ماذا يُقصد بالتعلم الآلي من Azure؟

التعلم الآلي من Microsoft Azure هي خدمة سحابية لتسريع وإدارة دورة حياة مشروع التعلم الآلي (ML). يمكن لمتخصصي التعلم الآلي وعلماء البيانات والمهندسين استخدامه في مهام سير العمل اليومية لتدريب النماذج ونشرها وإدارة عمليات التعلم الآلي (MLOps).

يمكنك إنشاء نموذج في التعلم الآلي أو استخدام نموذج تم إنشاؤه من نظام أساسي مفتوح المصدر، مثل PyTorch أو TensorFlow أو scikit-learn. تساعدك أدوات MLOps على مراقبة النماذج وإعادة تدريبها وإعادة توزيعها.

تلميح

تجربة مجانية! إذا لم يكن لديك اشتراك Azure، فبادر بإنشاء حساب مجاني قبل البدء. جرب الإصدار المجاني أو المدفوع من Azure Machine Learning. يمكنك الحصول على أرصدة لإنفاقها على خدمات Azure. بعد استخدامها، يمكنك الاحتفاظ بالحساب واستخدام خدمات Azure المجانية. لا تحصل أي رسوم من بطاقتك الائتمانية ما لم تغير إعداداتك بشكل صريح ويطلب منك تحصيل الرسوم.

من هو التعلم الآلي من Azure؟

التعلم الآلي مخصص للأفراد والفرق الذين ينفذون MLOps داخل مؤسستهم لجلب نماذج التعلم الآلي إلى الإنتاج في بيئة إنتاج آمنة وقابلة للتدقيق.

يمكن لعلماء البيانات ومهندسي التعلم الآلي استخدام الأدوات لتسريع وأتمتة مهام سير العمل اليومية. يمكن لمطوري التطبيقات استخدام أدوات لدمج النماذج في التطبيقات أو الخدمات. يمكن لمطوري النظام الأساسي استخدام مجموعة قوية من الأدوات، مدعومة بواجهات برمجة تطبيقات Azure Resource Manager الدائمة، لإنشاء أدوات التعلم الآلي المتقدمة.

يمكن للمؤسسات العاملة في سحابة Microsoft Azure استخدام الأمان المألوف والتحكم في الوصول المستند إلى الأدوار للبنية الأساسية. يمكنك إعداد مشروع لرفض الوصول إلى البيانات المحمية وتحديد العمليات.

الإنتاجية للجميع في الفريق

غالبا ما تتطلب مشاريع التعلم الآلي فريقا لديه مجموعة مهارة متنوعة للبناء والصيانة. يحتوي التعلم الآلي على أدوات تساعدك على:

• التعاون مع فريقك عبر دفاتر الملاحظات المشتركة وموارد الحوسبة والحوسبة بدون خادم والبيانات والبيئات

• تطوير نماذج للعدالة وقابلية الشرح والتعقب وقابلية التدقيق للوفاء بمتطلبات التوافق مع دورة حياة البيانات والتدقيق

• نشر نماذج التعلم الآلي بسرعة وسهولة على نطاق واسع، وإدارتها وإدارتها بكفاءة باستخدام MLOps

• تشغيل أحمال عمل التعلم الآلي في أي مكان مع الحوكمة والأمان والتوافق المضمنة

أدوات النظام الأساسي المتوافقة التي تلبي احتياجاتك

يمكن لأي شخص في فريق التعلم الآلي استخدام أدواته المفضلة لإنجاز المهمة. سواء كنت تقوم بإجراء تجارب سريعة أو ضبط المعلمات الفائقة أو بناء البنية الأساسية لبرنامج ربط العمليات التجارية أو إدارة الاستدلالات، يمكنك استخدام واجهات مألوفة بما في ذلك:

• استوديو التعلم الآلي من Azure
• Python SDK (v2)
• Azure CLI (v2)
• واجهات برمجة تطبيقات REST ل Azure Resource Manager

أثناء تحسين النموذج والتعاون مع الآخرين طوال بقية دورة تطوير التعلم الآلي، يمكنك مشاركة الأصول والموارد والمقاييس لمشاريعك والعثور عليها على واجهة مستخدم استوديو التعلم الآلي.

