كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

تشغيل النماذج ونشرها (MLOps)

MLOps: Deploying and Operating ML Models

من دفتر Jupyter إلى خدمة موثوقة: إعادة الإنتاج، وتتبع التجارب، وإصدارات البيانات، وخطوط المعالجة، والتقديم عبر API، والحاويات، والاختبار والتكامل المستمر، وتحسين النماذج، والمراقبة وكشف الانحراف، وتشغيل تطبيقات النماذج اللغوية.

  • 12 درساً
  • 3 مستويات
  • 2.5 ساعة تقريباً
  • 5 اختبارات
تقدّمك في المسار 0%

عن المسار

تشير تجارب الصناعة إلى أن الكود الخاص بالنموذج جزء صغير من نظام تعلم الآلة الحقيقي؛ الباقي بيانات وبنية تحتية ومراقبة. هذا المسار عملي: كل درس يقدم أداة أو ممارسة تستطيع تطبيقها على مشروعك. الأدوات المذكورة أمثلة شائعة وليست الخيار الوحيد، وواجهاتها تتغير بين الإصدارات، فارجع إلى توثيق الإصدار الذي تستخدمه.

1

إعادة الإنتاج والتتبع

مبتدئ · Beginner · 49 دقيقة · 4 دروس

0%

الأساس الذي يقوم عليه كل شيء آخر: أن تعرف بالضبط أي بيانات وأي كود وأي إعدادات أنتجت النموذج.

الأهداف التعليمية

  • فهم دورة حياة النموذج والدين التقني
  • جعل النتائج قابلة لإعادة الإنتاج
  • تتبع التجارب
  • إدارة إصدارات البيانات والتحقق منها

المتطلبات السابقة

  • إنهاء مسار تعلم الآلة
  1. دورة حياة نموذج تعلم الآلة The ML Model Lifecycle 11 دقيقة
  2. إعادة الإنتاج: البيئة والبذور والإصدارات Reproducibility: Environments, Seeds and Versions 13 دقيقة
  3. تتبع التجارب بـ MLflow Experiment Tracking with MLflow 12 دقيقة
  4. إصدارات البيانات والتحقق منها Data Versioning and Validation 13 دقيقة
اختبار قصير: إعادة الإنتاج والتتبع — تشغيل النماذج ونشرها (MLOps)6 أسئلة · تصحيح فوري
2

من النموذج إلى الخدمة

متوسط · Intermediate · 50 دقيقة · 4 دروس

0%

تحويل النموذج إلى خدمة يمكن استدعاؤها واختبارها ونشرها بثقة.

الأهداف التعليمية

  • بناء خطوط معالجة قابلة لإعادة الاستخدام
  • تقديم النموذج عبر API
  • تغليفه في حاوية
  • اختباره ودمجه باستمرار

المتطلبات السابقة

  • إنهاء المستوى المبتدئ
  1. خطوط المعالجة والتدريب ML Pipelines 12 دقيقة
  2. تقديم النموذج عبر واجهة برمجية Serving a Model with an API 13 دقيقة
  3. الحاويات بـ Docker Containerizing with Docker 12 دقيقة
  4. اختبار مشاريع تعلم الآلة والتكامل المستمر Testing ML Code and Continuous Integration 13 دقيقة
اختبار قصير: من النموذج إلى الخدمة — تشغيل النماذج ونشرها (MLOps)6 أسئلة · تصحيح فوري
3

التشغيل والمراقبة والتطوير المستمر

متقدم · Advanced · 53 دقيقة · 4 دروس

0%

ما يحدث بعد النشر: الأداء يتغير، والبيانات تنحرف، والنماذج تحتاج إلى تحديث آمن.

الأهداف التعليمية

  • تحسين النماذج للاستدلال
  • مراقبة الأداء وكشف الانحراف
  • إدارة الإصدارات والنشر التدريجي وإعادة التدريب
  • تشغيل تطبيقات النماذج اللغوية

المتطلبات السابقة

  • إنهاء المستويين السابقين
  1. تحسين النماذج للاستدلال Optimizing Models for Inference 13 دقيقة
  2. المراقبة وكشف الانحراف Monitoring and Drift Detection 14 دقيقة
  3. الإصدار التدريجي وإعادة التدريب Safe Releases and Retraining 13 دقيقة
  4. تشغيل تطبيقات النماذج اللغوية (LLMOps) Operating LLM Applications 13 دقيقة
اختبار قصير: التشغيل والمراقبة والتطوير المستمر — تشغيل النماذج ونشرها (MLOps)6 أسئلة · تصحيح فوري

الاختبار النهائي: تشغيل النماذج ونشرها (MLOps)

15 سؤالاً من كل مستويات المسار · درجة النجاح 70% · اجتيازه يتيح شهادة اجتياز الاختبار.

ابدأ الاختبار النهائي