احصل على شهادة — 34.29 دولارًا12 دولارًا
أساسيات MLOps ونشر النماذج
انقل نموذج تعلّم الآلة من الدفتر التجريبي إلى الإنتاج: تتبّع التجارب، وأدِر إصدارات البيانات والنماذج، وأعدّها للنشر وقدّمها كخدمة، وأتمتة CI/CD، وراقب الانحراف ووثّق للحوكمة.
ماذا ستتعلّم
- وصف دورة حياة تعلّم الآلة ومستويات نضج MLOps الثلاثة وشرح لماذا تفشل النماذج في الإنتاج.
- تتبّع التجارب وجعل عملية التدريب قابلة لإعادة الإنتاج عبر تسجيل المعاملات والمقاييس وإصدار الشيفرة وبيئة مثبّتة.
- إدارة إصدارات البيانات والنماذج واستخدام سجل النماذج مع الأسماء المستعارة وتتبّع النسب لترقية النموذج بأمان.
- تغليف النموذج مع توقيعه وبيئة مثبّتة، والاختيار بين الخدمة الدفعية والفورية واستراتيجية الإطلاق.
- تصميم مسار CI/CD لتعلّم الآلة يتضمن فحوص البيانات واختبارات النموذج وبوابات الجودة والتراجع الآلي.
- مراقبة النموذج المنشور من حيث الانحراف والأداء وتحديد متى وكيف يُعاد تدريبه، مع استخدام مخزن الميزات لتفادي الانحياز بين التدريب والتقديم.
- توثيق النماذج وتشغيلها وفق الحوكمة: بطاقات النماذج وسجل التدقيق والتحكم بالوصول وإجراءات الحوادث والواجبات التنظيمية.
وحدات
- من الدفتر التجريبي إلى الإنتاج
- تتبّع التجارب وإعادة الإنتاج
- إدارة إصدارات البيانات والنماذج
- تغليف النماذج وتقديمها
- CI/CD والمسارات لتعلّم الآلة
- المراقبة والانحراف وإعادة التدريب
- الحوكمة والتوثيق والجاهزية للإنتاج
بطاقة الدورة
- مدة الدراسة التقديرية
- نحو 60 دقيقة
- التقييم النهائي
- 42 سؤالاً · درجة النجاح 80%
- متاحة بـ
- English, Français, العربية
- السعر
- مجانية. شهادة قابلة للتحقق اختيارية: 19 دولارًا
- آخر تحديث
- الناشر
- AMAADOR ACADEMY
لمن هذه الدورة
علماء البيانات ومهندسو تعلّم الآلة والبرمجيات ومهندسو البيانات وفرق DevOps وقادة الفرق التقنية الذين يشغّلون نماذج في الإنتاج. مفيدة أيضًا للمحللين الراغبين في الانتقال إلى دور MLOps.
المتطلبات المسبقة
أساسيات Python وGit وسطر الأوامر، وفكرة أولية عن كيفية تدريب النموذج وتقييمه. لا حاجة إلى حساب سحابي لمتابعة الدورة.
محتوى الدورة
1. من الدفتر التجريبي إلى الإنتاج
النموذج داخل الدفتر التجريبي مجرد نموذج أولي. أما النموذج في الإنتاج فهو خدمة: يعمل كل يوم على بيانات حديثة لمستخدمين حقيقيين، ويجب أن يكون هناك من يتدخل عند تعطله. وMLOps (عمليات تعلّم الآلة) هي مجموعة الممارسات التي تجعل ذلك موثوقًا بتطبيق أفكار DevOps على الشيفرة والبيانات والنماذج معًا.
دورة حياة تعلّم الآلة حلقة وليست خطًا مستقيمًا: المراقبة تغذّي جولة التدريب التالية.
