المراجعة والاختبار النهائيّ
عشر وحدات للانتقال من مشروع GCP فارغ إلى مشروع كشف احتيال يعمل كلّ ليلة على بيانات BigQuery، ويخدم قرار الشراء في أقلّ من 200 مللي ثانية، ويُصنّف تعليقات النزاعات بنموذج أساس. هذه هي الدورة مُكثَّفة، ثمّ الخيوط التي تعبرها، ثمّ مقارنة تُوسِّع منظورك خارج Google Cloud.
الدورة في لمحة
| الوحدة | الجوهر الواجب حفظه |
|---|---|
| 1. المكوّنات والمصطلحات | المشروع حاوية الفوترة والعزل، المنطقة قرار موحَّد، الأتمتة تعمل بحسابات خدمة بأقلّ صلاحيات لازمة |
| 2. الدفاتر والبيئات | Workbench للعمل الجدّي مع إيقاف تلقائيّ 30 دقيقة، Colab Enterprise للتعاون السريع، الأسرار في Secret Manager |
| 3. البيانات على GCS وBigQuery | Parquet قبل CSV، جدول مقسَّم ومجمَّع يُقلّص الفاتورة، تقسيم زمنيّ مع هامش على التوسيم المتأخّر |
| 4. التدريب المخصّص والحاويات | حاويات مُسبَقة الصنع تكفي 90 % من الحالات، AIP_MODEL_DIR يربط النموذج بالسجلّ، T4 غالبًا أرخص من CPU |
| 5. ضبط المعاملات | Vizier بايزيّ يتفوّق على العشوائيّ بعد 15 تجربة، تقرير المقياس عدّة مرّات يُفعِّل الإيقاف المبكّر |
| 6. سجلّ النماذج | الاسم المستعار production هو ما يُستهدَف رمزيًّا، وتحريكه يبدّل الإنتاج بلا إعادة نشر |
| 7. نقاط النهاية | تقسيم كنّاريّ 90/10 قبل الترقية الكاملة، min=0 كارثة استجابة، تسجيل الطلبات إلى BigQuery |
| 8. التوقّع بالدفعات | أرخص عشرة أضعاف من نقطة النهاية لأحمال بلا قيد زمنيّ، والميزات المسبَّقة الحساب يجب أن تُختبَر جودةً |
| 9. Vertex AI Pipelines | KFP يُوصِف الرسم كأثر ولسانيّة، dsl.If يجعل النشر مشروطًا بعتبة جودة، والتخزين المؤقّت ذهب |
| 10. نماذج الأساس | Model Garden كتالوج موحَّد، Gemini بأمثلة قليلة يكفي أغلب التصنيفات، الفوتَرة بالرمز |
الخيوط التي تعبر الدورة
كلّ شيء يبدأ بالمشروع والمنطقة. المشروع هو أفق العزل والفواتير، والمنطقة قرار موحَّد يُوثَّق منذ اليوم الأوّل. مشاريع تلتقط موارد في مناطق مختلفة تُعيد كلّ استدعاء إلى الوراء بتخبّط في «أين ذلك النموذج، لماذا لا يجد نقطة النهاية؟». القاعدة: منطقة واحدة، مشروع لكلّ بيئة، ووثيقة تُبيّن ذلك للفريق الجديد.
الفوتَرة بالثانية سلاح ذو حدَّين. رَخِيصةً حين تُشغّل ما تحتاج فقط: تدريب مُدار يتوقّف تلقائيًّا، نقطة نهاية تتوسّع تلقائيًّا، دفعة تنتهي وتُدمَّر. باهظةً حين تُنسى: دفتر يعمل الليل، نقطة نهاية بلا max_replica، حملة معاملات فائقة أشعلَت 40 وحدة معالجة رسوميّة. الحماية: إيقاف تلقائيّ عند الخمول على الدفاتر، max_replica_count على نقاط النهاية، تنبيه فوتَرة على مستوى المشروع.
اللسانيّة ليست ترفًا بل شرط تدقيق. حين يُسأل الفريق «من أين جاء نموذج الإنتاج، على أيّ بيانات؟»، الوقت اللازم للجواب هو مؤشِّر ناضج على جودة MLOps. Vertex يبني هذه اللسانيّة تلقائيًّا حين نمرّ عبر: مجموعة بيانات مُسجَّلة ⇒ تدريب مُدار ⇒ سجلّ النماذج ⇒ نقطة نهاية، وأحسن حين ننسّق ذلك في Pipelines. الحلقة المفقودة الأولى في مشاريع مخترَبة: نموذج نُسِخ يدويًّا من الدفتر إلى GCS ثمّ سُجِّل، بلا رابط إلى ما دُرِّب عليه.
قرار «فوريّ أم دفعات» يسبق الرمز. كلّ نموذج جديد يُطرَح عليه السؤالان: هل النتيجة مطلوبة الآن أم في الصباح؟ ما حجم الحمل اليوميّ؟ الجواب يحدّد النمط ويوفّر أضعاف الكلفة. مشروع كشف الاحتيال احتاج الاثنين: نقطة نهاية للقرار أثناء الشراء، دفعات لتحليل الأمس. الخلط بينهما يُهدر كلًّا من الاستجابة والمال.
السجلّ يُسبَق بتقييم مرفَق، والنشر يُسبَق بشرط جودة. لا يصل نموذج إلى production بلا:
- تقييم مرفَق كأثر Vertex (لا صورة PDF في Slack).
- مرور بمرحلة كنّاريّة على 10 % من الحركة.
