عمليات التعلم الآلي

عمليات التعلم الآلي (تسمى أيضا MLOps) هي تطبيق مبادئ DevOps على التطبيقات الذكاء الاصطناعي المغرسة. لتنفيذ عمليات التعلم الآلي في مؤسسة ما، يجب أن تكون مهارات وعمليات وتكنولوجيا محددة في مكانها. الهدف هو تقديم حلول التعلم الآلي القوية والقابلة للتطوير والموثوقية والآلية.

في هذه المقالة، تعرف على كيفية تخطيط الموارد لدعم عمليات التعلم الآلي على مستوى المؤسسة. راجع أفضل الممارسات والتوصيات التي تستند إلى استخدام التعلم الآلي من Microsoft Azure لاعتماد عمليات التعلم الآلي في المؤسسة.

ما هي عمليات التعلم الآلي؟

تسهل خوارزميات وأطر التعلم الآلي الحديثة تطوير نماذج يمكنها إجراء تنبؤات دقيقة بشكل متزايد. عمليات التعلم الآلي هي طريقة منظمة لدمج التعلم الآلي في تطوير التطبيقات في المؤسسة.

في سيناريو مثال، قمت ببناء نموذج التعلم الآلي الذي يتجاوز جميع توقعات الدقة الخاصة بك ويثير إعجاب رعاة عملك. الآن حان الوقت لنشر النموذج في الإنتاج، ولكن قد لا يكون ذلك سهلا كما كنت تتوقع. من المحتمل أن تحتاج المؤسسة إلى وجود أشخاص وعمليات وتكنولوجيا قبل أن تتمكن من استخدام نموذج التعلم الآلي الخاص بك في الإنتاج.

بمرور الوقت، قد تقوم أنت أو زميل بتطوير نموذج جديد يعمل بشكل أفضل من النموذج الأصلي. يؤدي استبدال نموذج التعلم الآلي المستخدم في الإنتاج إلى تقديم بعض المخاوف المهمة للمؤسسة:

• ستحتاج إلى تنفيذ النموذج الجديد دون تعطيل العمليات التجارية التي تعتمد على النموذج المنشور.
• لأغراض تنظيمية، قد يطلب منك شرح تنبؤات النموذج أو إعادة إنشاء النموذج إذا كانت تنبؤات غير عادية أو متحيزة ناتجة عن بيانات في النموذج الجديد.
• قد تتغير البيانات التي تستخدمها في تدريب التعلم الآلي والنموذج بمرور الوقت. مع التغييرات في البيانات، قد تحتاج إلى إعادة تدريب النموذج بشكل دوري للحفاظ على دقة التنبؤ الخاصة به. سيحتاج الشخص أو الدور إلى تعيين مسؤولية لتغذية البيانات ومراقبة أداء النموذج وإعادة تدريب النموذج وإصلاح النموذج إذا فشل.

لنفترض أن لديك تطبيقا يخدم تنبؤات النموذج عبر واجهة برمجة تطبيقات REST. حتى حالة الاستخدام البسيطة مثل هذه قد تسبب مشاكل في الإنتاج. يمكن أن يساعدك تنفيذ استراتيجية عمليات التعلم الآلي في معالجة مخاوف التوزيع ودعم العمليات التجارية التي تعتمد على التطبيقات الذكاء الاصطناعي المضخمة.

تناسب بعض مهام عمليات التعلم الآلي بشكل جيد في إطار عمل DevOps العام. تتضمن الأمثلة إعداد اختبارات الوحدة واختبارات التكامل وتعقب التغييرات باستخدام التحكم في الإصدار. المهام الأخرى أكثر تميزا لعمليات التعلم الآلي وقد تتضمن:

• تمكين التجريب المستمر والمقارنة مقابل نموذج أساسي.
• مراقبة البيانات الواردة للكشف عن انحراف البيانات.
• تشغيل إعادة تدريب النموذج وإعداد العودة إلى الحالة السابقة للإصلاح بعد كارثة.
• إنشاء مسارات بيانات قابلة لإعادة الاستخدام للتدريب والتسجيل.

الهدف من عمليات التعلم الآلي هو سد الفجوة بين التطوير والإنتاج وتقديم القيمة للعملاء بشكل أسرع. لتحقيق هذا الهدف، يجب إعادة التفكير في عمليات التطوير والإنتاج التقليدية.

