MLflow والتعلم الآلي من Microsoft Azure

2025-05-02

ينطبق على:ملحق ML Azure CLI v2 (الحالي)Python SDK azure-ai-ml v2 (الحالي)

توضح هذه المقالة قدرات MLflow، وهو إطار عمل مفتوح المصدر مصمم لإدارة دورة حياة التعلم الآلي الكاملة. يستخدم MLflow مجموعة متسقة من الأدوات لتدريب النماذج وتقديمها على منصات مختلفة. يمكنك استخدام MLflow سواء كانت تجاربك قيد التشغيل محليا أو على هدف حساب بعيد أو جهاز ظاهري أو مثيل حساب التعلم الآلي من Azure.

مساحات عمل التعلم الآلي من Azure متوافقة مع MLflow، ما يعني أنه يمكنك استخدام مساحة عمل التعلم الآلي من Azure بنفس الطريقة التي تستخدم بها خادم MLflow. هذا التوافق له المزايا التالية:

لا يستضيف التعلم الآلي من Azure مثيلات خادم MLflow، ولكن يمكنه استخدام واجهات برمجة تطبيقات MLflow مباشرة.
يمكنك استخدام مساحة عمل التعلم الآلي من Azure كخادم تعقب لأي رمز MLflow، سواء كان يعمل في التعلم الآلي من Azure أم لا. تحتاج فقط إلى تكوين MLflow للإشارة إلى مساحة العمل حيث يجب أن يحدث التتبع.
يمكنك تشغيل أي روتين تدريبي يستخدم MLflow في التعلم الآلي من Azure دون إجراء أي تغييرات.

تلميح

على عكس Azure Machine Learning SDK v1، لا توجد وظيفة تسجيل في Azure Machine Learning v2 SDK. يمكنك استخدام تسجيل MLflow للتأكد من أن إجراءات التدريب الخاصة بك غير محددة على السحابة ومحمولة ولا تعتمد على التعلم الآلي من Azure.

ما هو التعقب

عند العمل مع الوظائف، يتتبع التعلم الآلي من Microsoft Azure تلقائيا بعض المعلومات حول التجارب، مثل التعليمات البرمجية والبيئة وبيانات الإدخال والإخراج. ومع ذلك، فإن النماذج والمعلمات والمقاييس خاصة بالسيناريو، لذلك يجب على منشئي النماذج تكوين تعقبهم.

تختلف بيانات تعريف التتبع المحفوظة حسب التجربة، ويمكن أن تتضمن:

رمز
تفاصيل البيئة مثل إصدار نظام التشغيل وحزم Python
بيانات الإدخال
تكوينات المعلمات
نماذج
مقاييس تقييم
مرئيات التقييم مثل مصفوفات الإرباك ومخططات الأهمية
نتائج التقييم، بما في ذلك بعض تنبؤات التقييم

فوائد تتبع التجارب

سواء كنت تقوم بتدريب نماذج ذات وظائف في التعلم الآلي من Azure أو بشكل تفاعلي في دفاتر الملاحظات، يساعدك تعقب التجربة على:

نظم جميع تجارب التعلم الآلي في مكان واحد. يمكنك بعد ذلك البحث عن التجارب وتصفيتها والتنقل لأسفل للاطلاع على تفاصيل حول التجارب السابقة.
قارن التجارب بسهولة، وتحليل النتائج، وتدريب نموذج التصحيح.
إعادة إنتاج التجارب أو إعادة تشغيلها للتحقق من صحة النتائج.
تحسين التعاون، لأنه يمكنك معرفة ما يفعله زملاء الفريق الآخرون ومشاركة نتائج التجربة والوصول إلى بيانات التجربة برمجيا.

التعقب باستخدام MLflow

مساحات عمل التعلم الآلي من Azure متوافقة مع MLflow. يعني هذا التوافق أنه يمكنك استخدام MLflow لتعقب عمليات التشغيل والمقاييس والمعلمات والبيانات الاصطناعية في مساحات العمل دون الحاجة إلى تغيير إجراءات التدريب أو إدخال أي بناء جملة خاص بالسحابة. لمعرفة كيفية استخدام MLflow لتتبع التجارب وتشغيلها في مساحات عمل التعلم الآلي من Azure، راجع تعقب التجارب والنماذج باستخدام MLflow.

يستخدم Azure التعلم الآلي تتبع MLflow لتسجيل المقاييس وتخزين البيانات الاصطناعية لتجاربك. عند الاتصال ب Azure Machine Learning، تتحقق جميع عمليات تتبع MLflow في مساحة العمل التي تعمل فيها.

لمعرفة كيفية تمكين التسجيل لمراقبة مقاييس التشغيل في الوقت الحقيقي باستخدام MLflow، راجع مقاييس السجل والمعلمات والملفات باستخدام MLflow. يمكنك أيضا الاستعلام عن التجارب ومقارنتها وتشغيلها مع MLflow.

