ما المقصود بمخزن الميزات؟

في التعلم الآلي، تُعد الميزة متغيرًا أو سمة مشتقة من البيانات غير المنسقة التي تُستخدم كمدخل للنماذج لإنشاء التنبؤات. وتمثل هذه الميزات جوانب قابلة للقياس من السلوك أو السياق أو الحالة داخل البيانات، مثل تكرار الشراء أو الموقع الجغرافي.

فعلى سبيل المثال، تعتمد النماذج في الكشف عن الغش على إشارات مُنسقة بدلاً من البيانات غير المنسقة. وقد تتضمن الميزات عدد المعاملات خلال الأسبوع الماضي أو موقع عمليات الشراء الأخيرة، وهي تمثيلات مصممة لالتقاط الأنماط التي قد تشير إلى سلوك احتيالي.

ويتم إنشاء الميزات —والتي يُشار إليها غالبًا بميزات التعلم الآلي— من مصادر بيانات متعددة وتنظيمها ضمن مجموعات بيانات تدعم سير عمل علوم البيانات والتعلم الآلي. ثم تُستخدم هذه الميزات لتدريب النماذج، وتقييم المقاييس، ونشر النماذج داخل أنظمة الإنتاج.

تعمل نماذج التعلم الآلي على تمثيلات رقمية للبيانات. ويتم التعبير عن كل نقطة بيانات كمجموعة من قيم الميزات، وغالبًا ما تكون في شكل متجه، حيث يتوافق كل بُعد مع سمة محددة. وفي حين أن بعض أنواع البيانات المنظمة تكون رقمية بطبيعتها، مثل المعلومات المحاسبية، فإن أنواعًا أخرى —مثل النصوص أو الصور أو الصوت— تكون غير منظمة ويجب تحويلها إلى شكل رقمي منظم قبل أن يتمكن النموذج من استخدامها.

وتتمثل إحدى طرق تحويل البيانات غير المنظمة في هندسة الميزات، حيث تُحوَّل البيانات غير المنسقة إلى مدخلات منظمة قابلة للقراءة آليًا باستخدام تقنيات مثل التجميع، والتصفية، والترميز. كما تتضمن هندسة الميزات استخراج الميزات (حيث تستخلص الخوارزميات تمثيلات ذات معنى من البيانات غير المنسقة) واختيار الميزات (الذي يحدد المتغيرات الأكثر صلة).

وبما أن سير عمل التعلم الآلي يمتد عبر تدريب النماذج والاستدلال، يتم حساب الميزات باستخدام كل من البيانات القديمة والبيانات الجديدة في بيئات الإنتاج. ويتطلب الحفاظ على الاتساق تنسيقًا بين مسارات البيانات، ومسارات الميزات، وأنظمة هندسة البيانات، وهو تحدٍ صُممت مخازن الميزات لمعالجته.

وعمليًا، تدعم مخازن الميزات كل مرحلة من مراحل دورة حياة التعلم الآلي:

• هندسة الميزات وتطويرها: توفر بيئة منظمة لتعريف الميزات الجديدة، ما يتيح للفرق مشاركة الميزات، وإعادة استخدامها، وتجنب عمليات التنفيذ المكررة.

• تدريب النماذج: توفر بيانات الميزات القديمة وبيانات التدريب، ما يضمن تدريب النماذج على مجموعات بيانات موثوقة.

• الاستدلال والتقديم: توفر قيم الميزات في الوقت الفعلي عبر أنظمة مخازن الميزات عبر الإنترنت، ما يتيح تنبؤات زمن انتقال قصير.

• المراقبة والتكرار: تتبع المقاييس، واكتشاف الانحراف (أو التوزيع غير المتساوي للبيانات)، ومراقبة جودة الميزات ضمن سير العمل.

يعتمد أداء نماذج التعلم الآلي —التي تشكل الأساس للعديد من أنظمة الذكاء الاصطناعي (AI) الحالية— بشكل مباشر على جودة متغيرات الإدخال الخاصة بها. فالمدخلات هي التي تحدد المخرجات.

وتحدد قيم الميزات كيفية تفسير النماذج للأنماط الموجودة في بيانات التدريب وتطبيق تلك الأنماط على البيانات الجديدة. ويحسن هذا التنسيق أداء النماذج من خلال أمرين: إدارة بيانات الميزات على نطاق واسع، مع توفير الاتساق عبر التدريب والاستدلال.