لا تكون متطلبات عمليات التعلم الآلي لكل مؤسسة هي نفسها. ربما لن تكون بنية عمليات التعلم الآلي لمؤسسة كبيرة متعددة الجنسيات هي نفس البنية الأساسية التي تنشئها شركة ناشئة صغيرة. تبدأ المؤسسات عادة صغيرة وتتراكم مع نمو نضجها وكتالوج النموذج وتجربتها.

يمكن أن يساعدك نموذج نضج عمليات التعلم الآلي في معرفة مكان مؤسستك على نطاق نضج عمليات التعلم الآلي ويساعدك على التخطيط للنمو المستقبلي.

عمليات التعلم الآلي مقابل DevOps

تختلف عمليات التعلم الآلي عن DevOps في العديد من المجالات الرئيسية. عمليات التعلم الآلي لها هذه الخصائص:

• يسبق الاستكشاف التطوير والعمليات.
• تتطلب دورة حياة علم البيانات طريقة موائمة للعمل.
• تحد القيود المفروضة على جودة البيانات ومدى توفرها من التقدم.
• مطلوب جهد تشغيلي أكبر مما هو عليه في DevOps.
• تتطلب فرق العمل متخصصين وخبراء في المجال.

للحصول على ملخص، راجع المبادئ السبعة لعمليات التعلم الآلي.

يسبق الاستكشاف التطوير والعمليات

تختلف مشاريع علوم البيانات عن مشاريع تطوير التطبيقات أو هندسة البيانات. قد يقوم مشروع علم البيانات بالتشغيل، ولكن غالبا ما تكون هناك خطوات أكثر مما هي عليه في التوزيع التقليدي. بعد إجراء تحليل أولي، قد يصبح من الواضح أنه لا يمكن تحقيق نتيجة الأعمال باستخدام مجموعات البيانات المتاحة. عادة ما تكون مرحلة الاستكشاف الأكثر تفصيلا هي الخطوة الأولى في مشروع علوم البيانات.

والهدف من مرحلة الاستكشاف هو تحديد المشكلة وتحسينها. خلال هذه المرحلة، يدير علماء البيانات تحليل البيانات الاستكشافية. يستخدمون الإحصائيات والمرئيات لتأكيد أو تزوير فرضيات المشكلة. وينبغي أن يفهم أصحاب المصلحة أن المشروع قد لا يمتد إلى ما بعد هذه المرحلة. في الوقت نفسه، من المهم جعل هذه المرحلة سلسة قدر الإمكان لتحقيق تحول سريع. ما لم تتضمن المشكلة التي يجب حلها عنصرا أمنيا، تجنب تقييد المرحلة الاستكشافية بالعمليات والإجراءات. يجب السماح لعلماء البيانات بالعمل مع الأدوات والبيانات التي يفضلونها. هناك حاجة إلى بيانات حقيقية لهذا العمل الاستكشافي.

يمكن للمشروع الانتقال إلى مراحل التجريب والتطوير عندما يكون أصحاب المصلحة واثقين من أن مشروع علوم البيانات ممكن ويمكن أن يوفر قيمة تجارية حقيقية. وفي هذه المرحلة، تزداد أهمية ممارسات التنمية. من الممارسات الجيدة التقاط مقاييس لجميع التجارب التي يتم إجراؤها في هذه المرحلة. من المهم أيضا دمج التحكم بالمصادر بحيث يمكنك مقارنة النماذج والتبديل بين إصدارات مختلفة من التعليمات البرمجية.

تتضمن أنشطة التطوير إعادة بناء التعليمات البرمجية للاستكشاف واختبارها وأتمتتها في مسارات التجريب القابلة للتكرار. يجب على المؤسسة إنشاء تطبيقات وتدفقات لخدمة النماذج. تساعد إعادة بناء التعليمات البرمجية في المكونات والمكتبات المعيارية على زيادة إمكانية إعادة الاستخدام والاختبار وتحسين الأداء.

وأخيرا، يتم توزيع مسارات الاستدلال على التطبيق أو الدفعة التي تخدم النماذج في بيئات التشغيل المرحلي أو الإنتاج. بالإضافة إلى مراقبة موثوقية البنية الأساسية والأداء مثل التطبيق القياسي، في توزيع نموذج التعلم الآلي، يجب عليك مراقبة جودة البيانات وملف تعريف البيانات ونموذج التدهور أو الانحراف باستمرار. تتطلب نماذج التعلم الآلي أيضا إعادة التدريب بمرور الوقت للبقاء على صلة ببيئة متغيرة.