في ورقتهم المعروفة عن الدين التقني الخفي في أنظمة تعلّم الآلة، لاحظ Sculley وزملاؤه (Google، NeurIPS 2015) أن شيفرة النموذج مجرد صندوق صغير داخل نظام أوسع بكثير: جمع البيانات واستخراج الميزات والإعدادات والتقديم والمراقبة. ومعظم مشكلات الإنتاج تأتي من هذا النظام المحيط وليس من الخوارزمية.
أسباب شائعة لفشل النماذج بعد الإطلاق:
- تغيّر البيانات. يتغير العملاء أو المستشعرات أو الأسعار فلا تشبه المدخلات مجموعة التدريب.
- الانحياز بين التدريب والتقديم (skew). تُحسب الميزات بطريقة في التدريب وبطريقة أخرى في الإنتاج.
- غياب إعادة الإنتاج. لا أحد يستطيع إعادة بناء النموذج المنشور.
- غياب المراقبة. يكتشف العملاء الأخطاء بعد أسابيع.
حالة علنية: في نوفمبر 2021 أعلنت Zillow Group إنهاء نشاط Zillow Offers لشراء المنازل بعد تخفيضات كبيرة في قيمة المخزون، وأشارت تصريحات الشركة إلى صعوبة توقّع أسعار العقارات. الدرس: حين يقود النموذج قرارات مالية في سوق متحرك، تابع خطأه باستمرار مقابل النتائج الفعلية وضع سقفًا لما يقرره آليًا.
2. تتبّع التجارب وإعادة الإنتاج
علم البيانات قائم على التجربة والخطأ. وبلا سجل لا يمكنك أن تقول أي تشغيل كان الأفضل ولماذا. تحفظ أداة تتبّع التجارب لكل تشغيل ما غيّرته وما حدث. وMLflow Tracking من أكثر الخيارات مفتوحة المصدر انتشارًا، وتقدم Weights & Biases وNeptune والمنصات السحابية ميزات مشابهة.
ينظّم MLflow العمل في تجارب (مشروع أو سؤال) وتشغيلات runs (محاولة تدريب واحدة). الاستدعاءات الأساسية في Python:
- mlflow.set_experiment("churn") — اختر مكان حفظ التشغيلات.
- mlflow.start_run() — افتح تشغيلًا، عادةً داخل كتلة with.
- mlflow.log_param("max_depth", 6) — سجّل إعدادًا مُدخلًا.
- mlflow.log_metric("auc", 0.91) — سجّل نتيجة، ويمكن تسجيلها لكل خطوة.
- mlflow.log_artifact("confusion.png") — أرفق ملفًا مثل رسم أو تقرير.
استدعاء mlflow.autolog() قبل التدريب يسجّل المعاملات والمقاييس والنموذج تلقائيًا للمكتبات الشائعة مثل scikit-learn وXGBoost وPyTorch Lightning. شغّل الواجهة بالأمر mlflow ui لفرز التشغيلات ومقارنتها. وفي الفريق استخدم خادم تتبّع مشتركًا مع قاعدة بيانات ومخزن مخرجات بدل المجلدات المحلية.
| سجّل هذا | السبب |
|---|---|
| المعاملات وملف الإعدادات | لتكرار التشغيل |
| معرّف Git commit وإصدار مجموعة البيانات | للعثور على الشيفرة والبيانات بدقة |
| المقاييس على التدريب والتحقق والاختبار | لمقارنة التشغيلات واكتشاف فرط التخصيص |
| الرسوم وقائمة الميزات وملف النموذج | للفحص دون إعادة التشغيل |
| وسوم: المسؤول والغرض | للبحث لاحقًا |
3. إدارة إصدارات البيانات والنماذج
صُمّم Git للملفات النصية الصغيرة. أما مجموعات البيانات وملفات النماذج فكبيرة وثنائية، ولذلك لا يتتبعها Git وحده جيدًا. يحل DVC (Data Version Control) هذه المشكلة: يحتفظ بمؤشر نصي صغير في Git ويخزّن البيانات الفعلية في remote مثل S3 أو Azure Blob أو Google Cloud Storage أو SSH أو قرص مشترك.
