ما هو نشر النموذج؟

يُعدُّ نشر نماذج التعلم الآلي مرحلة حاسمة في دورة حياة الذكاء الاصطناعي. وعادة يعمل علماء البيانات ومطورو الذكاء الاصطناعي وباحثو الذكاء الاصطناعي على المراحل القليلة الأولى من علم البيانات ومشاريع التعلم الآلي، بما في ذلك جمع البيانات وإعدادها وتطوير النماذج وتدريب النماذج وتقييم النماذج. ويعد نشر النموذج هو الخطوة التالية التي تنقل البحث إلى العالم الحقيقي. وبمجرد نشره، يتم اختبار نموذج الذكاء الاصطناعي ليس فقط من حيث الاستدلال أو الأداء في الوقت الفعلي على البيانات الجديدة، بل أيضًا من حيث مدى نجاحه في حل المشكلات التي تم تصميمه من أجلها.

وفقا لمسح أجرته شركة الأبحاث Gartner، فإن الذكاء الاصطناعي التوليدي هو حل الذكاء الاصطناعي الأكثر انتشارًا في المؤسسات، ولكن نصف مشاريع الذكاء الاصطناعي فقط (حوالي 48٪) هي التي تصل إلى مرحلة الإنتاج.¹ لا يمكن أن تظهر القيمة الحقيقية لنموذج التعلم الآلي إلا بعدما يتم نشره. حيث يمكن للمستخدمين التفاعل مع النموذج والاستفادة من رؤاه، بينما يمكن للشركات استخدام تحليلات النموذج وتوقعاته لاتخاذ القرارات وتعزيز الكفاءة من خلال الأتمتة.

يمكن للمؤسسات الاختيار بين طرق النشر المختلفة حسب الاستعمالات والتطبيقات وحالات الاستخدام التي تتصورها لنماذجها الجديدة. فيما يلي بعض طرق نشر النموذج الشائعة:

• في الوقت الفعلي
• الدفعي
• البث
• الحافة

يتضمن النشر في الوقت الفعلي دمج نموذج مدرَّب مسبقًا في بيئة إنتاج قادرة على التعامل الفوري مع مدخلات ومخرجات البيانات. حيث تتيح هذه الطريقة تحديث نماذج التعلم الآلي عبر الإنترنت بشكل مستمر وإنشاء تنبؤات بسرعة مع ورود بيانات جديدة.

تؤدي التنبؤات الفورية إلى تجربة مستخدم أفضل وزيادة تفاعل المستخدم. لكن النشر في الوقت الفعلي يتطلب أيضًا بنية أساسية للحوسبة عالية الأداء مع أوقات استجابة سريعة وتخزين مؤقت لإدارة الطلبات المتزامنة ذات زمن انتقال قصير.

يمكن تنفيذ النشر في الوقت الفعلي لتطبيقات الذكاء الاصطناعي مثل محركات التوصية التي تقدم اقتراحات سريعة أو روبوتات المحادثة التي توفر الدعم المباشر للعملاء.

يتضمن النشر الدفعي معالجة مدخلات البيانات دون اتصال بالإنترنت. حيث يتم تجميع مجموعات البيانات في دفعات، ثم يتم تطبيقها بشكل دوري على خوارزميات التعلم الآلي. وعلى هذا النحو، لا يحتاج النشر الدفعي إلى بنية أساسية قوية مثل النشر في الوقت الفعلي.

وتُعدُّ هذه الطريقة مناسبة لحجم البيانات الضخم الذي يمكن معالجته بشكل غير متزامن، مثل المعاملات المالية أو سجلات الرعاية الصحية أو المستندات القانونية. تتضمن حالات استخدام النشر الدفعي تحليل المستندات والتنبؤ وإنشاء أوصاف المنتج وتصنيف الصور وتحليل المشاعر.

يوفر نشر البث تدفقات منتظمة من البيانات لنظام التعلم الآلي لإجراء الحسابات المستمرة والتنبؤات في الوقت الفعلي تقريبًا. ويتطلب عمومًا نفس البنية التحتية التي يحتاجها النشر في الوقت الفعلي.

يمكن استخدام هذه الطريقة في الكشف عن الغش وتطبيقات إنترنت الأشياء (IoT) مثل مراقبة محطة الطاقة وإدارة حركة المرور التي تعتمد على تدفقات بيانات المستشعر.

أما نشر الحافة فهو يشير إلى نشر نماذج الذكاء الاصطناعي على أجهزة الحافة مثل الهواتف الذكية والأجهزة القابلة للارتداء. يمكن استخدام هذه الطريقة لتطبيقات الذكاء الاصطناعي على الحافة، بما في ذلك مراقبة الحالة الصحية وتجارب الهاتف المحمول الشخصية والصيانة التنبؤية والتوجيه التنبؤي على المركبات ذاتية القيادة.