تتطلب دورة حياة علم البيانات طريقة موائمة للعمل

نظرا لأن طبيعة البيانات وجودتها في البداية غير مؤكدة، فقد لا تحقق أهداف عملك إذا قمت بتطبيق عملية DevOps نموذجية على مشروع علوم البيانات. الاستكشاف والتجريب هما أنشطة واحتياجات متكررة طوال عملية التعلم الآلي. تستخدم Teams في Microsoft دورة حياة مشروع وعملية عمل تعكس طبيعة الأنشطة الخاصة بعلوم البيانات. عملية علوم بيانات الفريقوعملية دورة حياة علوم البيانات هما أمثلة على عمليات التنفيذ المرجعية.

القيود المفروضة على جودة البيانات وتقدم حد التوفر

بالنسبة لفريق التعلم الآلي لتطوير التطبيقات المغرسة بالتعلم الآلي بشكل فعال، يفضل الوصول إلى بيانات الإنتاج لجميع بيئات العمل ذات الصلة. إذا لم يكن الوصول إلى بيانات الإنتاج ممكنا بسبب متطلبات التوافق أو القيود التقنية، ففكر في تنفيذ التحكم في الوصول المستند إلى دور Azure (Azure RBAC) باستخدام التعلم الآلي من Microsoft Azure أو الوصول في الوقت المناسب أو مسارات نقل البيانات لإنشاء نسخ متماثلة لبيانات الإنتاج وتحسين إنتاجية المستخدم.

يتطلب التعلم الآلي جهدا تشغيليا أكبر

على عكس البرامج التقليدية، فإن أداء حل التعلم الآلي معرض للخطر باستمرار لأن الحل يعتمد على جودة البيانات. للحفاظ على حل نوعي في الإنتاج، من الضروري أن تراقب باستمرار وتعيد تقييم كل من البيانات وجودة النموذج. من المتوقع أن يتطلب نموذج الإنتاج إعادة التدريب وإعادة التوزيع والضبط في الوقت المناسب. تأتي هذه المهام على رأس متطلبات الأمان اليومية ومراقبة البنية الأساسية والامتثال، وتتطلب خبرة متخصصة.

تتطلب فرق التعلم الآلي متخصصين وخبراء في المجال

على الرغم من أن مشاريع علوم البيانات تشترك في الأدوار مع مشاريع تكنولوجيا المعلومات العادية، فإن نجاح جهد التعلم الآلي يعتمد بشكل كبير على وجود متخصصين أساسيين في تكنولوجيا التعلم الآلي وخبراء في مجال المجال. يتمتع أخصائي التكنولوجيا بالخلفية الصحيحة لإجراء تجربة التعلم الآلي الشاملة. يمكن أن يدعم خبير المجال المتخصص عن طريق تحليل البيانات وتجميعها أو عن طريق تأهيل البيانات للاستخدام.

الأدوار التقنية الشائعة الفريدة لمشاريع علوم البيانات هي خبير المجال ومهندس البيانات وعالم البيانات ومهندس الذكاء الاصطناعي ومدقق النموذج ومهندس التعلم الآلي. لمعرفة المزيد حول الأدوار والمهام في فريق علوم البيانات النموذجي، راجع عملية علوم بيانات الفريق.

سبعة مبادئ لعمليات التعلم الآلي

أثناء التخطيط لاعتماد عمليات التعلم الآلي في مؤسستك، ضع في اعتبارك تطبيق المبادئ الأساسية التالية كأساس:

• استخدم التحكم في الإصدار لمخرجات التعليمات البرمجية والبيانات والتجريب. على عكس تطوير البرامج التقليدية، يكون للبيانات تأثير مباشر على جودة نماذج التعلم الآلي. يجب عليك إصدار قاعدة التعليمات البرمجية للتجريب، ولكن أيضا إصدار مجموعات البيانات الخاصة بك للتأكد من أنه يمكنك إعادة إنتاج التجارب أو نتائج الاستدلال. يمكن أن يوفر إصدار مخرجات التجريب مثل النماذج الجهد والتكلفة الحسابية لإعادة إنشائها.

• استخدم بيئات متعددة. لفصل التطوير والاختبار عن عمل الإنتاج، قم بنسخ البنية الأساسية الخاصة بك في بيئتين على الأقل. قد يختلف التحكم في الوصول للمستخدمين لكل بيئة.

