ماذا يُقصد بالتعلم الآلي من Azure؟

Azure التعلم الآلي هي خدمة سحابية لتسريع وإدارة دورة حياة مشروع التعلم الآلي (ML). يمكن لمتخصصي التعلم الآلي وعلماء البيانات والمهندسين استخدامه في مهام سير العمل اليومية لتدريب النماذج ونشرها وإدارة عمليات التعلم الآلي (MLOps).

يمكنك إنشاء نموذج في التعلم الآلي أو استخدام نموذج تم إنشاؤه من نظام أساسي مفتوح المصدر، مثل PyTorch أو TensorFlow أو scikit-learn. تساعدك أدوات MLOps على مراقبة النماذج وإعادة تدريبها وإعادة نشرها.

تلميح

إصدار تجريبي! في حال لم يكن لديك اشتراك Azure، فأنشئ حساباً مجانيّاً قبل البدء. جرب الإصدار المجاني أو المدفوع من Azure التعلم الآلي. يمكنك الحصول على الاعتمادات للإنفاق على خدمات Azure. وبعد استخدامها، يمكنك الاحتفاظ بالحساب واستخدام خدمات Azure المجانية. لا تحصل أي رسوم من بطاقتك الائتمانية ما لم تغير إعداداتك بشكل صريح ويطلب منك تحصيل الرسوم.

لمن Azure Machine Learning؟

التعلم الآلي للأفراد والفرق الذين ينفذون عمليات MLOps داخل مؤسستهم لإدخال نماذج التعلم الآلي في الإنتاج في بيئة إنتاج آمنة وقابلة للتدقيق.

يمكن لعلماء البيانات ومهندسي التعلم الآلي استخدام الأدوات لتسريع وأتمتة مهام سير العمل اليومية. يمكن لمطوري التطبيقات استخدام أدوات لدمج النماذج في التطبيقات أو الخدمات. يمكن لمطوري النظام الأساسي استخدام مجموعة قوية من الأدوات، مدعومة بواجهات برمجة تطبيقات Azure Resource Manager الدائمة، لإنشاء أدوات التعلم الآلي المتقدمة.

يمكن للمؤسسات العاملة في سحابة Microsoft Azure استخدام الأمان المألوف والتحكم في الوصول المستند إلى الأدوار للبنية الأساسية. يمكنك إعداد مشروع لرفض الوصول إلى البيانات المحمية وتحديد العمليات.

الإنتاجية للجميع في الفريق

غالبا ما تتطلب مشاريع التعلم الآلي فريقا لديه مجموعة مهارة متنوعة للبناء والصيانة. يحتوي التعلم الآلي على أدوات تساعدك على:

• التعاون مع فريقك عبر دفاتر الملاحظات المشتركة وموارد الحوسبة والحوسبة بدون خادم والبيانات والبيئات

• تطوير نماذج للعدالة وقابلية الشرح والتعقب وقابلية التدقيق للوفاء بمتطلبات التوافق مع دورة حياة البيانات والتدقيق

• نشر نماذج التعلم الآلي بسرعة وسهولة على نطاق واسع، وإدارتها وإدارتها بكفاءة باستخدام MLOps

• تشغيل أحمال عمل التعلم الآلي في أي مكان مع الحوكمة والأمان والتوافق المضمنة

أدوات النظام الأساسي المتوافقة التي تلبي احتياجاتك

يمكن لأي شخص في فريق التعلم الآلي استخدام أدواته المفضلة لإنجاز المهمة. سواء كنت تقوم بإجراء تجارب سريعة أو ضبط المعلمات الفائقة أو بناء البنية الأساسية لبرنامج ربط العمليات التجارية أو إدارة الاستدلالات، يمكنك استخدام واجهات مألوفة بما في ذلك:

• Azure Machine Learning Studio
• Python SDK (v2)
• Azure CLI (v2)
• واجهات برمجة تطبيقات REST ل Azure Resource Manager

أثناء تحسين النموذج والتعاون مع الآخرين طوال بقية دورة التطوير التعلم الآلي، يمكنك مشاركة الأصول والموارد والمقاييس لمشاريعك والعثور عليها على واجهة مستخدم استوديو التعلم الآلي.

Studio

يقدم التعلم الآلي studio تجارب تأليف متعددة اعتمادا على نوع المشروع ومستوى تجربة التعلم الآلي السابقة، دون الحاجة إلى تثبيت أي شيء.

• دفاتر الملاحظات: اكتب التعليمات البرمجية الخاصة بك وقم بتشغيلها في خوادم Jupyter Notebook المدارة المدمجة مباشرة في الاستوديو.

• تصور مقاييس التشغيل: تحليل تجاربك وتحسينها باستخدام المرئيات.

  

• مصمم Azure التعلم الآلي: استخدم المصمم لتدريب نماذج التعلم الآلي ونشرها دون كتابة أي تعليمة برمجية. اسحب مجموعات البيانات والمكونات وأفلتها لإنشاء مسارات التعلم الآلي.

