Azure Fundamentals · درس

Azure Machine Learning Studio

تجوّل في Azure Machine Learning Studio، وشغّل تجربة تعلم آلي تلقائية على مجموعة بيانات جدولية، وانشر أفضل نموذج كنقطة نهاية لتسجيل الدرجات في الوقت الفعلي.

Azure Machine Learning Studio درس مجاني في Azure Fundamentals على CoddyKit. هذا هو الدرس 3 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Azure Fundamentals، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Azure Fundamentals 4 دروس في المجموع.

ما هي Azure Machine Learning؟

تُعد Azure Machine Learning (Azure ML) منصة سحابية مُدارة تغطي دورة حياة تعلّم الآلة كاملة — بدءًا من إعداد البيانات وتتبع التجارب، ووصولًا إلى تدريب النماذج وتقييمها ونشرها ومراقبتها. وعلى خلاف Azure AI Services (التي توفر ذكاءً اصطناعيًا مُسبق البناء)، تتيح لك Azure ML تدريب نماذجك الخاصة على بياناتك الخاصة باستخدام أي إطار عمل لتعلّم الآلة، مثل: scikit-learn وTensorFlow وPyTorch وXGBoost وغيرها. وهي المنصة المفضلة لعلماء البيانات ومهندسي ML الذين يعملون على Azure.

مساحة عمل Azure ML

تُعد مساحة عمل Azure ML المورد الأعلى مستوى الذي يربط جميع موارد تعلّم الآلة معًا، مثل عناقيد الحوسبة ومجموعات البيانات والتجارب والنماذج وعمليات النشر. عند إنشاء مساحة عمل، تنشئ Azure تلقائيًا حساب تخزين مرتبطًا (للبيانات)، وKey Vault (للأسرار)، وApplication Insights (لمراقبة عمليات النشر)، وContainer Registry اختياريًا (للبيئات المخصصة). يوجد كل ما يتعلق بمشروع ML داخل مساحة عمل واحدة، مما يجعل التعاون والحوكمة أمرين سهلين.

# Create an Azure ML workspace
az ml workspace create \
  --name myMLWorkspace \
  --resource-group myRG \
  --location eastus

واجهة Azure ML Studio

يُعد Azure ML Studio واجهة المستخدم المستندة إلى الويب لمساحة عمل Azure ML، ويمكن الوصول إليه عبر ml.azure.com. وينظّم العمل في أقسام: Notebooks (بيئة Jupyter للبرمجة التفاعلية)، وAutomated ML (تدريب النماذج دون كتابة تعليمات برمجية)، وDesigner (منشئ مسارات العمل بالسحب والإفلات)، وJobs (سجل عمليات التدريب ومقاييسها)، وModels (سجل النماذج)، وEndpoints (واجهات برمجة النماذج المنشورة)، وData (إدارة مجموعات البيانات). صُمم Studio لعلماء البيانات ومهندسي ML على حد سواء.

التعلّم الآلي المؤتمت (AutoML)

يؤتمت Automated ML العملية التكرارية لاختيار الخوارزميات والمعلمات الفائقة. تقدم مجموعة بيانات مُعنونة، وتحدد نوع المهمة (التصنيف أو الانحدار أو التنبؤ بالسلاسل الزمنية)، وتختار العمود المستهدف، وتحدد حدًا زمنيًا. يدرب AutoML مئات النماذج المرشحة بالتوازي، ويقيّم كل نموذج، ثم يعرض لوحة متصدرين مرتبة. يُسجَّل أفضل نموذج تلقائيًا في سجل النماذج، ويمكن نشره بنقرة واحدة. ولا تحتاج إلى خبرة في ML للحصول على نموذج عملي.