يوفر MLflow في التعلم الآلي من Microsoft Azure طريقة لمركزية التتبع. يمكنك توصيل MLflow بمساحات عمل Azure التعلم الآلي حتى عندما تعمل محليا أو في سحابة مختلفة. توفر مساحة عمل التعلم الآلي من Azure موقعا مركزيا وآمنا وقابلا للتطوير لتخزين مقاييس ونماذج التدريب.

يمكن ل MLflow في التعلم الآلي من Azure ما يلي:

تتبع تجارب التعلم الآلي والنماذج التي تعمل محليا أو في السحابة.
تتبع تجارب التعلم الآلي من Azure Databricks.
تتبع تجارب التعلم الآلي من Azure Synapse Analytics.

التعقب باستخدام MLflow في R

يحتوي دعم MLflow في R على القيود التالية:

يقتصر تعقب MLflow على تعقب مقاييس التجربة والمعلمات والنماذج على وظائف Azure التعلم الآلي.
التدريب التفاعلي على RStudio أو Posit (سابقا RStudio Workbench) أو Jupyter notebooks مع R kernels غير مدعوم.
إدارة النموذج والتسجيل غير مدعومين. استخدم Azure Machine Learning CLI أو استوديو التعلم الآلي من Azure لتسجيل النموذج وإدارته.

للحصول على أمثلة لاستخدام عميل تتبع MLflow مع نماذج R في التعلم الآلي من Azure، راجع تدريب نماذج R باستخدام Azure Machine Learning CLI (v2).

التعقب باستخدام MLflow في Java

يحتوي دعم MLflow في Java على القيود التالية:

يقتصر تعقب MLflow على تعقب مقاييس التجربة والمعلمات على وظائف Azure التعلم الآلي.
لا يمكن تعقب البيانات الاصطناعية والنماذج. بدلا من ذلك، استخدم mlflow.save_model الأسلوب مع outputs المجلد في المهام لحفظ النماذج أو البيانات الاصطناعية التي تريد التقاطها.

للحصول على مثال Java الذي يستخدم عميل تتبع MLflow مع خادم تتبع التعلم الآلي من Azure، راجع azuremlflow-java.

أمثلة على دفاتر الملاحظات لتعقب MLflow

يوضح تدريب وتعقب مصنف XGBoost باستخدام MLflow كيفية استخدام MLflow لتعقب التجارب ونماذج السجل ودمج نكهات متعددة في المسارات.
يوضح تدريب وتعقب مصنف XGBoost باستخدام MLflow باستخدام المصادقة الأساسية للخدمة كيفية استخدام MLflow لتعقب التجارب من حساب يعمل خارج التعلم الآلي من Azure. يوضح المثال كيفية المصادقة مقابل خدمات Azure التعلم الآلي باستخدام كيان الخدمة.
يوضح تحسين Hyperparameter باستخدام HyperOpt والتشغيلات المتداخلة في MLflow كيفية استخدام عمليات التشغيل التابعة لإجراء تحسين المعلمات الفائقة للنماذج باستخدام مكتبة HyperOpt الشائعة. يوضح المثال كيفية نقل المقاييس والمعلمات والبيانات الاصطناعية من عمليات التشغيل التابعة إلى عمليات التشغيل الأصل.
يوضح تسجيل النماذج باستخدام MLflow كيفية استخدام مفهوم النماذج بدلا من البيانات الاصطناعية مع MLflow. يوضح المثال أيضا كيفية إنشاء نماذج مخصصة.
توضح إدارة عمليات التشغيل والتجارب باستخدام MLflow كيفية استخدام MLflow للاستعلام عن التجارب، والجولات، والمقاييس، والمعلمات، والبيانات الاصطناعية من التعلم الآلي من Azure.

تسجيل النموذج باستخدام MLflow

تدعم التعلم الآلي من Microsoft Azure MLflow لإدارة النماذج. هذا الدعم هو طريقة ملائمة للمستخدمين الذين هم على دراية بعميل MLflow لإدارة دورة حياة النموذج بأكملها. لمزيد من المعلومات حول كيفية إدارة النماذج باستخدام MLflow API في التعلم الآلي من Microsoft Azure، راجع إدارة سجلات النماذج في التعلم الآلي من Azure باستخدام MLflow.

مثال على دفتر الملاحظات لتسجيل نموذج MLflow

توضح إدارة النموذج باستخدام MLflow كيفية إدارة النماذج في السجلات.

توزيع النموذج باستخدام MLflow

يمكنك نشر نماذج MLflow في التعلم الآلي من Azure للاستفادة من تجربة محسنة. يدعم Azure التعلم الآلي نشر نماذج MLflow على كل من نقاط النهاية في الوقت الفعلي والدفعة دون الحاجة إلى تحديد بيئة أو برنامج نصي لتسجيل النقاط.

يدعم MLflow SDK وAzure Machine Learning CLI وAzure Machine Learning SDK ل Python وAzure Machine Learning studio نشر نموذج MLflow. لمزيد من المعلومات حول نشر نماذج MLflow في التعلم الآلي من Azure للاستدلال في الوقت الفعلي والدفعة، راجع إرشادات نشر نماذج MLflow.