• واجهة مستخدم التعلم الآلي التلقائي: تعرف على كيفية إنشاء تجارب التعلم الآلي الآلي باستخدام واجهة سهلة الاستخدام.

• تسمية البيانات: استخدم التعلم الآلي تسمية البيانات لتنسيق مشاريع تسمية الصور أو تسمية النص بكفاءة.

استعداد المؤسسات والأمن

يتكامل التعلم الآلي مع النظام الأساسي السحابي Azure لإضافة الأمان إلى مشاريع التعلم الآلي.

تتضمن عمليات التكامل الأمني ما يلي:

• شبكات Azure الظاهرية مع مجموعات أمان الشبكة.
• Azure Key Vault، حيث يمكنك حفظ أسرار الأمان، مثل معلومات الوصول لحسابات التخزين.
• إعداد Azure Container Registry خلف شبكة ظاهرية.

لمزيد من المعلومات، راجع البرنامج التعليمي: إعداد مساحة عمل آمنة.

تكامل Azure للحلول الكاملة

تدعم عمليات التكامل الأخرى مع خدمات Azure مشروع التعلم الآلي من نهاية إلى نهاية. يشمل ذلك ما يلي:

• Azure Synapse Analytics، والذي يستخدم لمعالجة البيانات ودفقها باستخدام Spark.
• Azure Arc، حيث يمكنك تشغيل خدمات Azure في بيئة Kubernetes.
• خيارات التخزين وقاعدة البيانات، مثل Azure SQL Database وAzure Blob Storage.
• Azure App Service، والتي يمكنك استخدامها لنشر التطبيقات التي تعمل ب ML وإدارتها.
• Microsoft Purview، الذي يسمح لك باكتشاف أصول البيانات وفهرستها عبر مؤسستك.

هام

لا يقوم التعلم الآلي من Microsoft Azure بتخزين بياناتك أو معالجتها خارج المنطقة التي تنشر فيها.

سير عمل مشروع التعلم الآلي

عادة ما يتم تطوير النماذج كجزء من مشروع له هدف وأهداف. غالبا ما تتضمن المشاريع أكثر من شخص واحد. عند تجربة البيانات والخوارزميات والنماذج، يكون التطوير تكراريا.

دورة حياة مشروع

يمكن أن تختلف دورة حياة المشروع حسب المشروع، ولكنها غالبا ما تبدو مثل هذا الرسم التخطيطي.

تنظم مساحة العمل مشروعًا وتسمح بالتعاون للعديد من المستخدمين الذين يعملون جميعًا لتحقيق هدف مشترك. يمكن للمستخدمين في مساحة العمل مشاركة نتائج عمليات التشغيل الخاصة بهم بسهولة من التجريب في واجهة مستخدم الاستوديو. أو يمكنهم استخدام الأصول التي تم إصدارها لوظائف مثل البيئات ومراجع التخزين.

لمزيد من المعلومات، راجع إدارة مساحات عمل Azure التعلم الآلي.

عندما يكون المشروع جاهزا للتشغيل، يمكن أتمتة عمل المستخدمين في مسار التعلم الآلي وتشغيله على جدول زمني أو طلب HTTPS.

يمكنك نشر النماذج إلى حل الاستدلال المدار، لكل من عمليات النشر في الوقت الحقيقي والدفعة، ما يؤدي إلى تجريد إدارة البنية الأساسية المطلوبة عادة لنشر النماذج.

نماذج التدريب

في Azure Machine Learning، يمكنك تشغيل البرنامج النصي للتدريب في السحابة أو إنشاء نموذج من البداية. غالبا ما يجلب العملاء نماذج قاموا ببناءها وتدريبها في أطر عمل مفتوحة المصدر حتى يتمكنوا من تشغيلها في السحابة.

مفتوح وقابل للتشغيل المتداخل

يمكن لعلماء البيانات استخدام نماذج في Azure Machine Learning التي أنشؤوها في أطر عمل Python المشتركة، مثل:

• PyTorch
• TensorFlow
• scikit-learn
• XGBoost
• LightGBM

يتم أيضا دعم اللغات والأطر الأخرى:

• R
• .NET

لمزيد من المعلومات، راجع التكامل مفتوح المصدر مع Azure التعلم الآلي.

التمييز التلقائي واختيار الخوارزمية

في عملية متكررة تستغرق وقتا طويلا، في التعلم الآلي الكلاسيكي، يستخدم علماء البيانات الخبرة السابقة والحدس لتحديد تميز البيانات الصحيحة والخوارزمية للتدريب. يعمل التعلم الآلي التلقائي (AutoML) على تسريع هذه العملية. يمكنك استخدامه من خلال واجهة مستخدم استوديو التعلم الآلي أو Python SDK.

لمزيد من المعلومات، راجع ما هو التعلم الآلي التلقائي؟.