مع توسع أنظمة التعلم الآلي، تصبح إدارة بيانات الميزات أكثر تعقيدًا بشكل متزايد. ويتم إنشاء الميزات وتداولها عبر العديد من عمليات سير العمل، وغالبًا ما يتم ذلك بواسطة فرق هندسة البيانات والتعلم الآلي التي تعمل في بيئات موزعة.

ومن دون نظام مركزي، تظهر ميزات مكررة وتعريفات غير متسقة للميزات. وقد تقوم الفرق بحساب الميزة نفسها باستخدام منطق مختلف قليلاً، ما يؤدي إلى حالات عدم اتساق داخل مجموعات البيانات والمسارات. وتجعل هذه الاختلافات إعادة استخدام الميزات أكثر صعوبة وتضيف مخاطر إلى تطوير النماذج.

أثناء تدريب النماذج، يتم حساب الميزات من البيانات القديمة وتنظيمها ضمن مجموعات بيانات التدريب. وبمجرد نشر النماذج، يجب تطبيق تعريفات الميزات نفسها على البيانات الجديدة وإعادة حسابها للاستدلال، وغالبًا ما يتم ذلك في بيئات الوقت الفعلي أو شبه الوقت الفعلي.

وحتى الاختلافات البسيطة في كيفية حساب الميزات يمكن أن تؤدي إلى حالات عدم اتساق بين مدخلات التدريب والإنتاج —والتي يُشار إليها غالبًا باسم انحراف التدريب والتقديم— ما قد يؤدي إلى تراجع أداء النماذج.

وتعالج مخازن الميزات هذه التحديات من خلال مركزية تعريفات الميزات وتوحيد تحويلات الميزات. حيث يتم تعريف الميزات مرة واحدة، وتخزينها في نظام مشترك، والوصول إليها عبر واجهة برمجة التطبيقات (API) أو واجهة مجموعة تطوير البرمجيات (SDK). ويتيح هذا التنسيق، الذي تتم إدارته غالبًا من خلال سجل الميزات، للفرق إعادة استخدام الميزات عبر مسارات متعددة ونماذج وحالات استخدام مختلفة.

تعمل بنية مخزن الميزات على ربط البيانات بين عدة مراحل رئيسية في التعلم الآلي، بما في ذلك:

• الاستيعاب والتحويل
• طبقات التخزين
• تقديم الميزات
• سجل الميزات والبيانات الوصفية
• التنسيق وإدارة دورة الحياة

يتم جمع البيانات من مصادر بيانات متعددة ومعالجتها عبر مسارات الاستيعاب. وتطبق هذه المسارات تحويلات البيانات والميزات لتحويل البيانات غير المنسقة إلى قيم ميزات.

ويمكن أن يتم حساب الميزات بعدة طرق: المعالجة على دفعات للبيانات التي تم جمعها سابقًا، أو مسارات تدفق البيانات للتحديثات في الوقت الفعلي، أو حساب الميزات عند الطلب وقت الاستدلال. وغالبًا ما يتم تنفيذ هذه التحويلات باستخدام Python أو لغة الاستعلام المنظمة (SQL) أو أنظمة أخرى ضمن عمليات سير العمل المؤتمتة.

تستخدم مخازن الميزات نموذج تخزين مزدوجًا يتكون من مخزن غير متصل ومخزن متصل. ويحتفظ المخزن غير المتصل، أو مخزن الميزات غير المتصل، ببيانات الميزات القديمة ويدعم تدريب النماذج من خلال توفير الوصول إلى بيانات التدريب ومجموعات بيانات التدريب. وعادةً ما يتم بناؤه فوق مستودعات البيانات أو بحيرات البيانات.

أما المخزن المتصل، أو مخزن الميزات المتصل، فيحتفظ بقيم الميزات الحالية ويدعم عمليات البحث في زمن انتقال قصير أثناء استدلال النماذج. ويتيح هذا الفصل بين المخازن غير المتصلة والمتصلة تحقيق كلٍ من قابلية التوسع والأداء عبر أحمال التشغيل المختلفة.

