كيف يتم تدريب نماذج التعلم الآلي وتحسينها ونشرها

كل نظام تعلم آلي، من مرشح الرسائل غير المرغوب إلى نموذج اللغة الكبير، يمر بنفس القوس العريض قبل أن يصل إلى المستخدم: يتم تحضير البيانات، ويتم تدريب نموذج على تلك البيانات، ويتم قياس وضبط أدائه، وأخيراً يتم إطلاقه في بيئة مباشرة حيث يستمر في المراقبة. يصف موفرو الخدمات السحابية وفرق الهندسة هذا القوس بأنه دورة حياة التعلم الآلي، وآلياته هي نفسها تقريباً سواء كان النموذج مصنفاً صغيراً أم شبكة ذات مليار معامل.

التدريب: كيف يتعلم النموذج من البيانات

وفقاً لتوثيق معمارية Google Cloud، تبدأ دورة الحياة بمعالجة البيانات: تُجري الفرق تحليل استكشافي للبيانات لفهم بنية البيانات، وتنظيفها، وتقسيمها إلى مجموعات تدريب والتحقق والاختبار، وتصميم الميزات بحيث تكون البيانات بصيغة مناسبة للنموذج. فقط بعد هذا التحضير يقوم علماء البيانات بتنفيذ الخوارزميات والبدء في التدريب.

بالنسبة للشبكات العصبية على وجه التحديد، يعتمد التدريب على تقنيتين مرتبطتين، كما شرحته GeeksforGeeks: تمرير أمامي، حيث تعالج الشبكة بيانات الإدخال لإنتاج تنبؤ، ودالة خسارة، التي تقيس مدى بعد هذا التنبؤ عن التصنيف الحقيقي. ثم يحسب الانتشار العكسي، طبقة تلو الأخرى باستخدام قاعدة السلسلة، مقدار مساهمة كل معامل داخلي في تلك الخطأ. يستخدم الانحدار التدريجي تلك التدرجات المحسوبة لدفع كل معامل نحو الاتجاه الذي يقلل الخسارة. يتكرر هذا الدورة من التمرير الأمامي والتمرير العكسي والتحديث عبر عدة حقب حتى يتقارب النموذج نحو الحد الأدنى لدالة الخسارة، وفقاً لـ GeeksforGeeks.

التحسين: ضبط والتحقق من النموذج

التدريب وحده لا يضمن نموذجاً قابلاً للاستخدام. تلاحظ توثيق Google Cloud أن الفرق تُجري ضبط المعاملات الفائقة على الخوارزميات المنفذة للحصول على أفضل أداء، وتعديل الإعدادات مثل معدل التعلم أو حجم الدفعة أو عدد الحقب بدلاً من المعاملات التي يتعلمها النموذج بمفرده. تضيف توثيق مطوّري Google حول إدارة مشاريع التعلم الآلي أن هذه مرحلة التجريب حيث تختبر الفرق مجموعات ميزات مختلفة وقيم معاملات فائقة ومعماريات نماذج، وغالباً تُجري مئات من التجارب قبل العثور على مجموعة قابلة للعمل.

بمجرد وجود نموذج مرشح، يتم تقييمه على مجموعة اختبار محتفظ بها - بيانات لم يرها النموذج أثناء التدريب - لإنتاج مقاييس الجودة. تصف IBM هذه الخطوة بأنها تقييم الأداء باستخدام مقاييس مثل الدقة والإنصاف على البيانات غير المرئية. ثم يتم التحقق من النموذج مقابل خط أساسي: تنص توثيق Google Cloud على أن هذا يؤكد أن الأداء التنبؤي للنموذج أفضل من حد معرّف قبل السماح له بالانتقال نحو النشر.

النشر: وضع نموذج في الإنتاج

النشر هو النقطة التي يبدأ فيها النموذج الموثوق به في عمل تنبؤات على بيانات حقيقية. يعرّف توثيق Snowflake نشر النموذج بأنه الإطلاق المنظم لنموذج موثوق به، جنباً إلى جنب مع تبعياته ومنطق الاستدلال، إلى بيئة إنتاجية حيث يمكن إصدار نسخ منه وتنفيذه ومراقبته وإرجاعه إلى الإصدار السابق إذا لزم الأمر.

يصف كل من Google Cloud و Snowflake مجموعات مماثلة من أنماط النشر، مُلخصة أدناه.

تلاحظ Snowflake أن كل أسلوب نشر يحمل مقايضات: الخدمة في الوقت الفعلي تتطلب معالجة دقيقة لزمن الانتظار والتوفر والتوسع، بينما الأنظمة الدفعية أسهل في الإدارة لكن محدودة بتكرار جدول التسجيل. ينخفض نشر الحافة في زمن الانتظار ويبقي البيانات محلية، لكنه يجعل من الصعب تتبع إصدار النموذج الذي يعمل عبر العديد من الأجهزة الموزعة.

المراقبة والانجراف وإعادة التدريب

النشر ليس نهاية العملية. تنص IBM على أن المراقبة المستمرة تتتبع أداء النموذج في الإنتاج، وتكتشف مشاكل مثل انجراف الدقة، وتولد تنبيهات تمكّن التدخل السريع ويمكن أن تؤدي إلى إعادة التدريب ببيانات محدثة. وبالمثل، تسرد Snowflake المراقبة وكشف الانجراف باعتبارها مسؤوليات نشر أساسية، إلى جانب تخطيط الإرجاع - المحفزات المحددة مسبقاً وهياكل الملكية لاستعادة إصدار نموذج سابق إذا كان الجديد أقل أداءً.

تؤطر توثيق Google Cloud هذا كطيف نضج. على المستوى الأقل أتمتة، كل خطوة - من تحضير البيانات إلى النشر - يدوية، وهو نموذجي للمشاريع في المراحل الأولى مع إطلاقات غير متكررة. تضيف الإعدادات الأكثر نضجاً خطوط أنابيب آلية التي تتحقق من البيانات والنماذج وتكتشف الانجراف، وتدمج الإعدادات الأكثر أتمتة التكامل والتسليم المستمر بحيث يعمل التجريب والاختبار والنشر والمراقبة كمراحل متصلة وآلية في الغالب.

الأدوات خلف دورة الحياة

في نظرة عام IBM لهذه الممارسة، المعروفة باسم MLOps، يسرد فئات الأدوات التي تعتمد عليها الفرق بشكل شائع في كل مرحلة: أطر التعلم الآلي مثل TensorFlow و PyTorch لبناء وتدريب النماذج، و Git للتحكم في الإصدارات، منصات CI/CD مثل Jenkins أو GitLab CI/CD لأتمتة خطوات خط الأنابيب، ومنصات MLOps المخصصة مثل Kubeflow أو MLflow لتنسيق التدريب والنشر والمراقبة على البنية التحتية السحابية مثل AWS أو Azure أو IBM Cloud.