• إدارة البنية الأساسية والتكوينات كتعلم برمجي. عند إنشاء مكونات البنية الأساسية وتحديثها في بيئات العمل الخاصة بك، استخدم البنية الأساسية كتعلم برمجي، لذلك لا تتطور التناقضات في بيئاتك. إدارة مواصفات مهمة تجربة التعلم الآلي كتعليمة برمجية بحيث يمكنك بسهولة إعادة تشغيل وإعادة استخدام إصدار من تجربتك في بيئات متعددة.

• تعقب تجارب التعلم الآلي وإدارتها. تعقب مؤشرات الأداء الرئيسية والبيانات الاصطناعية الأخرى لتجارب التعلم الآلي. عندما تحتفظ بمحفوظات أداء الوظيفة، يمكنك إجراء تحليل كمي لنجاح التجريب وتعزيز تعاون الفريق وخفة الحركة.

• اختبر التعليمات البرمجية، وتحقق من سلامة البيانات، وتأكد من جودة النموذج.اختبر قاعدة التعليمات البرمجية للتجريب لإعداد البيانات الصحيحة ووظائف استخراج الميزات وتكامل البيانات وأداء النموذج.

• التكامل والتسليم المستمر للتعلم الآلي. استخدم التكامل المستمر (CI) لأتمتة الاختبار لفريقك. تضمين تدريب النموذج كجزء من مسارات التدريب المستمر. قم بتضمين اختبار A/B كجزء من الإصدار الخاص بك للتأكد من استخدام نموذج نوعي فقط في الإنتاج.

• مراقبة الخدمات والنماذج والبيانات. عند خدمة النماذج في بيئة عمليات التعلم الآلي، من الضروري مراقبة الخدمات لوقت تشغيل البنية الأساسية الخاصة بها والامتثال وجودة النموذج. إعداد المراقبة لتحديد البيانات وانحراف النموذج وفهم ما إذا كانت إعادة التدريب مطلوبة أم لا. ضع في اعتبارك إعداد مشغلات لإعادة التدريب التلقائي.

أفضل الممارسات من التعلم الآلي من Microsoft Azure

يوفر التعلم الآلي من Microsoft Azure خدمات إدارة الأصول والتنسيق والتشغيل التلقائي لمساعدتك في إدارة دورة حياة تدريب نموذج التعلم الآلي وسير عمل التوزيع. راجع أفضل الممارسات والتوصيات لتطبيق عمليات التعلم الآلي في مجالات الموارد للأشخاص والعمليات والتكنولوجيا، وكلها مدعومة من قبل التعلم الآلي من Microsoft Azure.

الأشخاص

• اعمل في فرق المشروع لاستخدام المعرفة المتخصصة والمجالية في مؤسستك على أفضل نحو. قم بإعداد مساحات عمل التعلم الآلي من Microsoft Azure لكل مشروع للامتثال لمتطلبات فصل حالة الاستخدام.

• حدد مجموعة من المسؤوليات والمهام كدور بحيث يمكن تعيين أي عضو في فريق مشروع عمليات التعلم الآلي إلى أدوار متعددة والوفاء بها. استخدم الأدوار المخصصة في Azure لتحديد مجموعة من عمليات Azure RBAC الدقيقة للتعلم الآلي من Microsoft Azure التي يمكن لكل دور تنفيذها.

• توحيد دورة حياة المشروع ومنهجية Agile. توفر عملية علوم بيانات الفريق تنفيذ دورة حياة مرجعية.

• يمكن للفرق المتوازنة تشغيل جميع مراحل عمليات التعلم الآلي، بما في ذلك الاستكشاف والتطوير والعمليات.

عملية

• توحيد قالب التعليمات البرمجية لإعادة استخدام التعليمات البرمجية وتسريع وقت التدرج في مشروع جديد أو عندما ينضم عضو فريق جديد إلى المشروع. استخدم مسارات التعلم الآلي من Microsoft Azure والبرامج النصية لتقديم المهاموتدفقات CI/CD كأساس للقوالب الجديدة.

• استخدم التحكم في الإصدار. تتعقب المهام التي يتم إرسالها من مجلد مدعوم من Git بيانات تعريف المستودع تلقائيا باستخدام المهمة في التعلم الآلي من Microsoft Azure للتكرار.

• استخدم تعيين الإصدار لإدخالات التجربة ومخرجاتها للتكرار. استخدم مجموعات بيانات التعلم الآلي من Microsoft Azureوإدارة النموذج وقدرات إدارة البيئة لتسهيل تعيين الإصدار.

