انتقل إلى المحتوى
⁨NDDev AI⁩، الصفحة الرئيسية
المجتمع
اللغة: العربية
العرض
المظهر
الحركة

MLOps: تطبيق نماذج التعلم الآلي (ML) ودعمها وصيانتها

تضع NDDev نماذج التعلم الآلي (ML) قيد التشغيل وتوفّر لها الدعم والصيانة لفرق البيانات والمنتجات المزوّدة بميزات الذكاء الاصطناعي (AI): نغلّف النموذج في خدمة، وندير الإصدارات في MLflow، ونتحقّق من الجودة قبل كل إطلاق، ونراقب انحراف البيانات وزمن الاستجابة والتكلفة، ونعيد التدريب وفق جدول زمني، ونرجع إلى الإصدار السابق عند حدوث خلل. ويعمل My Attention AI، الذي نبنيه بصفتنا شريكاً تقنياً، لدى المستخدمين بالفعل.

لمن يناسب؟

لفرق البيانات التي أصبحت نماذجها جاهزة لكنها تجري الإطلاق والمراقبة وإعادة التدريب يدوياً، وللشركات التي تعمل ميزات الذكاء الاصطناعي لديها عند المستخدمين بالفعل وتحتاج إلى متابعة.

  • سجل النماذج في MLflow
  • التحقّق من الجودة قبل الإطلاق
  • مراقبة انحراف البيانات والتكلفة
  • الرجوع إلى الإصدار السابق

ما نهيّئه حول النموذج

نغلّف النموذج في خدمة تعمل باستخدام FastAPI أو vLLM، ونشغّله داخل حاوية ذات إصدار صورة مثبّت. ويُحفظ كل إصدار من النموذج في سجل MLflow مع رابط يشير إلى البيانات والشيفرة البرمجية ومقاييس التدريب. ويمرّ الإطلاق عبر CI شاملاً الاختبارات، والتشغيل على مجموعة التحقّق المرجعية، والمقارنة بالإصدار العامل حالياً.

  • تغليف النموذج في خدمة وحاوية
  • سجل للإصدارات والتجارب في MLflow
  • CI للنماذج: الاختبارات ومجموعة التحقّق المرجعية
  • مراقبة انحراف البيانات والجودة وزمن الاستجابة والتكلفة
  • تتبّع الطلبات المرسلة إلى النماذج اللغوية الكبيرة (LLM) في Langfuse
  • خط أنابيب إعادة التدريب على Airflow أو Prefect
  • ضوابط الإطلاق والرجوع إلى الإصدار السابق
  • قواعد الاحتفاظ بالبيانات وحذفها

وبعد الإطلاق نراقب البيانات المدخلة وجودة الإجابات وزمن الاستجابة والتكلفة، ونتتبّع الطلبات المرسلة إلى النماذج اللغوية في Langfuse وOpenTelemetry. وعندما تنحرف البيانات بشكل ملحوظ عن بيانات التدريب أو يتراجع أحد المقاييس، يصل تنبيه: فيُعاد تدريب النموذج عبر خط أنابيب يعمل على Airflow أو Prefect، أو يُرجع النموذج إلى الإصدار السابق.

ونتّفق بشكل منفصل بشأن البيانات: من يحتفظ بالطلبات والإجابات، ولأي مدة يُحتفظ بها، وكيف تُحذف بعد انتهاء الأعمال. كما نحفظ المقاييس التشغيلية منفصلة عن محتوى المستخدمين، وعلى هذا النحو يعمل القياس عن بُعد في My Attention AI.

وضع النموذج قيد التشغيل

نبدأ بدراسة كيفية عمل النموذج في وضعه الحالي، ونعالج الجوانب الأكثر عرضة للمخاطر.

  1. التدقيق

    نفحص أين وكيف يُدرَّب النموذج ويُشغَّل، ومن يتولّى إطلاقه، وما الذي يحدث عند وقوع خلل.