مرسم

يوفر استوديو التعلم الآلي تجارب تأليف متعددة اعتمادا على نوع المشروع ومستوى تجربة التعلم الآلي السابقة، دون الحاجة إلى تثبيت أي شيء.

• دفاتر الملاحظات: اكتب التعليمات البرمجية الخاصة بك وقم بتشغيلها في خوادم Jupyter Notebook المدارة المدمجة مباشرة في الاستوديو. أو افتح دفاتر الملاحظات في VS Code أو على الويب أو على سطح المكتب.

• تصور مقاييس التشغيل: تحليل تجاربك وتحسينها باستخدام المرئيات.

  

• مصمم التعلم الآلي من Azure: استخدم المصمم لتدريب نماذج التعلم الآلي ونشرها دون كتابة أي تعليمة برمجية. اسحب مجموعات البيانات والمكونات وأسقطها لإنشاء مسارات التعلم الآلي.

• واجهة مستخدم التعلم الآلي التلقائي: تعرف على كيفية إنشاء تجارب التعلم الآلي الآلي باستخدام واجهة سهلة الاستخدام.

• تسمية البيانات: استخدم تسمية بيانات التعلم الآلي لتنسيق مشاريع تسمية الصور أو تسمية النص بكفاءة.

العمل مع LLMs الذكاء الاصطناعي التوليدي

يتضمن التعلم الآلي من Azure أدوات لمساعدتك في إنشاء تطبيقات الذكاء الاصطناعي إنشاء مدعومة بنماذج لغة كبيرة (LLMs). يتضمن الحل كتالوج نموذج وتدفق سريع ومجموعة من الأدوات لتبسيط دورة تطوير تطبيقات الذكاء الاصطناعي.

يسمح لك كل من استوديو التعلم الآلي من Azure وAzure الذكاء الاصطناعي Foundry بالعمل مع LLMs. استخدم هذا الدليل لتحديد الاستوديو الذي يجب استخدامه.

كتالوج النموذج

كتالوج النموذج في Azure التعلم الآلي studio هو المركز لاكتشاف واستخدام مجموعة واسعة من النماذج التي تمكنك من إنشاء تطبيقات الذكاء الاصطناعي إنشاء. يتميز كتالوج النموذج بمئات النماذج من موفري النماذج مثل خدمة Azure OpenAI و Mistral و Meta و Cohere و NVIDIA و Hugging Face، بما في ذلك النماذج التي دربتها Microsoft. تعتبر النماذج المقدمة من مقدمي خدمات آخرين غير Microsoft منتجات غير تابعة لـ Microsoft، كما هو محدد في شروط منتجات Microsoft، وتخضع للشروط المقدمة مع النموذج.

تدفق المطالبة

تدفق المطالبة التعلم الآلي Azure هو أداة تطوير مصممة لتبسيط دورة التطوير بأكملها للتطبيقات الذكاء الاصطناعي التي يتم تشغيلها بواسطة نماذج اللغات الكبيرة (LLMs). يوفر التدفق السريع حلا شاملا يبسط عملية النماذج الأولية واختبارها وتكرارها ونشر تطبيقاتك الذكاء الاصطناعي.

جاهزية المؤسسة وأمانها

يتكامل التعلم الآلي مع النظام الأساسي السحابي Azure لإضافة الأمان إلى مشاريع التعلم الآلي.

تتضمن عمليات تكامل الأمان ما يلي:

• شبكات Azure الظاهرية مع مجموعات أمان الشبكة.
• Azure Key Vault، حيث يمكنك حفظ أسرار الأمان، مثل معلومات الوصول لحسابات التخزين.
• إعداد Azure Container Registry خلف شبكة ظاهرية.

لمزيد من المعلومات، راجع البرنامج التعليمي: إعداد مساحة عمل آمنة.

تكاملات Azure للحلول الكاملة

تدعم عمليات التكامل الأخرى مع خدمات Azure مشروع التعلم الآلي من نهاية إلى نهاية. يشمل ذلك ما يلي:

• Azure Synapse Analytics، والذي يستخدم لمعالجة البيانات ودفقها باستخدام Spark.
• Azure Arc، حيث يمكنك تشغيل خدمات Azure في بيئة Kubernetes.
• خيارات التخزين وقاعدة البيانات، مثل Azure SQL Database وAzure Blob Storage.
• Azure App Service، والتي يمكنك استخدامها لنشر التطبيقات التي تعمل ب ML وإدارتها.
• Microsoft Purview، الذي يسمح لك باكتشاف أصول البيانات وفهرستها عبر مؤسستك.