• إنشاء محفوظات تشغيل لتشغيل التجربة للمقارنة والتخطيط والتعاون. استخدم إطار عمل لتتبع التجربة مثل MLflow لجمع المقاييس.

• قياس جودة عمل فريقك والتحكم فيها باستمرار من خلال CI على قاعدة التعليمات البرمجية الكاملة للتجريب.

• إنهاء التدريب في وقت مبكر من العملية عندما لا يتقارب النموذج. استخدم إطار عمل لتتبع التجربة ومحفوظات التشغيل في التعلم الآلي من Microsoft Azure لمراقبة عمليات تشغيل المهام.

• تحديد استراتيجية إدارة التجربة والنموذج. ضع في اعتبارك استخدام اسم مثل بطل للإشارة إلى نموذج الأساس الحالي. نموذج التحدي هو نموذج مرشح قد يتفوق على النموذج البطل في الإنتاج. تطبيق العلامات في التعلم الآلي من Microsoft Azure لوضع علامة على التجارب والنماذج. في سيناريو مثل التنبؤ بالمبيعات، قد يستغرق الأمر شهورا لتحديد ما إذا كانت تنبؤات النموذج دقيقة أم لا.

• رفع CI للتدريب المستمر من خلال تضمين تدريب النموذج في البناء. على سبيل المثال، ابدأ تدريب النموذج على مجموعة البيانات الكاملة مع كل طلب سحب.

• قم بتقصير الوقت المستغرق للحصول على ملاحظات حول جودة مسار التعلم الآلي عن طريق تشغيل بناء تلقائي على عينة بيانات. استخدم معلمات مسار التعلم الآلي من Microsoft Azure لتحديد معلمات مجموعات بيانات الإدخال.

• استخدم التوزيع المستمر (CD) لنماذج التعلم الآلي لأتمتة التوزيع واختبار خدمات التسجيل في الوقت الحقيقي في بيئات Azure الخاصة بك.

• في بعض الصناعات المنظمة، قد يطلب منك إكمال خطوات التحقق من صحة النموذج قبل أن تتمكن من استخدام نموذج التعلم الآلي في بيئة إنتاج. قد يؤدي أتمتة خطوات التحقق من الصحة إلى تسريع الوقت للتسليم. عندما لا تزال خطوات المراجعة اليدوية أو التحقق من الصحة تشكل ازدحاما، ضع في اعتبارك ما إذا كان يمكنك اعتماد البنية الأساسية لبرنامج ربط العمليات التجارية للتحقق من صحة النموذج التلقائي. استخدم علامات الموارد في التعلم الآلي من Microsoft Azure للإشارة إلى توافق الأصول والمرشحين للمراجعة أو كمشغلات للتوزيع.

• لا تقم بإعادة التدريب في الإنتاج، ثم استبدل نموذج الإنتاج مباشرة دون إجراء اختبار التكامل. على الرغم من أن أداء النموذج والمتطلبات الوظيفية قد تبدو جيدة، من بين مشكلات محتملة أخرى، قد يكون للنموذج المعاد تدريبه بصمة بيئة أكبر وكسر بيئة الخادم.

• عندما يتوفر الوصول إلى بيانات الإنتاج فقط في الإنتاج، استخدم Azure RBACوالأدوار المخصصة لمنح عدد محدد من ممارسي التعلم الآلي حق الوصول للقراءة. قد تحتاج بعض الأدوار إلى قراءة البيانات لاستكشاف البيانات ذات الصلة. بدلا من ذلك، اجعل نسخة البيانات متاحة في بيئات غير إنتاجية.

• الاتفاق على اصطلاحات التسمية والعلامات لتجارب التعلم الآلي من Microsoft Azure للتمييز بين إعادة تدريب مسارات التعلم الآلي الأساسية عن العمل التجريبي.

التكنولوجيا

• إذا قمت حاليا بإرسال المهام عبر واجهة مستخدم استوديو التعلم الآلي من Microsoft Azure أو CLI، بدلا من إرسال المهام عبر SDK، فاستخدم مهام CLI أو التعلم الآلي من Azure DevOps لتكوين خطوات البنية الأساسية لبرنامج ربط العمليات التجارية للأتمتة. قد تقلل هذه العملية من بصمة التعليمات البرمجية عن طريق إعادة استخدام نفس عمليات إرسال المهمة مباشرة من مسارات التنفيذ التلقائي.