تُعدُّ عمليات التعلم الآلي (MLOps) مجموعة من الممارسات المصممة لإنشاء خط تجميع لنشر نماذج التعلم الآلي ومراقبتها وإدارتها وتحسينها داخل بيئات الإنتاج. وتعتمد عمليات التعلم الآلي (MLOps) على مبادئ عمليات التطوير (DevOps)— التي تركز على تبسيط تطوير واختبار ونشر تطبيقات البرامج التقليدية — ويطبقها على دورة حياة التعلم الآلي.

يعد نشر النموذج مجرد أحد مكونات مسار عمليات التعلم الآلي (MLOps). ومع ذلك، تتداخل بعض الخطوات في عملية نشر النموذج مع تلك الموجودة في عمليات التعلم الآلي (MLOps).

يختلف نشر النموذج وفقًا لأنظمة تكنولوجيا المعلومات الخاصة بالمؤسسة وأي إجراءات عمليات التطوير (DevOps) أو عمليات التعلم الآلي (MLOps) موجودة بالفعل. لكن العملية عادة ما تشمل هذه السلسلة من الخطوات:

1. التخطيط
2. الإعداد
3. التعبئة والتغليف والنشر
4. الاختبار
5. المراقبة
6. التكامل المستمر والنشر المستمر (CI/CD)

قبل أن تبدأ الشركات عملية النشر، يتعين على الشركات الاستعداد جيدًا لهذه العملية. فيما يلي كيفية تمكن المؤسسات من تحقيق الجاهزية الفنية أثناء مرحلة التخطيط:

• تأكد من أن نموذج ML في حالة جاهزة للإنتاج.
• إنشاء سجل نموذج لتخزين إصدارات النموذج وتتبعها وإدارتها.
• اختر طريقة النشر.
• حدد نوع بيئة النشر، سواء كانت محلية أو من خلال خدمات  الحوسبة السحابية أو على الأجهزة الطرفية.
• يمكنك تقييم مدى توفر وكفاية الموارد الحاسوبية مثل وحدة معالجة مركزية، ووحدة معالجة رسومية، والذاكرة والتخزين.

هذا هو الوقت المناسب أيضًا لتطوير جدول زمني للنشر، وتحديد الأدوار والمسؤوليات الخاصة بالمشاركين وإنشاء إرشادات واضحة وعمليات سير عمل موحَّدة لعملية نشر النموذج.

يعد الإعداد، مثله مثل التخطيط، مرحلة متعددة الخطوات. إليك ما يحدث عادة خلال هذه المرحلة:

• يتم تثبيت أي تبعيات ضرورية مثل أطر العمل والمكتبات.
• يتم تكوين إعدادات بيئة الإنتاج لتحسين أداء النموذج.
• يتم وضع تدابير أمنية، مثل التحكم في الوصول والمصادقة والتشفير، لحماية البيانات والنماذج.
• ويتم تعديل استراتيجيات النسخ الاحتياطي والتعافي من الكوارث الحالية لتشمل نماذج التعلم الآلي والبيانات والبنية الأساسية المصاحبة لها.

يعد توثيق جميع إجراءات الإعداد وإعدادات التكوين أمرًا ضروريًا لاستكشاف الأخطاء وإصلاحها في المستقبل.

يتم تجميع النموذج وتبعياته في حاوية (تقنية تسمى النقل بالحاويات) للحفاظ على الاتساق بغض النظر عن طريقة النشر المختارة والبيئة. ثم يتم بعد ذلك تحميل النموذج المعبأ في بيئة الإنتاج.

يعد الاختبار الشامل أمرًا بالغ الأهمية للتحقق من أن النموذج المنتشر يعمل كما هو مقصود وقادر على التعامل مع الحالات الهامشية (التي تقع على الحافة) والحالات الخاطئة. ويتضمن الاختبار التحقق من تنبؤات النموذج مقابل المخرجات المتوقعة باستخدام مجموعة البيانات والتأكد من توافق الأداء مع مقاييس التقييم الرئيسية والمعايير.

تُعد اختبارات التكامل مكونًا ضروريًا آخر لمجموعة الاختبار. حيث تتحقق هذه الاختبارات من اندماج النموذج بسلاسة مع بيئة الإنتاج وتفاعله بسلاسة مع الأنظمة الأخرى. وبالإضافة إلى ذلك، يتم إجراء اختبار الإجهاد لمراقبة مدى تعامل النموذج مع أعباء العمل العالية.

كما هو الحال في مرحلة الإعداد، من المهم توثيق الاختبارات التي تم إجراؤها ونتائجها. حيث يساعد هذا في تحديد أي تحسينات يمكن إجراؤها قبل تسليم النموذج أو إصداره للمستخدمين.

تعد متابعة أداء النموذج، وخاصة انحراف النموذج، المهمة الأساسية لمراقبة النموذج. وتتدفق الرؤى المكتسبة من المراقبة المستمرة إلى إعادة تدريب النموذج بشكل تكراري؛ إذ يتم تحديث النماذج باستخدام خوارزميات محسّنة أو بيانات تدريب جديدة تحتوي على عينات أكثر حداثة وذات صلة لتحسين أدائها.