- dvc init — تفعيل DVC داخل مستودع Git.
- dvc add data/raw.csv — ينشئ DVC الملف data/raw.csv.dvc (مؤشر يحمل بصمة المحتوى) ويضيف ملف البيانات إلى .gitignore.
- git add data/raw.csv.dvc .gitignore ثم commit — فيرتبط إصدار البيانات بإصدار من الشيفرة.
- dvc remote add -d storage s3://bucket/path ثم dvc push — رفع البيانات.
- dvc pull — على جهاز آخر وبعد git checkout لجلب البيانات المطابقة.
ويستطيع DVC وصف مسار كامل في ملف dvc.yaml: تذكر كل مرحلة أمرها واعتماداتها (شيفرة وبيانات ومعاملات) ومخرجاتها. يعيد الأمر dvc repro تشغيل المراحل التي تغيّرت مدخلاتها فقط، ويدير dvc exp run التجارب. تُحفظ المعاملات في params.yaml ويقارن dvc metrics diff النتائج بين الإصدارات.
| نوع الأداة | أمثلة | مناسبة لـ |
|---|---|---|
| إصدارات ملفات مرتبطة بـ Git | DVC | مجموعات بيانات ونماذج مرتبطة بإصدارات الشيفرة |
| إصدارات بحيرة البيانات | lakeFS | التفرّع على تخزين الكائنات |
| السفر عبر الزمن في الجداول | Delta Lake وApache Iceberg | قراءة جدول كما كان في إصدار سابق |
4. تغليف النماذج وتقديمها
كائن النموذج المدرَّب ليس جاهزًا للنشر بعد. تجمع الحزمة النموذج مع كل ما يلزم لتشغيله: الأوزان المسلسلة والمعالجة المسبقة والمدخلات والمخرجات المتوقعة والبيئة البرمجية. يفعل MLflow Models ذلك عبر نكهة flavor للنموذج (scikit-learn أو PyTorch أو XGBoost أو النكهة العامة python_function) وتوقيع وقائمة متطلبات، وكلها تُحفظ مع النموذج.
يصرّح التوقيع signature بأسماء الأعمدة وأنواعها التي يتوقعها النموذج ويعيدها. تنشئه بالدالة infer_signature(X_train, predictions) وتمرره عند تسجيل النموذج. وعندها تستطيع الخدمة رفض طلب ينقصه عمود قبل وصوله إلى النموذج.
| الصيغة | ملاحظات |
|---|---|
| pickle / joblib | سهلة في Python، لكن تحميل ملف من مصدر غير موثوق قد ينفّذ شيفرة. حمّل الملفات التي أنتجتها أنت فقط |
| ONNX | محايدة تجاه الأطر؛ تعمل مع ONNX Runtime في لغات كثيرة |
| safetensors | تخزين آمن وسريع لأوزان نماذج التعلم العميق |
| MLflow Model | مجلد يضم النموذج والتوقيع وملفات البيئة |
غلّف المعالجة المسبقة مع النموذج، مثلًا داخل Pipeline في scikit-learn. وإلا ستعيد شيفرة التقديم تنفيذها بشكل مختلف قليلًا فينشأ skew.
- سجّل النموذج مع توقيعه ومثال مدخلات ومتطلبات مثبّتة.
- ابنِ صورة — صورة Docker من قاعدة خفيفة بإصدارات اعتمادات ثابتة. يستطيع MLflow توليد واحدة بالأمر mlflow models build-docker.
- اختبر في بيئة نظيفة — حمّل الحزمة في حاوية جديدة وتنبأ على مثال محفوظ.
- افحص ووسّم — افحص الصورة بحثًا عن الثغرات ووسّمها بإصدار النموذج ومعرّف Git commit.