هام

لا يقوم التعلم الآلي من Azure بتخزين بياناتك أو معالجتها خارج المنطقة التي تنشر فيها.

سير عمل مشروع التعلم الآلي

عادة ما يتم تطوير النماذج كجزء من مشروع له هدف وأهداف. غالبا ما تتضمن المشاريع أكثر من شخص واحد. عند تجربة البيانات والخوارزميات والنماذج، يكون التطوير تكراريا.

دورة حياة المشروع

يمكن أن تختلف دورة حياة المشروع حسب المشروع، ولكنها غالبا ما تبدو مثل هذا الرسم التخطيطي.

تنظم مساحة العمل مشروعا وتسمح بالتعاون للعديد من المستخدمين الذين يعملون جميعا لتحقيق هدف مشترك. يمكن للمستخدمين في مساحة العمل مشاركة نتائج عمليات التشغيل الخاصة بهم بسهولة من التجريب في واجهة مستخدم الاستوديو. أو يمكنهم استخدام الأصول التي تم إصدارها لوظائف مثل البيئات ومراجع التخزين.

لمزيد من المعلومات، راجع إدارة مساحات عمل Azure التعلم الآلي.

عندما يكون المشروع جاهزا للتشغيل، يمكن أتمتة عمل المستخدمين في مسار التعلم الآلي وتشغيله على جدول زمني أو طلب HTTPS.

يمكنك نشر النماذج إلى حل الاستدلال المدار، لكل من عمليات النشر في الوقت الحقيقي والدفعة، ما يؤدي إلى تجريد إدارة البنية الأساسية المطلوبة عادة لنشر النماذج.

نماذج التدريب

في التعلم الآلي من Azure، يمكنك تشغيل البرنامج النصي للتدريب في السحابة أو إنشاء نموذج من البداية. غالبا ما يجلب العملاء نماذج قاموا ببناءها وتدريبها في أطر عمل مفتوحة المصدر حتى يتمكنوا من تشغيلها في السحابة.

مفتوح وقابل للتشغيل المتداخل

يمكن لعلماء البيانات استخدام نماذج في التعلم الآلي من Azure التي أنشأوها في أطر عمل Python الشائعة، مثل:

• PyTorch
• TensorFlow
• scikit-learn
• XGBoost
• جهاز غيغابايت فاتح

يتم أيضا دعم اللغات والأطر الأخرى:

• R
• .صافي

لمزيد من المعلومات، راجع التكامل مفتوح المصدر مع التعلم الآلي من Microsoft Azure.

التمييز التلقائي واختيار الخوارزمية

في عملية متكررة تستغرق وقتا طويلا، في التعلم الآلي الكلاسيكي، يستخدم علماء البيانات الخبرة السابقة والحدس لتحديد تميز البيانات الصحيحة والخوارزمية للتدريب. يعمل التعلم الآلي التلقائي (AutoML) على تسريع هذه العملية. يمكنك استخدامه من خلال واجهة مستخدم استوديو التعلم الآلي أو Python SDK.

لمزيد من المعلومات، راجع ما هو التعلم الآلي التلقائي؟.

تحسين المعلمة الفائقة

يمكن أن يكون تحسين المعلمة الفائقة، أو ضبط المعلمات الفائقة، مهمة مملة. يمكن للتعلم الآلي أتمتة هذه المهمة للأوامر ذات المعلمات العشوائية مع القليل من التعديل على تعريف وظيفتك. يتم تصور النتائج في الاستوديو.

لمزيد من المعلومات، راجع ضبط المعلمات الفائقة.

تدريب موزع متعدد العقد

يمكن تحسين كفاءة التدريب للتعلم العميق وأحيانا وظائف التدريب على التعلم الآلي الكلاسيكية بشكل كبير عن طريق التدريب الموزع متعدد العقد. توفر مجموعات حوسبة التعلم الآلي من Azure والحوسبة بلا خادم أحدث خيارات وحدة معالجة الرسومات.

