعلم الآلي المخصص

إذا كان الحل الخاص بك يتطلب نماذج مخصصة، أو كنت تعمل في مجال لا تغطيه خدمة التعلم الآلي من Microsoft Azure مُدارة، ففكر إذن في إنشاء معمار الذكاء الاصطناعي/ التعلم الآلي الخاصة بك. التعلم الآلي من Microsoft Azure يوفر مجموعة من القدرات لتنظيم التدريب ونشر نماذج التعلم الآلي. يدعم التعلم الآلي من Microsoft Azure العديد من مكتبات التعلم الآلي مفتوحة المصدر، بما في ذلك PyTorchوTensorflowوScikitوKeras. يمكنك مراقبة مقاييس أداء النماذج باستمرار، واكتشاف انحراف البيانات، وتحفيز إعادة التدريب لتحسين أداء النموذج. طوال دورة حياة نماذج التعلم الآلي الخاصة بك، يتيح التعلم الآلي من Microsoft Azure إمكانية التدقيق والحوكمة من خلال التتبع والنسب المضمنين لجميع عناصر التعلم الآلي الخاصة بك.

عند استخدام حل متعدد المستأجرين، من المهم مراعاة متطلبات العزل للمستأجرين أثناء كل من مرحلتي التدريب والاستدلال. تحتاج أيضًا إلى تحديد نموذج التدريب وعملية النشر. يوفر التعلم الآلي من Microsoft Azure خط أنابيب لتدريب النماذج ونشرها في بيئة لاستخدامها في الاستدلال. في سياق متعدد المستأجرين، فكر فيما إذا كان ينبغي نشر النماذج لموارد الحوسبة المشتركة، أو إذا كان كل مستأجر لديه موارد مخصصة. تصميم مسارات توزيع النموذج الخاص بك، اعتمادًا على نموذج العزلالخاص بك وعملية توزيع المستأجر الخاص بك.

عند استخدام نماذج ذات مصادر مفتوحة، قد تحتاج إلى إعادة تدريب هذه النماذج باستخدام نقل التعلم أو الضبط. ضع في اعتبارك كيف ستدير النماذج المختلفة وبيانات التدريب لكل مستأجر، بالإضافة إلى إصدارات النموذج.

يوضح الرسم التخطيطي التالي مثالاً للهندسة المعمارية التي تستخدم التعلم الآلي من Microsoft Azure. يستخدم المثال النهج المتمثل في عزل النماذج الخاصة بالمستأجر.

رسم تخطيطي يوضح بنية تستخدم Azure التعلم الآلي. تقوم مساحة العمل، التي تحتوي على مشاريع وتجارب، ببناء النماذج للمستأجرين A وB وC. يصل المستخدمون لكل مستأجر إلى طبقة API مشتركة، والتي تنفذ الاستدلال باستخدام نموذج التعلم الآلي ذي الصلة للمستأجر الخاص بهم،

الحلول المتكاملة للذكاء الاصطناعي/التعلم الآلي

يوفر Azure العديد من النظم الأساسية المختصة بالتحليلات القوية التي يمكن استخدامها لمجموعة من الأغراض. ومن هذه الأنظمة الأساسية: Azure Synapse AnalyticsوDatabricksوApache Spark.

يمكنك النظر في استخدام هذه الأنظمة الأساسية الذكاء الاصطناعي/التعلم الآلي، وعندما تحتاج إلى توسيع نطاق قدرات التعلم الآلي إلى عدد كبير جدًا من المستأجرين، وعندما تحتاج إلى حساب وتنسيق واسع النطاق. يمكنك أيضًا التفكير في استخدام هذه الأنظمة الأساسية للذكاء الاصطناعي/ التعلم الآلي من Microsoft Azure، عندما تحتاج إلى نظام تحليلات واسع النطاق لأجزاء أخرى من الحل الخاص بك، مثل تحليلات البيانات والتكامل مع إعداد التقارير من خلال Microsoft Power BI. يمكنك توزيع نظام أساسي واحد يغطي جميع التحليلات واحتياجات الذكاء الاصطناعي/التعلم الآلي. عند تنفيذ الأنظمة الأساسية للبيانات في حل متعدد المستأجرين، راجع النُهُج المعمارية للتخزين والبيانات في الحلول متعددة المستأجرين.

نموذج تشغيلي ل ML

عند اعتماد الذكاء الاصطناعي والتعلم الآلي، بما في ذلك ممارسات الذكاء الاصطناعي التوليدية، من الممارسات الجيدة تحسين قدراتك التنظيمية وتقييمها باستمرار في إدارتها. يوفر إدخال MLOps وGenAIOps بشكل موضوعي إطار عمل لتوسيع قدرات ممارسات التعلم الآلي الذكاء الاصطناعي والمستمرة في مؤسستك. راجع مستندات نموذج MLOps Maturity Model و LLMOps Maturity للحصول على مزيد من الإرشادات.

أنماط مضادة لتجنب

  • عدم مراعاة متطلبات العزل. من المهم التفكير بعناية في طريقة عزل بيانات المستأجرين ونماذجهم، سواء كان ذلك للتدريب أو للاستدلال. قد يؤدي عدم القيام بذلك إلى انتهاك المتطلبات القانونية أو التعاقدية. قد يقلل أيضًا من دقة نماذجك للتدريب عبر بيانات مستأجرين متعددين، إذا كانت البيانات مختلفة بشكل كبير.
  • الجوار المزعج. فكر فيما إذا كانت عمليات التدريب أو الاستدلال الخاصة بك قد تخضع لمشكلة الجوار المزعج. على سبيل المثال، إذا كان لديك العديد من المستأجرين الكبار ومستأجر صغير واحد، فتأكد من أن التدريب النموذجي للمستأجرين الكبار لا يستهلك عن غير قصد جميع موارد الحوسبة ويجوع المستأجرين الأصغر. استخدم إدارة الموارد ومراقبتها للتخفيف من مخاطر حساب عبء عمل المستأجر الذي يتأثر بنشاط المستأجرين الآخرين.

المساهمون

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

الكاتب الرئيسي:

مساهمون آخرون:

الخطوات التالية