تقديم الميزات هي عملية توفير قيم الميزات لنماذج التعلم الآلي. وتتيح طبقة واجهة برمجة التطبيقات أو مجموعة تطوير البرمجيات للتطبيقات استرجاع الميزات بين البيئات المختلفة، ما يضمن بقاء تعريفات الميزات متسقة. كما تساعد على تقليل انحراف التدريب والتقديم، وتضمن حصول النماذج على قيم ميزات محدثة عند إجراء التنبؤات.

يعمل سجل الميزات بوصفه نظام السجل المركزي لتعريفات الميزات. ويخزن البيانات الوصفية، ومعلومات دورة الحياة، وإدارة الإصدارات، ما يوفر رؤية واضحة حول كيفية إنشاء الميزات وأماكن استخدامها. وتجعل إمكانية التتبع هذه من الأسهل اكتشاف الميزات القابلة لإعادة الاستخدام، وفرض الحوكمة والتحكم في الوصول، وتتبع التبعيات داخل سير العمل.

تقوم مخازن الميزات بتنسيق المسارات وسير العمل عبر دورة حياة الميزات بالكامل. وتشمل المهام الشائعة أتمتة حساب الميزات، وإدارة عمليات إعادة تعبئة بيانات الميزات القديمة، وإعادة حساب الميزات عند تغير تعريفاتها، وتحديد الميزات المكررة أو القديمة. ولذلك، يضمن التنسيق بقاء مسارات الميزات موثوقة وقابلة للتوسع عبر منصة البيانات بأكملها.

ورغم اختلاف أساليب التنفيذ، فإن معظم مخازن الميزات توفر مجموعة متسقة من القدرات التي تتجاوز بنيتها الأساسية، ما يتيح سير عمل للتعلم الآلي موثوقًا وقابلاً للتوسع.

وتحدد هذه القدرات معًا كيفية إدارة بيانات الميزات ضمن عمليات سير عمل التعلم الآلي. كما تعكس كيفية اندماج مخازن الميزات ضمن بنية بيانات أوسع.

وقد صُممت أنظمة البيانات التقليدية —مثل مستودعات البيانات ومخازن البيانات الأخرى— لمعالجة البيانات ونقلها عبر المؤسسة. ومع ذلك، فإن هذه البيانات ليست جاهزة بطبيعتها للتعلم الآلي.

وتبني مخازن الميزات على هذا الأساس من خلال تنظيم بيانات الميزات في صورة مدخلات قابلة لإعادة الاستخدام لنماذج التعلم الآلي، مع توحيد كيفية تعريف الميزات وحسابها وتقديمها في مرحلتي التطوير والإنتاج.

توفر مخازن الميزات مجموعة من المزايا العملية التي تحسن كيفية تطوير أنظمة التعلم الآلي وصيانتها.

• تحسين كفاءة تطوير النماذج: تقلل تعريفات الميزات القابلة لإعادة الاستخدام من الحاجة إلى إعادة إنشاء الميزات لكل مشروع جديد، ما يتيح للفرق التركيز على تصميم النماذج بدلاً من إعداد البيانات.

• الاتساق عبر نماذج التعلم الآلي: تضمن مسارات الميزات الموحدة حساب الميزات بالطريقة نفسها أثناء التدريب والاستدلال، ما يقلل من مخاطر انحراف التدريب والتقديم.

• تعزيز التعاون بين الفرق: تتيح بيانات الميزات المركزية لعلماء البيانات وفرق هندسة البيانات والتعلم الآلي مشاركة الميزات والعمل انطلاقًا من نظام سجل (SOR) موحد.

• الحوكمة وإمكانية التتبع: تقدم مخازن الميزات نظام سجل منظمًا لتعريفات الميزات، ما يسهل فهم كيفية تعريف الميزات واستخدامها عبر النماذج مع فرض معايير متسقة.

• دعم التعلم الآلي في الوقت الفعلي: تتيح مخازن الميزات الوصول في زمن انتقال قصير إلى قيم الميزات عبر أنظمة مخازن الميزات المتصلة، مما يدعم حالات استخدام مثل التخصيص الفائق ومحركات التوصية.

• عمليات سير عمل قابلة للتوسع والتكرار: تدعم مسارات الميزات المؤتمتة والتنسيق عمليات التعلم الآلي (MLOps). ويمكّن ذلك المؤسسات من توسيع أنظمة التعلم الآلي عبر الفرق وحالات الاستخدام المختلفة.