- مقارنة مع الإصدار السابق على مقاييس محدَّدة قبل الترقية إلى 100 %.
هذه الثلاثيّة تحوّل النشر من قرار عاطفيّ إلى إجراء موصوف.
مقارنة مع SageMaker وAzure ML
المنصّات الثلاث تتشابه في الوظائف، تختلف في الفلسفة والتفاصيل.
| المفهوم | Vertex AI | AWS SageMaker | Azure ML |
|---|---|---|---|
| دفتر مُدار | Workbench / Colab Enterprise | SageMaker Studio | Azure ML Studio Notebooks |
| مجموعة بيانات مُسجَّلة | Vertex Datasets | Feature Store / Datasets | Datasets (منسوخة أو مسجَّلة) |
| تدريب مُدار في حاوية | CustomTrainingJob | Training Jobs (SDK Estimator) | Command Job / ScriptRun |
| ضبط المعاملات الفائقة | Vizier | Hyperparameter Tuning Jobs | HyperDrive |
| سجلّ النماذج | Model Registry | Model Registry (SageMakerModel) | Model Registry |
| نقطة نهاية فوريّة | Endpoint | Endpoint (Real-Time) | Online Endpoint |
| توقّع بالدفعات | Batch Prediction | Batch Transform | Batch Endpoint |
| خطوط أنابيب | Vertex Pipelines (KFP) | SageMaker Pipelines (خاصّة) | Azure ML Pipelines (Python SDK) |
| كتالوج نماذج أساس | Model Garden | JumpStart / Bedrock | Azure OpenAI + Foundation Models |
الأشياء الأصيلة في Vertex:
- قرابة عميقة مع BigQuery: مصدر مباشر للتدريب والدفعات، بلا تصدير وسيط. المنافسان يحتاجان S3/Blob كوسيط.
- KFP كتصنيف قياسيّ: خط أنابيب Vertex قابل للنقل إلى أيّ Kubernetes مع Kubeflow. SageMaker Pipelines خاصّ بAWS.
- Vizier علنيًّا: نفس المكتبة تُستعمَل داخليًّا في Google لضبط نماذج البحث. جودة تحسينها البايزيّ ملحوظة.
الأشياء الأصيلة في SageMaker:
- Feature Store أنضج: كتالوج ميزات موصوف بجزء تاريخيّ وجز ء لحظيّ، مُدار بذاته. Vertex Feature Store لا يزال أبسط.
- Bedrock: كتالوج نماذج أساس واسع خارج نماذج Google (Anthropic، Meta، Cohere) بأمر واحد.
الأشياء الأصيلة في Azure ML:
- دمج عميق مع Databricks وSynapse: لِمن بنى مستودعه على Azure.
- Prompt Flow: أداة مصوّرة لبناء سلاسل LLM.
في المؤسّسة، اختيار المنصّة يرتبط أكثر بالسحابة القائمة أصلًا (incumbent cloud) منه بالتفاصيل التقنيّة. Vertex أرجح إن كانت بياناتك في BigQuery؛ SageMaker إن كانت في S3 مع Redshift؛ Azure ML إن كانت في Synapse أو Databricks على Azure.
الاختبار النهائيّ
يتضمّن الاختبار 40 سؤالًا تشمل الوحدات العشر: خرائط ذهنيّة على المكوّنات، سياسات فوترة، قرارات المنطقة والمشروع، فلسفات حسابات الخدمة، ضبط الدفتر ووصوله إلى BigQuery، فوارق Parquet وCSV، حدود التوسيم المتأخّر، اختيار المُسرِّع في التدريب، إعداد Vizier، أسماء مستعارة في سجلّ النماذج، مقارنة كنّاريّة على نقطة نهاية، قرار «فوريّ أم دفعات»، مكوّنات KFP وتخزينها المؤقّت، وحساب الكلفة بالرمز لنموذج أساس.
وتعرض عدّة أسئلة حالات للتشخيص من الفيل الأحمر: دفتر عمل ليلة كاملة، حملة معاملات فائقة لم يظهر لها مقياس، نموذج مُسَجَّل بلا حاوية مُخدِّمة، نقطة نهاية بـmin=0 أخفقت في الاستيقاظ، دفعة استعملت ميزات لم تُحدَّث، وenable_caching أعاد نتيجة قديمة على مصدر متغيّر. المُقيَّم هو الحُكم المُتدرَّب عبر الدورة، لا استظهار أسماء واجهات API.
وفي حال النجاح تُمنَح شهادة الإتمام فورًا؛ ورقمها قابل للتحقّق من أيّ طرف على المنصّة.
راجع الجدول أعلاه، وعلى كلّ سطر اسأل نفسك: «كيف سأرى أنّني مخطئ هنا؟». إن عرفتَ أن تشرح لماذا الاسم المستعار يبدّل الإنتاج بلا كود، ولماذا الدفعات أرخص من نقطة النهاية بعشرة أضعاف، ولماذا enable_caching سيف ذو حدَّين، ولماذا Model Garden يوفّر عليك تدريب مصنّف نصّ من الصفر، فأنت مستعدّ. حظًّ ا موفَّقًا!
الامتحان النهائي
هل أنت مستعدّ لاعتماد هذه الدورة؟
40 سؤالًا تُختار عشوائيًّا من بنك أسئلة الدورة · حدّ النجاح 70 % · شهادة PDF قابلة للتحقّق تُصدَر فورًا عند النجاح.
ابدأ الامتحانيلزم تسجيل الدخول إلى حسابك في InSkillML مع اشتراك نشط. يمكنك أيضًا بدء الامتحان من دوراتي.