# Submit an AutoML job via CLI v2
az ml job create \
  --file automl_job.yaml \
  --resource-group myRG \
  --workspace-name myMLWorkspace

# automl_job.yaml excerpt:
# type: automl
# task: classification
# primary_metric: accuracy
# training_data:
#   path: azureml:myDataset:1
# target_column_name: label
# n_cross_validations: 5

أهداف الحوسبة

تدعم Azure ML عدة أهداف حوسبة للتدريب والاستدلال. مثيلات الحوسبة هي أجهزة VM مُدارة ذات عقدة واحدة، وتُستخدم لتطوير دفاتر الملاحظات التفاعلية. أما عناقيد الحوسبة فهي عناقيد متعددة العقد قابلة للتوسع التلقائي (تتوسع إلى 0 عند الخمول)، وتُستخدم لمهام التدريب. ولا تتطلب الحوسبة بلا خوادم إدارة العناقيد؛ إذ ترسل المهمة، ثم تختار Azure ML موارد الحوسبة وتوفرها تلقائيًا. وبالنسبة إلى الاستدلال، يمكنك النشر إلى نقاط النهاية المُدارة عبر الإنترنت (في الوقت الفعلي)، أو نقاط النهاية الدفعية، أو Azure Kubernetes Service.

# Create a compute cluster for training
az ml compute create \
  --name myTrainCluster \
  --resource-group myRG \
  --workspace-name myMLWorkspace \
  --type AmlCompute \
  --size Standard_DS3_v2 \
  --min-instances 0 \
  --max-instances 4

تتبع التجارب وMLflow

تتكامل Azure ML مع MLflow، وهي مكتبة مفتوحة المصدر لتتبع تجارب ML. عند تسجيل المقاييس والمعلمات والمصنوعات باستخدام mlflow.log_metric() وmlflow.log_param()، تخزن Azure ML هذه العناصر تلقائيًا في سجل تجارب مساحة العمل. يمكنك مقارنة عمليات التشغيل عبر التجارب في Studio لتحديد أفضل مجموعة من المعلمات الفائقة. كما يؤدي تسجيل النماذج باستخدام MLflow (mlflow.sklearn.log_model()) إلى تسجيل النماذج مباشرةً في سجل نماذج Azure ML.

import mlflow

# In your training script
mlflow.autolog()  # auto-logs params, metrics, and models
with mlflow.start_run():
    # train your model here
    model.fit(X_train, y_train)
    accuracy = model.score(X_test, y_test)
    mlflow.log_metric('accuracy', accuracy)

لوحة معلومات الذكاء الاصطناعي المسؤول

يتضمن Azure ML Studio لوحة معلومات الذكاء الاصطناعي المسؤول التي تحلل النموذج المدرَّب من حيث الإنصاف وقابلية التفسير وتحليل الأخطاء. يحدد مكوّن تحليل الأخطاء المجموعات الفرعية من مجموعة بيانات الاختبار التي يحقق النموذج فيها أسوأ أداء. ويعرض مكوّن قابلية التفسير (باستخدام SHAP أو LIME) الميزات الأكثر تأثيرًا في تنبؤات النموذج. أما تقييم الإنصاف فيتحقق مما إذا كانت معدلات أخطاء التنبؤ تختلف بين المجموعات الديموغرافية، مما يساعدك على تحديد التحيز والحد منه قبل النشر.

نشر نموذج كنقطة نهاية في الوقت الفعلي

لنشر نموذج مُدرَّب للاستدلال في الوقت الفعلي، تنشئ نقطة نهاية مُدارة عبر الإنترنت في Azure ML. تحتوي نقطة النهاية على عملية نشر واحدة أو أكثر — وتمثل كل عملية نشر إصدارًا من النموذج مع إعدادات الحوسبة الخاصة بها. تحدد النموذج، وبرنامج تسجيل النقاط (نقطة الدخول)، ونوع مثيل الحوسبة. ويمكن تقسيم حركة المرور بين عمليات النشر (مثلًا: 90% إلى الأزرق و10% إلى الأخضر) لطرح إصدارات النماذج الجديدة بأمان. وتعرض نقطة النهاية واجهة REST API عبر HTTPS.