يجب أيضًا تسجيل المقاييس الحيوية مثل معدلات الخطأ والزمن الكامن واستخدام الموارد والإنتاجية باستخدام أدوات المراقبة. وتتم مراقبة النموذج فورًا بعد النشر، ولكنها عادةً ما تندرج ضمن نطاق عمل عمليات التعلم الآلي (MLOps) على المدى الطويل.

يمكن للممارسات المجمعة التكامل المستمر والنشر المستمر (المعروفة باسم CI/CD) أتمتة وتبسيط نشر نماذج التعلم الآلي واختبارها. يساعد تنفيذ مسارات 1CI/CD1 على ضمان إمكانية تطبيق تحديثات وتحسينات النموذج بسهولة وسرعة، ما يؤدي إلى نشر أكثر كفاءة ودورات تسليم أسرع.

تتوفر مجموعة كبيرة من المنصات والأدوات لمساعدة الشركات على تسريع سير عمل نشر النموذج. قبل اعتماد هذه التقنيات، يجب على المؤسسات تقييم التوافق مع مجموعة التقنيات الحالية ومنظومة تكنولوجيا المعلومات.

تسجل أنظمة التحكم في الإصدارات وسجلات النماذج إصدارات النماذج ومصادر البيانات المرتبطة بها والبيانات الوصفية. تتضمن الاختيارات التحكم في إصدار البيانات (DVC) وGit وGitLab والأوزان والتحيزات.

Docker هي منصة مفتوحة المصدر تُستخدم على نطاق واسع للنقل بالحاويات. وهي متوافقة مع مقدمي الخدمات السحابية مثل Amazon Web Services (AWS) وGoogle Cloud وIBM Cloud® وMicrosoft Azure. وتتضمن البدائل واجهة سطر أوامر Buildah (CLI) وPodman وRancher Desktop.

Kubernetes هي منصة معروفة تنسيق حاويات مفتوح المصدر لجدولة وأتمتة نشر التطبيقات المعبأة في حاويات. يتم استخدام Kubernetes وDocker عادةً جنبًا إلى جنب. تتضمن أدوات التنسيق المماثلة Red Hat OpenShift وAmazon Elastic Container Service (ECS) وحلول Kubernetes المُدارة مثل Azure Kubernetes Service (AKS) وIBM Cloud Kubernetes Service.

ظهرت المنصات المتعددة لغرض نشر النماذج. على سبيل المثال، تعد BentoML منصة تعتمد على Python لخدمة نماذج التعلم الآلي كنقطة نهاية لواجهة API بل وتعتمد على النماذج اللغوية الكبيرة (LLM) كنقاط نهاية لواجهة API. يسهل Kubeflow نشر النموذج على Kubernetes، بينما يعد TensorFlow Serving نظام خدمة مفتوح المصدر لنماذج TensorFlow.

وفي الوقت نفسه، لا تساعد المنصات الأخرى في نشر النموذج فحسب، بل تعمل أيضًا على إدارة سير عمل التعلم الآلي. وتشمل هذه المنتجات Amazon SageMaker وAzure Machine Learning وGoogle Vertex AI Platform وIBM Watson® Studio وMLflow.

تعمل أدوات CI/CD على أتمتة نشر النموذج واختباره. تتضمن الأدوات الشائعة التعلم الآلي المستمر (CML) وGitHub Actions وGitLab CI/CD وJenkins.

يتضمن نشر نماذج التعلم العميق الكثير من الأجزاء المتحركة، ما قد يجعل الأمر معقدًا. وفيما يلي بعض التحديات المرتبطة بنشر النموذج:

• التكلفة
• التعقيد
• التكامل
• قابلية التوسع

قد يكون نشر النموذج مكلفًا؛ إذ تستهلك تكاليف البنية التحتية والصيانة الجزء الأكبر من الميزانية. حيث يتعين على الشركات أن تكون مستعدة للاستثمار في البنية التحتية القوية والموارد اللازمة للنشر الفعال.

تساعد أتمتة نشر النموذج في تقليل التعقيد، لكن لا يزال يتعين على فرق العمل فهم أساسيات التعلم الآلي والتعرف على التقنيات الجديدة للنشر. سد هذه الفجوة يتطلب تكثيف التدريب ورفع مستوى المهارات. 

يمثل دمج نماذج الذكاء الاصطناعي في أنظمة تكنولوجيا المعلومات الحالية تحديًا. ويساعد إجراء تقييم مفصل المؤسسات في تحديد ما إذا كانت هناك حاجة إلى أي واجهات API أو برامج وسيطة أو ترقيات لتحقيق اتصال وتواصل سلس بين النماذج والأنظمة الأخرى.

قد يكون من الصعب تعديل النماذج وفقًا للطلب دون تدهور الأداء. ويساعد تنفيذ آليات التوسع التلقائي وموازنة التحميل في دعم الطلبات المتعددة وأعباء العمل المتنوعة.