• استخدم البرمجة المستندة إلى الحدث. على سبيل المثال، قم بتشغيل مسار اختبار نموذج دون اتصال باستخدام Azure Functions بعد تسجيل نموذج جديد. أو أرسل إعلاما إلى اسم بريد إلكتروني مستعار معين عند فشل تشغيل مسار مهم. ينشئ التعلم الآلي من Microsoft Azure أحداثا في Azure Event Grid. يمكن الاشتراك في أدوار متعددة ليتم إعلامك بحدث.

• عند استخدام Azure DevOps للأتمتة، استخدم مهام Azure DevOps للتعلم الآلي لاستخدام نماذج التعلم الآلي كمشغلات للبنية الأساسية لبرنامج ربط العمليات التجارية.

• عند تطوير حزم Python لتطبيق التعلم الآلي الخاص بك، يمكنك استضافتها في مستودع Azure DevOps كقطع أثرية ونشرها كموجز. باستخدام هذا الأسلوب، يمكنك دمج سير عمل DevOps لإنشاء الحزم مع مساحة عمل التعلم الآلي من Microsoft Azure.

• ضع في اعتبارك استخدام بيئة التقسيم المرحلي لاختبار تكامل نظام البنية الأساسية لبرنامج ربط العمليات التجارية للتعلم الآلي مع مكونات تطبيق المصدر أو انتقال البيانات من الخادم.

• إنشاء اختبارات الوحدة والتكامل لنقاط نهاية الاستدلال لتصحيح الأخطاء المحسن وتسريع الوقت للتوزيع.

• لتشغيل إعادة التدريب، استخدم أجهزة عرض مجموعة البياناتومهام سير العمل المستندة إلى الحدث. اشترك في أحداث انحراف البيانات وأتمتة مشغل مسارات التعلم الآلي لإعادة التدريب.

الذكاء الاصطناعي المصنع لعمليات التعلم الآلي للمؤسسة

قد يقرر فريق علوم البيانات أنه يمكنه إدارة حالات استخدام التعلم الآلي المتعددة داخليا. يساعد اعتماد عمليات التعلم الآلي المؤسسة على إنشاء فرق مشاريع لتحسين جودة الحلول وموثوقيتها وصيانتها. من خلال الفرق المتوازنة والعمليات المدعومة وأتمتة التكنولوجيا، يمكن للفريق الذي يعتمد عمليات التعلم الآلي توسيع نطاق تطوير حالات استخدام جديدة والتركيز عليها.

مع نمو عدد حالات الاستخدام في المؤسسة، يزداد عبء الإدارة لدعم حالات الاستخدام خطيا، أو أكثر من ذلك. يصبح التحدي الذي تواجهه المؤسسة هو كيفية تسريع وقت التسويق، ودعم التقييم الأسرع لجدوى حالة الاستخدام، وتنفيذ قابلية التكرار، وأفضل استخدام للموارد المتاحة ومجموعات المهارات في مجموعة من المشاريع. بالنسبة للعديد من المؤسسات، يعد تطوير مصنع الذكاء الاصطناعي هو الحل.

مصنع الذكاء الاصطناعي هو نظام من العمليات التجارية القابلة للتكرار والبيانات الاصطناعية الموحدة التي تسهل تطوير ونشر مجموعة كبيرة من حالات استخدام التعلم الآلي. يقوم مصنع الذكاء الاصطناعي بتحسين إعداد الفريق والممارسات الموصى بها واستراتيجية عمليات التعلم الآلي والأنماط المعمارية والقوالب القابلة لإعادة الاستخدام المصممة خصيصا لمتطلبات العمل.

يعتمد مصنع الذكاء الاصطناعي الناجح على العمليات القابلة للتكرار والأصول القابلة لإعادة الاستخدام لمساعدة المؤسسة على التوسع بكفاءة من عشرات حالات الاستخدام إلى آلاف حالات الاستخدام.