5. CI/CD والمسارات لتعلّم الآلة
في البرمجيات التقليدية يشغّل التكامل المستمر (CI) اختبارات مع كل تعديل. وفي تعلّم الآلة قد يكون التعديل شيفرة أو بيانات جديدة أو نموذجًا جديدًا، لذلك يجب أن يختبر CI الثلاثة. تشغّل خدمة CI مثل GitHub Actions أو GitLab CI أو Jenkins الفحوص آليًا مع كل pull request ويُمنع الدمج إذا فشلت.
| ماذا | أمثلة فحوص | أدوات |
|---|---|---|
| الشيفرة | اختبارات وحدة لدوال الميزات وlint وفحص الأنواع | pytest وruff وmypy |
| البيانات | المخطط والأنواع ونطاقات القيم ونسب القيم الفارغة والتكرارات وعدد الصفوف | Great Expectations وpandera وTensorFlow Data Validation |
| النموذج | مقياس لا يقل عن خط الأساس، وعدم هبوط أي شريحة تحت حد أدنى، وتنبؤ على أمثلة ثابتة، وميزانية كمون | pytest مع MLflow وسكربتات مخصصة |
| الحزمة | بناء الصورة وتحميلها والتنبؤ داخل حاوية نظيفة، وفحص الاعتمادات | Docker وpip-audit وTrivy |
ثلاثة اختبارات للنموذج تلتقط أخطاء كثيرة بتكلفة قليلة:
- بوابة الجودة — يفشل البناء إذا هبط مقياس التحقق عن النموذج champion الحالي بأكثر من هامش محدد.
- اختبارات الشرائح — افحص المقياس لكل مجموعة مهمة (المنطقة والجهاز والعملاء الجدد والقدامى) لأن المتوسط قد يخفي مجموعة فاشلة.
- اختبارات السلوك — يجب ألا يتغير التنبؤ عند تغيير تفصيل غير مؤثر (الثبات)، وأن يتحرك في الاتجاه الصحيح عند تغيير مدخل أساسي (اختبار اتجاهي).
6. المراقبة والانحراف وإعادة التدريب
النموذج المنشور لا يكتمل أبدًا. فالعالم يتغير وبالتالي تتدهور الجودة. تجيب المراقبة عن: هل الخدمة سليمة؟ وهل ما زال الإدخال طبيعيًا؟ وهل المخرجات معقولة؟ وحين تصل الحقيقة، هل ما زالت التنبؤات صحيحة؟
| الطبقة | أمثلة إشارات | السرعة |
|---|---|---|
| النظام | كمون p95 والأخطاء والمعالج والذاكرة وطول الطابور | ثوانٍ |
| جودة البيانات | قيم مفقودة وفئات جديدة وقيم خارج النطاق وتغيّر المخطط | دقائق إلى ساعات |
| انحراف البيانات والتنبؤات | توزيعات المدخلات والمخرجات مقارنة بنافذة مرجعية | ساعات إلى أيام |
| جودة النموذج | الدقة وAUC والخطأ مقابل النتائج الفعلية | متأخرة بحسب وصول التسميات |
| العمل | التحويل ومعدل الخسارة والشكاوى | أيام إلى أسابيع |
ميّز بين أنواع التغيّر:
- انحراف البيانات (covariate shift) — تتغير المدخلات، مثل شريحة عملاء جديدة.
- انحراف المفهوم — تتغير العلاقة بين المدخلات والهدف، مثل تطور أساليب الاحتيال.
- الانحياز بين التدريب والتقديم (skew) — تُحسب ميزات الإنتاج بطريقة مختلفة عن التدريب.
