انطلق في أدوات الذكاء الاصطناعي للتطوير والنشر: خطوتك الأولى الملموسة اليوم
أدوات الذكاء الاصطناعي للتطوير والنشر: الأساسيات في مقال واحد — كود حقيقي، مخططات وخطوات ملموسة، مقتطفات من دورة تتكون من 42 درسًا.
أفضل طريقة لتعلم أدوات تطوير ونشر الذكاء الاصطناعي هي بالممارسة. يضعك هذا المقال على الطريق الصحيح مع مقتطفات عملية مستمدة من دورة تضم 42 درسًا — ما يكفي للحصول على نتيجة أولى اليوم.
- المقدمة والتثبيت
- دورة حياة نموذج تعلم الآلة
- إصدار البيانات باستخدام DVC
- تتبع التجارب باستخدام MLflow
- واجهة برمجة التطبيقات للتقديم باستخدام FastAPI
Endpoint /predict مع Pydantic
/predict تقوم بتحميل نموذج، والتحقق من المدخلات باستخدام Pydantic، وإرجاع تنبؤ منظم، والتعامل مع الأخطاء بشكل سليم.الأهداف التعليمية
- تعريف مخطط إدخال باستخدام
BaseModelمن Pydantic - تحميل النموذج مرة واحدة عند بدء التشغيل
- كتابة نقطة النهاية
POST /predict - هيكلة الاستجابة باستخدام مخطط إخراج
- إضافة قيود التحقق
تعريف مخطط الإدخال
باستخدام Pydantic، نصف الشكل الدقيق للبيانات المتوقعة. يستخدمه FastAPI للتحقق التلقائي من كل طلب: إذا كان حقل مفقودًا أو من نوع خاطئ، يتلقى العميل خطأ 422 واضحًا، دون كتابة سطر واحد من التحقق.
تثبيت Python وDocker وMLflow وDVC
الأهداف التعليمية
- إنشاء بيئة افتراضية معزولة لـ Python
- تثبيت Docker والتحقق منه محليًا
- تثبيت MLflow وتشغيل واجهته الويب
- تثبيت DVC وتهيئته في مستودع Git
- تثبيت الإصدارات باستخدام
requirements.txt
لماذا بيئة معزولة أولاً
قبل تثبيت أي شيء، قاعدة ذهبية في MLOps: لا تثبيت عام أبدًا. كل مشروع له إصداراته الخاصة من المكتبات. تثبيت MLflow أو DVC في Python النظام يضمن حدوث تعارضات عاجلاً أم آجلاً. لذلك نبدأ دائمًا ببيئة افتراضية.
Docker Engine
أصلي على Linux. بدون آلة افتراضية، أداء أقصى. مثبت عبر مدير حزم التوزيعة.
تشغيل MLflow وDVC للمرة الأولى
نتحقق من استجابة الأداتين الرئيسيتين. يعرض MLflow واجهة ويب؛ ويُهيأ DVC في مستودع Git موجود.
نشر K8s والمراقبة والخاتمة
الأهداف التعليمية
- نشر صورة Docker الخاصة بالمشروع على عنقود Kubernetes
- تهيئة التحجيم التلقائي HPA بناءً على الحمل
- ربط Prometheus وكاشف الانحراف بواجهة برمجة التطبيقات في الإنتاج
- ربط جميع المكونات: DVC، MLflow، FastAPI، Docker، CI/CD، K8s، المراقبة
- تحديد الخطوات التالية للتعمق أكثر في MLOps
أين وصل خط أنابيبنا؟
في الأجزاء السابقة، قمنا بإصدار البيانات باستخدام DVC، وتتبع التجارب باستخدام MLflow، وعرض النموذج عبر واجهة FastAPI، وتغليف كل شيء في صورة Docker، وأتمتة البناء عبر GitHub Actions. لم يتبق سوى خطوة واحدة: تشغيل هذه الصورة في الإنتاج بطريقة قابلة للتوسع ومراقبة.
الفكرة بسيطة: Docker يمنحنا قطعة أثرية قابلة للتكرار، لكننا نحتاج إلى منسق لتشغيلها على عدة أجهزة، وإعادة تشغيلها إذا تعطلت، وتكييفها مع الحمل. هذا بالضبط دور Kubernetes. بمجرد تشغيل واجهة برمجة التطبيقات، نضيف العيون والآذان: المراقبة.
البناء
يقوم GitHub Actions ببناء الصورة ودفعها إلى السجل عند كل git push على main.
النشر
يسحب Kubernetes الصورة، ويشغل عدة pods، ويعرض Service مستقرًا.
المراقبة
يقوم Prometheus بجمع المقاييس، ويراقب Evidently الانحراف، وتنبه التنبيهات الفريق.
النشر على Kubernetes
نعود إلى الـ manifests التي رأيناها في الفصل 07. يصف Deployment الصورة وعدد النسخ، ويعطي Service نقطة دخول مستقرة، ويضبط HPA عدد الـ pods حسب الحمل.
القابلية للملاحظة
يتم عد كل تنبؤ، وقياس كل زمن استجابة، واكتشاف كل انحراف قبل أن يصبح حادثًا.
الخاتمة والخطوات التالية
تهانينا: لقد بنيت خط أنابيب MLOps من البداية إلى النهاية. انتقلت من دفتر ملاحظات معزول إلى نظام مُصدر ومُختبر ومُنشر ومُراقب. هذا بالضبط ما يفصل مشروعًا توضيحيًا عن منتج إنتاجي.
للمضي قدمًا، استكشف: إعادة التدريب التلقائي المُفعّل بواسطة تنبيه الانحراف، والنشر التدريجي (canary) لاختبار نموذج جديد على 5% من الحركة، ومتجر الميزات (feature store) لمشاركة الميزات بين الفرق، وKServe لتقديم تعلم الآلة الأصلي على Kubernetes بكميات كبيرة.
يغطي هذا المقال المقتطفات الأكثر فائدة — الدورة الكاملة أدوات تطوير ونشر الذكاء الاصطناعي (11 فصلاً، 42 درسًا، تمارين مصححة ومشروع نهائي) تأخذك إلى النهاية.
./acceder-au-cours-complet cours gratuit : Maîtriser Claude Codeالأسئلة الشائعة
كم من الوقت يستغرق تعلم أدوات تطوير ونشر الذكاء الاصطناعي؟
هل هناك متطلبات مسبقة؟
من أين نبدأ عمليًا؟
📬 هل تريد تلقي هذا النوع من الأدلة كل أسبوع؟ اشترك مجانًا — كود حقيقي، بدون كلام فارغ.