أمثلة على دفاتر الملاحظات لنشر نموذج MLflow

يوضح نشر MLflow إلى نقاط النهاية عبر الإنترنت كيفية نشر نماذج MLflow إلى نقاط النهاية عبر الإنترنت باستخدام MLflow SDK.
يوضح الإطلاق التدريجي لتوزيعات MLflow كيفية نشر نماذج MLflow إلى نقاط النهاية عبر الإنترنت باستخدام MLflow SDK مع إطلاق النموذج التدريجي. يوضح المثال أيضا نشر إصدارات متعددة من نموذج إلى نفس نقطة النهاية.
يوضح نشر نماذج MLflow إلى خدمات الويب القديمة كيفية نشر نماذج MLflow إلى خدمات الويب القديمة (مثيلات حاوية Azure أو Azure Kubernetes Service v1) باستخدام MLflow SDK.
يوضح تدريب النماذج في Azure Databricks ونشرها على التعلم الآلي من Azure كيفية تدريب النماذج في Azure Databricks ونشرها في التعلم الآلي من Azure. يغطي المثال أيضا تتبع التجارب مع مثيل MLflow في Azure Databricks.

التدريب باستخدام مشاريع MLflow (معاينة)

تحذير

MLproject سيتم إيقاف دعم الملفات (MLflow Projects) في Azure التعلم الآلي بشكل كامل في سبتمبر 2026. لا يزال MLflow مدعوما بالكامل ولا يزال الطريقة الموصى بها لتتبع أحمال عمل التعلم الآلي في Azure التعلم الآلي.

بينما تستمر في استخدام MLflow، نوصي بالانتقال من MLproject الملفات إلى Azure التعلم الآلي Jobs، باستخدام إما Azure CLI أو Azure التعلم الآلي SDK ل Python (v2). لمزيد من المعلومات حول وظائف Azure التعلم الآلي، راجع تعقب تجارب ونماذج التعلم الآلي باستخدام MLflow.

هام

تُعد هذه الميزة قيد الإصدار الأولي العام في الوقت الحالي. يجري توفير إصدار المعاينة هذا دون اتفاقية على مستوى الخدمة، ولا نوصي باستخدامه لأحمال عمل الإنتاج. بعض الميزات ربما لا تكون مدعمة أو بها بعض القدرات المقيدة.

لمزيد من المعلومات، راجع شروط الاستخدام التكميلية لمعاينات Microsoft Azure.

يمكنك إرسال مهام التدريب إلى التعلم الآلي من Azure باستخدام مشاريع MLflow. يمكنك إرسال المهام محليًا باستخدام التعلم الآلي من Microsoft Azure لتعقب عمليات التشغيل الخاصة بك أو ترحيلها إلى السحابة عبر حساب التعلم الآلي من Microsoft Azure.

لمعرفة كيفية إرسال مهام التدريب التي تستخدم مشاريع MLflow إلى مساحات عمل التعلم الآلي من Azure للتعقب، راجع التدريب باستخدام مشاريع MLflow في التعلم الآلي من Azure (معاينة).

أمثلة على دفاتر الملاحظات لمشاريع MLflow

إمكانات أدوات عميل MLflow مقابل Azure Machine Learning

يعرض الجدول التالي عمليات دورة حياة التعلم الآلي الممكنة مع MLflow SDK وأدوات عميل التعلم الآلي من Microsoft Azure.

الميزة	MLflow SDK	Azure Machine Learning CLI/SDK v2	Azure Machine Learning Studio
تعقب وتسجيل المقاييس والمعلمات والنماذج	✓
استرداد المقاييس والمعلمات والنماذج	✓	يمكن تنزيل البيانات الاصطناعية والنماذج فقط.	✓
إرسال الوظائف التدريبية	ممكن باستخدام مشاريع MLflow (معاينة).	✓	✓
إرسال مهام التدريب باستخدام أصول بيانات Azure التعلم الآلي		✓	✓
إرسال مهام التدريب باستخدام مسارات التعلم الآلي		✓	✓
إدارة التجارب وعمليات التشغيل	✓	✓	✓
إدارة نماذج MLflow	قد لا يتم دعم بعض العمليات. ¹	✓	✓
إدارة نماذج غير MLflow		✓	✓
توزيع نماذج MLflow إلى التعلم الآلي من Azure (عبر الإنترنت والدفعة)	توزيع نماذج MLflow للاستدلال الدفعي غير مدعوم حاليا. ²	✓	✓
توزيع نماذج غير MLflow إلى التعلم الآلي من Microsoft Azure		✓	✓

¹ لمزيد من المعلومات، راجع إدارة سجلات النموذج في التعلم الآلي من Azure باستخدام MLflow.

² للحصول على بديل، راجع نشر نماذج MLflow وتشغيلها في وظائف Spark.