يلخص الشكل التالي العناصر الرئيسية لمصنع الذكاء الاصطناعي:

توحيد الأنماط المعمارية القابلة للتكرار

قابلية التكرار هي سمة أساسية لمصنع الذكاء الاصطناعي. يمكن لفرق علوم البيانات تسريع تطوير المشاريع وتحسين الاتساق عبر المشاريع من خلال تطوير بعض الأنماط المعمارية القابلة للتكرار التي تغطي معظم حالات استخدام التعلم الآلي لمؤسستها. عندما تكون هذه الأنماط في مكانها، يمكن لمعظم المشاريع استخدام الأنماط للحصول على المزايا التالية:

• مرحلة التصميم المتسارع
• الموافقات المتسارعة من فرق تكنولوجيا المعلومات والأمان عند إعادة استخدام الأدوات عبر المشاريع
• التطوير المتسارع بسبب البنية الأساسية القابلة لإعادة الاستخدام كقوالب تعليمات برمجية وقوالب مشروع

يمكن أن تتضمن الأنماط المعمارية على سبيل المثال لا الحصر الموضوعات التالية:

• الخدمات المفضلة لكل مرحلة من مراحل المشروع
• اتصال البيانات والحوكمة
• استراتيجية عمليات التعلم الآلي المصممة خصيصا لمتطلبات الصناعة أو الأعمال أو تصنيف البيانات
• بطل إدارة التجربة ونماذج التحدي

تسهيل التعاون والمشاركة عبر الفريق

يمكن لمستودعات التعليمات البرمجية المشتركة والأدوات المساعدة تسريع تطوير حلول التعلم الآلي. يمكن تطوير مستودعات التعليمات البرمجية بطريقة نمطية أثناء تطوير المشروع بحيث تكون عامة بما يكفي لاستخدامها في مشاريع أخرى. يمكن إتاحتها في مستودع مركزي يمكن لجميع فرق علوم البيانات الوصول إليه.

مشاركة الملكية الفكرية وإعادة استخدامها

لزيادة إعادة استخدام التعليمات البرمجية إلى أقصى حد، راجع الملكية الفكرية التالية في بداية المشروع:

• التعليمات البرمجية الداخلية التي تم تصميمها لإعادة الاستخدام في المؤسسة. تتضمن الأمثلة الحزم والوحدات النمطية.
• مجموعات البيانات التي تم إنشاؤها في مشاريع التعلم الآلي الأخرى أو المتوفرة في النظام البنائي ل Azure.
• مشاريع علوم البيانات الحالية التي لها بنية مماثلة ومشاكل تجارية.
• GitHub أو مصدر مفتوح المستودعات التي يمكنها تسريع المشروع.

يجب أن يتضمن أي مشروع بأثر رجعي عنصر إجراء لتحديد ما إذا كان يمكن مشاركة عناصر المشروع وتعميمها لإعادة استخدامها على نطاق أوسع. تتوسع قائمة الأصول التي يمكن للمؤسسة مشاركتها وإعادة استخدامها بمرور الوقت.

للمساعدة في المشاركة والاكتشاف، قدمت العديد من المؤسسات مستودعات مشتركة لتنظيم قصاصات التعليمات البرمجية وبيانات التعلم الآلي الاصطناعية. يمكن تعريف البيانات الاصطناعية في التعلم الآلي من Microsoft Azure، بما في ذلك مجموعات البياناتوالنماذجوالبيئات والبنيات الأساسية لبرنامج ربط العمليات التجارية، على أنها تعليمات برمجية، حتى تتمكن من مشاركتها بكفاءة عبر المشاريع ومساحات العمل.

قوالب المشاريع

لتسريع عملية ترحيل الحلول الموجودة وزيادة إعادة استخدام التعليمات البرمجية إلى أقصى حد، تتوحد العديد من المؤسسات على قالب مشروع لبدء مشاريع جديدة. أمثلة على قوالب المشاريع الموصى باستخدامها مع التعلم الآلي من Microsoft Azure هي أمثلة التعلم الآلي من Azure وعملية دورة حياة علم البياناتوعملية علوم بيانات الفريق.

إدارة البيانات المركزية

يمكن أن تستغرق عملية الوصول إلى البيانات للاستكشاف أو استخدام الإنتاج وقتا طويلا. تقوم العديد من المؤسسات بمركزية إدارة البيانات للجمع بين منتجي البيانات ومستهلكي البيانات لتسهيل الوصول إلى البيانات لتجريب التعلم الآلي.

الأدوات المساعدة المشتركة

يمكن لمؤسستك استخدام لوحات المعلومات المركزية على مستوى المؤسسة لدمج معلومات التسجيل والمراقبة. قد تتضمن لوحات المعلومات تسجيل الأخطاء وتوافر الخدمة وبيانات تتبع الاستخدام ومراقبة أداء النموذج.

استخدم مقاييس Azure Monitor لإنشاء لوحة معلومات للتعلم الآلي من Microsoft Azure والخدمات المقترنة مثل Azure Storage. تساعدك لوحة المعلومات على تعقب تقدم التجريب وصحة البنية الأساسية للحساب واستخدام الحصة النسبية لوحدة معالجة الرسومات.