# Deploy a model to a managed online endpoint
az ml online-endpoint create \
  --name myEndpoint \
  --resource-group myRG \
  --workspace-name myMLWorkspace

az ml online-deployment create \
  --endpoint-name myEndpoint \
  --name blue \
  --model azureml:myModel:1 \
  --instance-type Standard_DS2_v2 \
  --instance-count 1

نقاط النهاية الدفعية للتسجيل واسع النطاق

تنفذ نقاط النهاية الدفعية الاستدلال بشكل غير متزامن على مجموعات بيانات كبيرة بدلًا من تسجيل سجل واحد في كل مرة. ترسل مهمة دفعية تشير إلى مجموعة بيانات إدخال (في Azure Blob Storage)، ثم تعالج نقطة النهاية البيانات بالتوازي عبر عنقود حوسبة. وتُكتب النتائج في موقع إخراج. ويُعد الاستدلال الدفعي مناسبًا لتشغيلات التنبؤ اليومية بتوقف العملاء، أو تسجيل مخاطر الائتمان شهريًا، أو تصنيف الصور ليلًا للمحتوى الجديد الذي تم تحميله — وهي سيناريوهات لا يكون فيها زمن الاستجابة لكل طلب أمرًا حاسمًا، بينما تكون الإنتاجية مهمة.

انحراف البيانات ومراقبة النماذج

بعد النشر، قد تتدهور دقة النموذج بمرور الوقت مع تغير أنماط البيانات الواقعية — وهي ظاهرة تُسمى انحراف البيانات أو انحراف النموذج. توفر Azure ML ميزة مراقبة النماذج التي تقارن بيانات الاستدلال في بيئة الإنتاج بالخط الأساسي للتدريب، وترسل تنبيهًا عندما يتجاوز الانحراف الإحصائي حدًا معينًا. يمكنك جدولة مهام المراقبة يوميًا أو أسبوعيًا. وعند اكتشاف انحراف كبير، فهذه إشارة إلى ضرورة إعادة تدريب النموذج باستخدام بيانات حديثة للحفاظ على جودة التنبؤات.

مسارات ML لأتمتة العمليات

تنظم Azure ML Pipelines مسارات عمل ML متعددة الخطوات — مثل المعالجة المسبقة للبيانات، وهندسة الميزات، وتدريب النماذج، والتقييم، والنشر المشروط — في مسار عمل قابل لإعادة الاستخدام ومُعلَّم بالمعلمات. تعمل كل خطوة على هدف حوسبة خاص بها. ويمكن جدولة المسارات (مثلًا: إعادة التدريب أسبوعيًا باستخدام بيانات جديدة)، أو تشغيلها بواسطة Azure Data Factory، أو استدعاؤها عبر REST API. وتُحفظ إصدارات المسارات المنشورة في مساحة العمل، مما يتيح إجراء تجارب ML قابلة لإعادة الإنتاج وإمكانية التدقيق في الصناعات الخاضعة للتنظيم.

تحقق سريع

اختبر مدى فهمك لمفاهيم Microsoft Azure Fundamentals (AZ-900) الواردة في هذا الدرس.

مراجعة الدرس

تعلّمت في هذا الدرس أن Azure ML Studio توفر واجهة مستخدم موحدة لدورة حياة ML كاملة، بدءًا من البيانات ووصولًا إلى النموذج المنشور، وأن AutoML تؤتمت اختيار الخوارزميات وضبط المعلمات الفائقة دون الحاجة إلى خبرة في ML، وأن نقاط النهاية المُدارة عبر الإنترنت والدفعية تنشر النماذج المدرَّبة كواجهات REST API للاستدلال في الوقت الفعلي أو على نطاق واسع وبشكل غير متزامن. بعد ذلك، سنستكشف Azure OpenAI Service لدمج نماذج اللغة الكبيرة في التطبيقات.

الأسئلة الشائعة

هل درس «Azure Machine Learning Studio» مجاني؟

نعم — نص درس «Azure Machine Learning Studio» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Azure Fundamentals، انتقل إلى CoddyKit PRO. تتضمن دورة Azure Fundamentals 4 دروس في المجموع.

ماذا ستتعلم في «Azure Machine Learning Studio»؟

تجوّل في Azure Machine Learning Studio، وشغّل تجربة تعلم آلي تلقائية على مجموعة بيانات جدولية، وانشر أفضل نموذج كنقطة نهاية لتسجيل الدرجات في الوقت الفعلي. تتمرن على Azure Fundamentals مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ Azure Fundamentals؟

لا تُشترط خبرة سابقة. Azure Fundamentals على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 3 من أصل 4.

كم من الوقت يستغرق درس «Azure Machine Learning Studio»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس Azure Fundamentals هذا؟

نعم. كل درس في Azure Fundamentals يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

← العودة إلى Azure Fundamentals