كما تتيح مخازن الميزات تقديم الميزات بمعدلات إنتاجية عالية باستخدام طبقات تخزين محسنة وأنظمة قائمة على المفتاح والقيمة مثل Redis، والتي يتم نشرها عادةً كخدمات مُدارة داخل الذاكرة في منصات البيانات الحديثة. ويساعد هذا النهج على ضمان استرجاع النماذج لقيم ميزات محدثة بكفاءة.

يعتمد اختيار مخزن الميزات على بنية البيانات والبنية التحتية ومستوى نضج التعلم الآلي داخل المؤسسة. وفي ما يأتي بعض الجوانب النموذجية التي يجب أخذها في الحسبان:

• التكامل مع منصات البيانات الحالية
• الخيارات مفتوحة المصدر والمدارة
• المتطلبات الهيكلية وأحمال التشغيل
• الحوكمة والثقة

يجب أن تتوافق مخازن الميزات مع مسارات البيانات الحالية، ومستودعات البيانات، وبحيرات البيانات، وأنظمة منصات البيانات الأوسع. ومع ذلك، فإن دمج مسارات الميزات ضمن سير العمل القائم يتطلب غالبًا إعادة هيكلة تحويلات البيانات والتنسيق بين الفرق.

ونتيجة لذلك، تبدأ المؤسسات عادةً بتقييم كيفية تكامل مخزن الميزات مع الأدوات الحالية مثل Snowflake وDatabricks وخدمات AWS مثل مخزن الميزات SageMaker. وغالبًا ما يتم دمج مخازن الميزات كجزء من أنظمة عمليات التعلم الآلي الأوسع التي تربط بين هندسة البيانات ونشر النماذج.¹

تختلف أساليب تنفيذ مخازن الميزات بشكل كبير، حيث تواصل المؤسسات الموازنة بين الأداء وقابلية التوسع والتعقيد التشغيلي.² وتتيح أُطر عمل مخازن الميزات ذات المصدر المفتوح مثل Feast للشركات إنشاء مسارات الميزات والبنية التحتية الخاصة بها وإدارتها، بينما توفر منصات مثل Tecton حلولاً مُدارة بالكامل وجاهزة للإنتاج.

ومع ذلك، تختار بعض المؤسسات إنشاء منصات تعلم آلي متكاملة خاصة بها، مثل منصة Michelangelo التابعة لشركة Uber، والتي تتضمن وظائف مخزن الميزات كجزء من نظام أوسع. وفي النهاية، يعتمد قرار إنشاء مخزن ميزات أو اعتماده على الخبرات الداخلية ومتطلبات قابلية التوسع على المدى الطويل.

تلعب المتطلبات الهيكلية دورًا محوريًا. حيث تتطلب بعض حالات الاستخدام تقديم الميزات في الوقت الفعلي أو في زمن انتقال قصير، بينما تعتمد حالات أخرى على المعالجة التي على دفعات أو حساب الميزات عند الطلب. كما تفرض متطلبات الإنتاجية العالية ضغوطًا كبيرة على البنية التحتية مع توسع أحجام البيانات.

ويصبح دعم كلٍ من معالجة البيانات القديمة والاستدلال في الوقت الفعلي معقدًا عند الحفاظ على الاتساق بين قيم الميزات غير المتصلة والمتصلة. وتسلط الأبحاث الضوء على أن تصميم مخازن الميزات غالبًا ما تحركه متطلبات أحمال التشغيل هذه، مع التركيز على قضايا مثل زمن الانتقال، وقابلية التوسع، وصحة البيانات في نقطة زمنية محددة.³

تُعد الحوكمة مهمة بالقدر نفسه. تعمل مخازن الميزات على بيانات ميزات مشتركة، لذلك تحتاج المؤسسات إلى رؤية واضحة لكيفية تعريف الميزات واختبارها واستخدامها.

ومع مشاركة بيانات الميزات بين الفرق، يجب على المؤسسات فرض ضوابط لمنع تسرب البيانات وضمان حساب الميزات بصورة متسقة. كما يمكن لأطر الحوكمة الرسمية دعم الاتساق، ودورة الحياة، والامتثال عبر مسارات الميزات،⁴ ما يساعد على الحفاظ على الثقة في أنظمة التعلم الآلي.