تحسين مقياس Hyperparameter

يمكن أن يكون تحسين مقياس Hyperparameter، أو ضبط Hyperparameter، مهمة شاقة. يمكن التعلم الآلي أتمتة هذه المهمة للأوامر ذات المعلمات العشوائية مع القليل من التعديل على تعريف الوظيفة. يتم تصور النتائج في الاستوديو.

لمزيد من المعلومات، راجع ضبط المعلمات الفائقة.

تدريب موزع متعدد الدورات

يمكن تحسين كفاءة التدريب على التعلم العميق، وأحيانًا على وظائف التدريب على التعلم الآلي الكلاسيكية بشكل كبير عن طريق التدريب الموزع متعدد الدورات. توفر مجموعات الحوسبة التعلم الآلي Azure والحوسبة بلا خادم أحدث خيارات وحدة معالجة الرسومات.

مدعوم عبر Azure التعلم الآلي Kubernetes ومجموعات الحوسبة التعلم الآلي Azure والحوسبة بلا خادم:

• PyTorch
• TensorFlow
• MPI

يمكنك استخدام توزيع MPI لمنطق Horovod أو العقد المتعددة المخصصة. يتم دعم Apache Spark عبر حساب Spark بلا خادم وتجمع Synapse Spark المرفق الذي يستخدم مجموعات Azure Synapse Analytics Spark.

لمزيد من المعلومات، راجع التدريب الموزع باستخدام Azure التعلم الآلي.

تدريب مواز بشكل حرج

قد يتطلب تحجيم مشروع التعلم الآلي تدريب نموذج مواز بشكل محرج. هذا النمط شائع لسيناريوهات مثل التنبؤ بالطلب، حيث قد يتم تدريب نموذج للعديد من المتاجر.

توزيع الوحدات

لجلب نموذج إلى الإنتاج، يمكنك نشر النموذج. تقوم نقاط النهاية المدارة التعلم الآلي Azure بتجريد البنية الأساسية المطلوبة لكل من تسجيل نموذج الدفعة أو الوقت الحقيقي (عبر الإنترنت) (الاستدلال).

في الوقت الحقيقي ودفعة التهديف (الاستدلال)

يتضمن تسجيل الدفعات أو الاستدلال الدفعي استدعاء نقطة نهاية مع الإشارة إلى البيانات. تشغل نقطة نهاية الدفعية مهام بشكل غير متزامن لمعالجة البيانات بالتوازي مع مجموعات حساب وتخزين البيانات لمزيد من التحليل.

يتضمن تسجيل النقاط في الوقت الحقيقي، أو الاستدلال عبر الإنترنت، استدعاء نقطة نهاية مع واحد أو أكثر من عمليات نشر النموذج وتلقي استجابة في الوقت الفعلي تقريبا عبر HTTPS. يمكن تقسيم نسبة استخدام الشبكة عبر عمليات نشر متعددة، ما يسمح باختبار إصدارات نموذج جديدة عن طريق تحويل قدر من نسبة استخدام الشبكة في البداية وزيادة بعد تأسيس الثقة في النموذج الجديد.

لمزيد من المعلومات، راجع:

• نشر نموذج بنقطة نهاية مدارة في الوقت الحقيقي
• استخدام نقاط النهاية الدفعية لتسجيل النقاط

MLOps: التعليم الالي لـDevOps

DevOps لنماذج التعلم الآلي، وغالبا ما تسمى MLOps، هي عملية لتطوير نماذج للإنتاج. يجب أن تكون دورة حياة النموذج من التدريب إلى النشر قابلة للتدقيق إن لم تكن قابلة للاستنساخ.

دورة حياة نموذج ML

تعرف على المزيد حول MLOps في Azure التعلم الآلي.

التكاملات التي تمكن MLOPs

تم بناء التعلم الآلي مع وضع دورة حياة النموذج في الاعتبار. يمكنك تدوين دورة حياة النموذج وصولا إلى التزام وبيئة محددة.

تتضمن بعض الميزات الرئيسية التي تمكن MLOps ما يلي:

• git التكامل.
• تكامل MLflow.
• جدولة مسار التعلم الآلي.
• تكامل Azure Event Grid للمشغلات المخصصة.
• سهولة الاستخدام مع أدوات CI/CD مثل GitHub Actions أو Azure DevOps.

يتضمن التعلم الآلي أيضا ميزات للمراقبة والتدقيق:

• البيانات الاصطناعية للوظيفة، مثل لقطات التعليمات البرمجية والسجلات والمخرجات الأخرى.
• دورة حياة بين الوظائف والأصول، مثل الحاويات والبيانات وموارد الحوسبة.

إذا كنت تستخدم Apache Airflow، فإن حزمة airflow-provider-azure-machinelearning هي موفر يمكنك من إرسال مهام سير العمل إلى Azure التعلم الآلي من Apache AirFlow.

الخطوات التالية

ابدأ باستخدام Azure Machine Learning:

• إعداد مساحة عمل Azure التعلم الآلي
• البرنامج التعليمي: إنشاء أول مشروع للتعلم الآلي
• تشغيل مهام التدريب