نقل الذكاء الاصطناعي من مرحلة التجريب إلى مرحلة الإنتاج الموثوق

خدمات MLOps لعمليات تعلم الآلة الموثوقة

تصبح عمليات التعلم الآلي ضرورية مع نمو النماذج والفرق وبيئات الإنتاج بما يتجاوز قدرة العمليات اليدوية على التعامل معها.

تساعد خدماتنا في مجال عمليات التعلم الآلي (MLOps) على أتمتة نشر النماذج ومراقبتها والبنية التحتية وحوكمتها مع الحفاظ على التكاليف والمخاطر تحت السيطرة.

نحن نساعد الفرق على بناء أسس موثوقة لعمليات التعلم الآلي تدعم النماذج من مرحلة التطوير وحتى الإنتاج والتحسين المستمر.

لماذا توافق الشركات على الاستثمار في عمليات التعلم الآلي الآن؟

لم يكن أصحاب الميزانيات يراجعون دائمًا بنود الإنفاق على التعلم الآلي بندًا بندًا. كانت فرق علوم البيانات تُجري التجارب، وتبقى التكلفة ضمن ميزانية البحث. لكن ثلاثة تغييرات غيّرت ذلك.

تجاوز عدد النماذج مستوى الرقابة

يسهل تتبع نموذج تجريبي واحد يدويًا. أما عشرة أو عشرين نموذجًا تعمل عبر فرق مختلفة فليست كذلك.

بدأ الإنفاق على الحوسبة والتخزين ووقت المهندسين بالظهور دون وجود رؤية مطابقة للنماذج التي لا تزال تحقق أرباحًا.

أصبحت النماذج الفاشلة تكاليف غير مرئية

النموذج الذي يتدهور بهدوء لا يزال يتخذ قرارات. نموذج التسعير، أو نظام التحقق من الاحتيال، أو محرك التوصيات الذي ينحرف عن الهدف لا يفشل بشكل واضح.

يكلف الأمر أموالاً لعدة أشهر قبل أن يتمكن أي شخص من تحديد سبب الخسارة وهو نموذج قديم.

أصبح الاعتماد على مورد واحد خطراً على الميزانية

إن إنشاء خط أنابيب بالكامل داخل أدوات خاصة بمزود خدمة سحابية واحد يخلق تبعية يتعين على الشركة الاستمرار في تمويلها، حتى بعد وجود خيار أفضل أو أرخص.

يحمي التصميم المستقل عن المنصة هذا الإنفاق من تغيرات الأسعار المستقبلية.

مقارنة نماذج تسليم عمليات التعلم الآلي

تختلف هياكل التسعير لخدمات إدارة التعلم الآلي، وينقل كل منها المخاطر إلى طرف مختلف. ويُعدّ اختيار الهيكل الخاطئ للموقف تكلفة شائعة يمكن تجنبها.

يمكن أن يكون التسعير القائم على النتائج فعالاً في التنفيذ الأولي، ولكن فقط عندما يمكن تحديد وقياس جاهزية الإنتاج قبل بدء عملية البناء.

إذا كانت المعايير غامضة، فلن يُصلح نموذج التسعير ذلك. عادةً ما يكون هيكل التسعير القائم على المشاريع أو على أساس عقد ثابت هو نقطة البداية الأكثر أمانًا.

من يجب أن يشارك في عملية بناء MLOps؟

لا تُعدّ الأدوار التي يشملها بناء MLOps مفاجئة لأي شخص يُقيّم موردًا. لكن ما يصعب التخطيط له هو التوقيت.

بعض الأدوار مطلوبة منذ اليوم الأول، بينما يمكن للآخرين الانضمام لاحقًا دون التأثير على سير المشروع. تأكد من ذلك خلال مرحلة التقييم، وليس أثناء مرحلة البناء.

إذا كانت حالة الاستخدام تتطلب دورًا غير مدرج هنا، فقم بإثارته أثناء التقييم بدلاً من اكتشاف الفجوة في منتصف عملية البناء.

حوكمة عمليات التعلم الآلي: من المسؤول عندما يكون النموذج خاطئًا؟

تتميز أنظمة التدريب الآلية بسرعة تنفيذها لأنها لا تعتمد على موافقة شخص ما على كل عملية تدريب. ولا تتحقق هذه السرعة إلا إذا تم تحديد المسؤولية قبل حدوث أي خطأ، وليس في لحظة وقوعه.

قبل إطلاق النموذج

• من المسؤول عن الموافقة على النموذج قبل طرحه في الإنتاج، ومن يتولى هذه الموافقة في حال عدم توافره؟
• في إطار التسعير القائم على النتائج، قد يتحمل البائع مسؤولية استيفاء معايير الجاهزية المتفق عليها. ويجب أن يظل منح الموافقة النهائية من قبل الجهة التجارية أو التنظيمية صريحاً في العقد.

بعد إطلاق النموذج

• من يملك النموذج بشكل يومي؟ مالك تقني مسؤول عن كيفية تشغيله، ومالك أعمال مسؤول عن استمرار تشغيله من عدمه.
• من يراجع سلوك النموذج للتأكد من نزاهته وخلوه من التحيز، وليس فقط من دقته؟ هذا فحص مختلف عن تنبيه الانحراف، ومن السهل تركه دون تحديد.
• من المسؤول عن تصعيد الحوادث عند فشل نموذج في بيئة الإنتاج، وما هي سرعة الاستجابة المتوقعة منه؟

خدمات MLOps مقابل مهندس تعلم آلي واحد

يُضيف توظيف مهندس واحد متخصص في التعلم الآلي قدرات هندسية فردية في هذا المجال. بينما يُضيف التعاون مع فريق متخصص في عمليات التعلم الآلي (MLOps) الخبرة متعددة الوظائف اللازمة لتشغيل النماذج عبر البنية التحتية والنشر والمراقبة والحوكمة.

إذا كانت الفجوة تكمن في قدرة بناء النماذج، فيمكن لمهندس واحد سدّها. أما إذا كانت الفجوة تكمن في كل ما يُبقي النموذج يعمل بمجرد تشغيله، فهذا هو الغرض من مشروع MLOps.