مدعوم عبر Azure Machine Learning Kubernetes ومجموعات حوسبة التعلم الآلي من Azure والحوسبة بلا خادم:

• PyTorch
• TensorFlow
• MPI

يمكنك استخدام توزيع MPI لمنطق Horovod أو العقد المتعددة المخصصة. يتم دعم Apache Spark عبر حساب Spark بلا خادم وتجمع Synapse Spark المرفق الذي يستخدم مجموعات Azure Synapse Analytics Spark.

لمزيد من المعلومات، راجع التدريب الموزع باستخدام التعلم الآلي من Microsoft Azure.

تدريب مواز بشكل محرج

قد يتطلب تحجيم مشروع التعلم الآلي تدريب نموذج مواز بشكل محرج. هذا النمط شائع لسيناريوهات مثل التنبؤ بالطلب، حيث قد يتم تدريب نموذج للعديد من المتاجر.

توزيع الوحدات

لجلب نموذج إلى الإنتاج، يمكنك نشر النموذج. تقوم نقاط النهاية المدارة للتعلم الآلي من Azure بتجريد البنية الأساسية المطلوبة لكل من تسجيل نموذج الدفعة أو الوقت الحقيقي (عبر الإنترنت) (الاستدلال).

في الوقت الحقيقي وتسجيل الدفعات (الاستدلال)

يتضمن تسجيل الدفعات أو الاستدلال الدفعي استدعاء نقطة نهاية مع الإشارة إلى البيانات. تقوم نقطة نهاية الدفعة بتشغيل المهام بشكل غير متزامن لمعالجة البيانات بالتوازي على مجموعات الحوسبة وتخزين البيانات لمزيد من التحليل.

يتضمن تسجيل النقاط في الوقت الحقيقي، أو الاستدلال عبر الإنترنت، استدعاء نقطة نهاية مع واحد أو أكثر من عمليات نشر النموذج وتلقي استجابة في الوقت الفعلي تقريبا عبر HTTPS. يمكن تقسيم نسبة استخدام الشبكة عبر عمليات نشر متعددة، ما يسمح باختبار إصدارات نموذج جديدة عن طريق تحويل قدر من نسبة استخدام الشبكة في البداية وزيادة بعد تأسيس الثقة في النموذج الجديد.

لمزيد من المعلومات، اطلع على:

• نشر نموذج بنقطة نهاية مدارة في الوقت الحقيقي
• استخدام نقاط النهاية الدفعية لتسجيل النقاط

MLOps: DevOps للتعلم الآلي

DevOps لنماذج التعلم الآلي، وغالبا ما تسمى MLOps، هي عملية لتطوير نماذج للإنتاج. يجب أن تكون دورة حياة النموذج من التدريب إلى النشر قابلة للتدقيق إن لم تكن قابلة للتكرار.

دورة حياة نموذج التعلم الآلي

تعرف على المزيد حول MLOps في التعلم الآلي من Azure.

عمليات التكامل التي تمكن عمليات MLOPs

تم بناء التعلم الآلي مع وضع دورة حياة النموذج في الاعتبار. يمكنك تدقيق دورة حياة النموذج وصولا إلى تثبيت وبيئة محددة.

تتضمن بعض الميزات الرئيسية التي تمكن MLOps ما يلي:

• git تكامل.
• تكامل MLflow.
• جدولة مسار التعلم الآلي.
• تكامل Azure Event Grid للمشغلات المخصصة.
• سهولة الاستخدام مع أدوات CI/CD مثل GitHub Actions أو Azure DevOps.

يتضمن التعلم الآلي أيضا ميزات للمراقبة والتدقيق:

• البيانات الاصطناعية للوظيفة، مثل لقطات التعليمات البرمجية والسجلات والمخرجات الأخرى.
• دورة حياة بين الوظائف والأصول، مثل الحاويات والبيانات وموارد الحوسبة.

إذا كنت تستخدم Apache Airflow، فإن حزمة airflow-provider-azure-machinelearning هي موفر يمكنك من إرسال مهام سير العمل إلى التعلم الآلي من Azure من Apache AirFlow.

المحتوى ذو الصلة

بدء استخدام التعلم الآلي من Azure:

• إعداد مساحة عمل التعلم الآلي من Azure
• البرنامج التعليمي: إنشاء أول مشروع للتعلم الآلي
• تشغيل مهام التدريب