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
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.
إعادة الإنتاج والتتبع
مبتدئ · Beginner · 49 دقيقة · 4 دروس
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
- دورة حياة نموذج تعلم الآلة The ML Model Lifecycle 11 دقيقة
- إعادة الإنتاج: البيئة والبذور والإصدارات Reproducibility: Environments, Seeds and Versions 13 دقيقة
- تتبع التجارب بـ MLflow Experiment Tracking with MLflow 12 دقيقة
- إصدارات البيانات والتحقق منها Data Versioning and Validation 13 دقيقة
من النموذج إلى الخدمة
متوسط · Intermediate · 50 دقيقة · 4 دروس
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
- خطوط المعالجة والتدريب ML Pipelines 12 دقيقة
- تقديم النموذج عبر واجهة برمجية Serving a Model with an API 13 دقيقة
- الحاويات بـ Docker Containerizing with Docker 12 دقيقة
- اختبار مشاريع تعلم الآلة والتكامل المستمر Testing ML Code and Continuous Integration 13 دقيقة
التشغيل والمراقبة والتطوير المستمر
متقدم · Advanced · 53 دقيقة · 4 دروس
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
- تحسين النماذج للاستدلال Optimizing Models for Inference 13 دقيقة
- المراقبة وكشف الانحراف Monitoring and Drift Detection 14 دقيقة
- الإصدار التدريجي وإعادة التدريب Safe Releases and Retraining 13 دقيقة
- تشغيل تطبيقات النماذج اللغوية (LLMOps) Operating LLM Applications 13 دقيقة
الاختبار النهائي: تشغيل النماذج ونشرها (MLOps)
15 سؤالاً من كل مستويات المسار · درجة النجاح 70% · اجتيازه يتيح شهادة اجتياز الاختبار.