لكشف الانحراف قارن نافذة حديثة من بيانات الإنتاج بمرجع، غالبًا بيانات التدريب. من الاختبارات الشائعة مؤشر استقرار المجتمع (PSI) الذي تعدّ قاعدته التقريبية المنتشرة أن القيمة الأقل من 0.1 مستقرة والأعلى من 0.25 تغيّر كبير، واختبار كولموغوروف-سميرنوف للميزات العددية. وتنتج مكتبات مفتوحة المصدر مثل Evidently تقارير واختبارات للانحراف وجودة البيانات. تنبيه الانحراف معناه أن تنظر، لا أن تعيد التدريب تلقائيًا: تحقق هل انخفضت الجودة فعلًا.
7. الحوكمة والتوثيق والجاهزية للإنتاج
حين يمسّ النموذج العملاء أو المال أو السلامة سيسألك الناس: لماذا صُنع، وكيف بُني، وما مدى جودته ولمن، ومن المسؤول عنه؟ الحوكمة تعني وجود إجابات مكتوبة يسهل العثور عليها.
بطاقة النموذج (model card، Mitchell وآخرون 2019) وثيقة قصيرة ترافق النموذج. وتؤدي صحائف بيانات مجموعات البيانات (Gebru وآخرون) الدور نفسه للبيانات.
| قسم بطاقة النموذج | المحتوى |
|---|---|
| الاستخدام المقصود | الغرض منه وما لا يجوز استخدامه فيه |
| البيانات | المصادر والفترة الزمنية والثغرات المعروفة ومعالجة البيانات الشخصية |
| الأداء | المقاييس عامة ولكل شريحة مع تسمية مجموعة الاختبار |
| الحدود والمخاطر | أنماط الفشل المعروفة ونتائج التحيّز وسلوك الاحتياط |
| التشغيل | الإصدار والمسؤول والمراقبة وخطة إعادة التدريب والتراجع |
احتفظ بسجل تدقيق: من درّب كل إصدار ووافق عليه ورقّاه، وعلى أي بيانات، وأي إصدار أنتج أي تنبؤ. سجّل التنبؤات مع إصدار النموذج ومعرّف الطلب ضمن قواعد الخصوصية لديك. واستخدم التحكم بالوصول حسب الأدوار حتى لا يستطيع الجميع تغيير أسماء الإنتاج أو قراءة البيانات الشخصية الخام.
أطر ينبغي معرفتها:
- NIST AI RMF 1.0 — أربع وظائف: Govern وMap وMeasure وManage.
- قانون الاتحاد الأوروبي للذكاء الاصطناعي (2024/1689) — قائم على المخاطر. للأنظمة عالية المخاطر يشترط، ضمن أمور أخرى، نظام إدارة مخاطر وحوكمة بيانات ووثائق تقنية وحفظ سجلات وشفافية ورقابة بشرية ودقة ومتانة (المواد 9 إلى 15). راجع تواريخ التطبيق الحالية.
- حماية البيانات — GDPR في الاتحاد الأوروبي، والقانون 09-08 الذي تشرف عليه CNDP في المغرب: أساس قانوني وتحديد الغرض وتقليل البيانات وقواعد القرارات الآلية.
يتواصل الدرس كاملاً في الدورة التفاعلية على هذه الصفحة.
المصادر والمراجع
- MLOps: continuous delivery and automation pipelines in machine learning
- MLflow documentation (tracking, models, model registry)
- DVC documentation: data versioning and pipelines
- KServe documentation: serving models on Kubernetes
- Evidently documentation: data and model monitoring
- Feast documentation: the open source feature store
- AI Risk Management Framework (AI RMF 1.0)
- Regulation (EU) 2024/1689 (EU AI Act)
دورة تعليمية في الممارسات الهندسية. تتغير الأدوات وإصداراتها بسرعة، فراجع التوثيق الرسمي لكل أداة قبل اعتمادها. النقاط التنظيمية (قانون الاتحاد الأوروبي للذكاء الاصطناعي، GDPR، القانون المغربي 09-08) عرض عام وليست استشارة قانونية. اسأل فريقك القانوني أو فريق الامتثال عن التزاماتك.