فريق هندسة التعلم الآلي المتخصص

نفذت العديد من المؤسسات دور مهندس التعلم الآلي. يتخصص مهندس التعلم الآلي في إنشاء وتشغيل مسارات قوية للتعلم الآلي، ومراقبة الانجراف وإعادة تدريب مهام سير العمل، ومراقبة لوحات المعلومات. يتحمل المهندس المسؤولية العامة عن تصنيع حل التعلم الآلي، من التطوير إلى الإنتاج. يعمل المهندس بشكل وثيق مع هندسة البيانات والمهندسين المعماريين والأمان والعمليات لضمان وجود جميع عناصر التحكم الضرورية.

على الرغم من أن علم البيانات يتطلب خبرة عميقة في المجال، فإن هندسة التعلم الآلي أكثر تقنية في التركيز. الفرق يجعل مهندس التعلم الآلي أكثر مرونة، حتى يتمكنوا من العمل على مشاريع مختلفة ومع أقسام الأعمال المختلفة. قد تستفيد ممارسات علوم البيانات الكبيرة من فريق هندسة التعلم الآلي المتخصص الذي يدفع إمكانية تكرار مهام سير عمل الأتمتة وإعادة استخدامها عبر حالات الاستخدام المختلفة ومناطق الأعمال.

التمكين والوثائق

من المهم توفير إرشادات واضحة حول عملية مصنع الذكاء الاصطناعي للفرق والمستخدمين الجدد والحالين. تساعد الإرشادات على ضمان الاتساق وتقليل الجهد المطلوب من فريق هندسة التعلم الآلي عندما يقوم بالتصنيع في مشروع. ضع في اعتبارك تصميم المحتوى خصيصا للأدوار المختلفة في مؤسستك.

لدى الجميع طريقة فريدة للتعلم، لذلك يمكن أن يساعد مزيج من أنواع الإرشادات التالية في تسريع اعتماد إطار عمل الذكاء الاصطناعي المصنع:

• مركز مركزي يحتوي على ارتباطات إلى جميع البيانات الاصطناعية. على سبيل المثال، قد يكون هذا المركز قناة على Microsoft Teams أو موقع Microsoft SharePoint.
• التدريب وخطة التمكين المصممة لكل دور.
• عرض ملخص عالي المستوى للنهج وفيديو مصاحب.
• مستند أو دليل مبادئ مفصل.
• مقاطع فيديو إرشادية.
• تقييمات الجاهزية.

عمليات التعلم الآلي في سلسلة فيديو Azure

توضح لك سلسلة فيديو حول عمليات التعلم الآلي في Azure كيفية إنشاء عمليات التعلم الآلي لحل التعلم الآلي الخاص بك، من التطوير الأولي إلى الإنتاج.

الاخلاق

تلعب الأخلاقيات دورا أساسيا في تصميم حل الذكاء الاصطناعي. إذا لم يتم تنفيذ المبادئ الأخلاقية، فقد تظهر النماذج المدربة نفس التحيز الموجود في البيانات التي تم تدريبها عليها. قد تكون النتيجة إيقاف المشروع. والأهم من ذلك، قد تكون سمعة المنظمة في خطر.

لضمان تنفيذ المبادئ الأخلاقية الرئيسية التي ترمز إليها المؤسسة عبر المشاريع، يجب على المؤسسة تقديم قائمة بهذه المبادئ وطرق التحقق من صحتها من منظور تقني أثناء مرحلة الاختبار. استخدم ميزات التعلم الآلي في التعلم الآلي من Microsoft Azure لفهم ما هو التعلم الآلي المسؤول وكيفية إنشائه في عمليات التعلم الآلي.

الخطوات التالية

تعرف على المزيد حول كيفية تنظيم وإعداد بيئات التعلم الآلي من Microsoft Azure، أو مشاهدة سلسلة فيديو عملية حول عمليات التعلم الآلي في Azure.

تنظيم وإعداد بيئات التعلم الآلي من Microsoft Azure

تعرف على المزيد حول كيفية إدارة الميزانيات والحصص والتكاليف على مستوى المؤسسة باستخدام التعلم الآلي من Microsoft Azure:

إدارة ميزانيات التعلم الآلي والتكاليف والحصص النسبية باستخدام التعلم الآلي من Microsoft Azure