MLOps الشاملة: تصنيع دورة حياة نماذج التعلّم الآلي
نموذج التعلّم الآلي في دفتر Jupyter منتَج نصف ناضج: تعرف الشبكة كيف تُقلّل الخسارة، لكنّها لا تعرف كيف تصل إلى المستخدم النهائي، ولا كيف تبقى صالحة بعد أسبوع من الآن. تُعالج هذه الدورة الفجوة كلّها.
مدّة الدورة: 10 ساعات
ما ستتعلّمه
- التمييز بين ما تحلّه هندسة البرمجيات التقليدية وما تتركه للـMLOps
- إعادة إنتاج تجربة قديمة كاملةً على جهاز مختلف بعد ستّة أشهر
- تتبّع التجارب بـMLflow وإصدار البيانا ت بـDVC، وربطهما بالتزام Git
- بناء سجلّ نماذج بمراحل ترقية، وترتيب مسار «تراجع بأمر واحد»
- تحزيم النموذج في صورة Docker خفيفة، وإدارة أسرار التنفيذ بأمان
- تصميم خطّ CI/CD حقيقي: اختبار بيانات، اختبار نموذج بعتبات، ثم نشر
- اختيار بين الخدمة بالدفعات، والخدمة المتّصلة، والخدمة التدفّقية بأسباب واضحة
- كشف انحراف البيانات والمفهوم بتقارير Evidently، وتفادي التنبيهات الوهمية
- أتمتة إعادة التدريب مع مصادقة قبل الترقية، ونشر تدرّجي، وتراجع فوري
المتطلّبات المسبقة
- التعلّم المُشرَف عليه (الدورة 4)
- هندسة المتغيّرات (الدورة 6)
- أساسيات Docker والأوامر النصّية
وحدات الدورة
- ما تحلّه MLOps وتتجاهله البرمجة التقليدية
- إمكانية التكرار: البذور والبيئات وتثبيت الإصدارات
- تتبّع التجارب مع MLflow
- إصدار البيانات والنماذج
- سجلّ النماذج ومراحل الترقية
- تحزيم النموذج في حاوية
- خطوط التكامل والتسليم المستمرّين
- الخدمة بالدفعات والمتّصلة والتدفّقية
- المراقبة: انحراف البيانات والمفهوم
- إعادة التدريب الآلي والتراجع
الخيط الأحمر
نتتبّع طوال الدورة نموذج توقّع تسرّب المشتركين لدى مشغّل اتّصالات. ننطلق من دفتر Jupyter وحيد لا يعرف أحد كيف يعيد تشغيله، وننتهي بمستودع مُهَيْكل يعيد تدريب النموذج تلقائيًا كلّ أسبوع، ويمرّ باختبارات بيانات، ويرقّى إلى الإنتاج بمصادقة صريحة، ويعود إلى النسخة السابقة بأمر واحد إن ساء الأداء.
التقييم والشهادة
يُختَم المسار باختبار من 40 سؤالًا يغطّي وحدات الدورة كلّها، وتُمنَح عند النجاح شهادة إتمام قابلة للتحقّق برقمها على المنصّة.