  2. الخدمة والسجل

    نغلّف النموذج في خدمة، وننشئ سجل الإصدارات، ونضبط التدريب ليكون قابلاً لإعادة الإنتاج.

  3. خط أنابيب الإطلاق

    نهيّئ CI مع الاختبارات والفحص على مجموعة التحقّق المرجعية.

  4. المراقبة

    نربط المقاييس والتنبيهات ولوحات المتابعة، ونتّفق على العتبات.

  5. إعادة التدريب والدعم

    نشغّل إعادة التدريب وفق جدول زمني أو عند رصد إشارة انحراف في البيانات، ونتولّى دعم النظام وصيانته.

مشاريع ضمن هذه الخدمة

  • Platform

    My Attention AI: منصة لإدارة الانتباه وتنظيم الأعمال

    My Attention AI هي منصة لإدارة الانتباه وتنظيم الأنشطة تضم أربعة مسارات: Screen وTogether وTrain وCare. المنتج مفتوح أمام المستخدمين ويعمل باللغات الروسية والإنجليزية والكازاخية، وهو مملوك لشركة منفصلة هي My Attention AI, Inc.، التي يشغل فيها Danil Silantyev، الرئيس التنفيذي لشركة NDDev، منصب المدير التقني.

أسئلة فرق البيانات حول MLOps

لدينا نموذج جاهز بالفعل. من أين نبدأ؟

من التدقيق: نفحص الشيفرة البرمجية والبيانات وطريقة التشغيل والمقاييس. وبناءً على نتائجه تحصل على قائمة بالمخاطر وخطة توضّح ما ينبغي تهيئته أولاً.

هل تتسلّمون نموذجاً درّبه فريق آخر؟

نعم. نحتاج إلى صلاحية الوصول إلى الشيفرة البرمجية، وإلى البيانات أو وصف هذه البيانات، وإلى البيئة التي يعمل فيها النموذج. وإذا كان التدريب غير قابل لإعادة الإنتاج، فإن أول ما نفعله هو استعادة قابليته لإعادة الإنتاج.

ما هو انحراف البيانات؟

تتغيّر البيانات بمرور الوقت: تظهر منتجات جديدة، وعملاء مختلفون، وتقلّبات موسمية. عندئذ يبدأ النموذج المدرَّب على البيانات القديمة في ارتكاب أخطاء أكثر. وترصد مراقبة الانحراف هذا التغيّر قبل أن يواجه المستخدمون تلك الأخطاء.

أين سيعمل النموذج؟

على خوادمك، أو في سحابة متّفق عليها، أو على بطاقات الرسوميات التي تستأجرها. ونهيّئ الخدمة والمراقبة وإعادة التدريب في البيئة نفسها، ثم نسلّم التوثيق إلى فريقك.

كم تبلغ تكلفة MLOps؟

تجد السعر «ابتداءً من» في قسم التكلفة. وتتحدّد التكلفة النهائية بحسب عدد النماذج، والحالة الراهنة لتشغيلها، ومتطلّبات المراقبة. وتُدفع تكاليف الخوادم والموارد الحاسوبية بشكل منفصل. وبعد الإطلاق يمكن إبقاء النظام تحت الدعم والصيانة، وتبلغ تكلفة ذلك عادةً 10 % من قيمة المشروع شهرياً.

ابتداءً من ‏280,000 ₽

ضمان مجاني
40 يوم

الأسعار المذكورة هي أسعار ابتدائية للمعلومات فقط، ولا تُعدّ عرضاً عاماً. يُحدَّد السعر النهائي في المواصفات الفنية.

Documents, video and forecasting

أخبرنا عن النماذج التي تعمل لديك حالياً

صِف النماذج والبيانات وكيفية إطلاق هذه النماذج حالياً، وسنقترح خطة عمل ونحدّد السعر.

سنردّ خلال 24 ساعة

المساعد

جارٍ تحميل المساعد…