عمليات طرح Canary: ابدأ بعدد قليل
حوّل شريحة صغيرة من حركة المرور إلى النموذج الجديد.
عمليات طرح Canary: ابدأ بعدد قليل درس مجاني في MLOps Academy على CoddyKit. هذا هو الدرس 1 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 MLOps Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة MLOps Academy 4 دروس في المجموع.
ما هو النشر التدريجي
يرسل النشر التدريجي نموذجك الجديد أولًا إلى شريحة صغيرة من حركة المرور الفعلية، بحيث يظل أي ضرر محدودًا جدًا أثناء المراقبة. 🐤
لماذا لا ننشره للجميع
يُعد تحويل كل حركة المرور دفعة واحدة إلى نموذج جديد نشرًا شاملًا؛ فإذا كان النموذج خاطئًا، فسيتأثر به كل مستخدم فورًا.
ابدأ بنسبة صغيرة عمدًا
يبدأ النشر التدريجي عادةً بنحو 5% من حركة المرور. وهذه نسبة كافية لجمع مؤشرات فعلية، لكنها صغيرة بما يكفي كي لا يؤثر النموذج السيئ إلا قليلًا في المستخدمين.
النموذج الأساسي والنموذج المنافس
النموذج المستقر هو النموذج الأساسي، أما النشر التدريجي فهو النموذج المنافس. ويعمل كلاهما مباشرة في الوقت نفسه لتتمكن من مقارنتهما باستخدام الطلبات الفعلية نفسها.
راقب قبل التوسيع
أثناء خدمة النشر التدريجي لشريحته، راقب معدل الأخطاء وزمن الاستجابة ومؤشرات الأعمال المهمة، وقارنها جنبًا إلى جنب مع النموذج الأساسي.
زد النسبة تدريجيًا
إذا بدا النشر التدريجي سليمًا، فزد حصته تدريجيًا، مثل 5% ثم 25% ثم 50% ثم 100%، مع التوقف للتحقق عند كل مستوى.
تقسيم حركة المرور
يحدد موجّه أو وكيل عكسي النموذج الذي يستقبل كل طلب. ويرسل هذا التقسيم البسيط طلبًا واحدًا من كل عشرين طلبًا إلى إصدار النشر التدريجي.
import random
def route(request, canary_pct=5):
if random.uniform(0, 100) < canary_pct:
return canary_model.predict(request)
return champion_model.predict(request)وسم النموذج الذي خدم الطلب
سجّل النموذج الذي عالج كل طلب. فمن دون وسم إصدار مع كل تنبؤ، لن تتمكن لاحقًا من معرفة النموذج صاحب كل مجموعة من المقاييس.
log.info("prediction", extra={
"model_version": "v2-canary",
"latency_ms": latency,
})أبقِ الشرائح قابلة للمقارنة
وجّه الطلبات اعتمادًا على تجزئة ثابتة لمعرّف المستخدم، حتى يصل الشخص نفسه دائمًا إلى النموذج نفسه. أما التقسيم العشوائي لكل طلب فيجعل المقارنة العادلة أصعب.
انسحب بسرعة
الفكرة الأساسية هي الخروج السريع. فإذا تصرف النشر التدريجي بشكل سيئ، تخفّض حركة المرور الموجهة إليه إلى 0%، ولن يلاحظ المستخدمون شيئًا.
النشر التدريجي مقابل Blue-Green
يحتفظ أسلوب Blue-Green ببيئتين كاملتين ويتنقل بينهما. أما النشر التدريجي فيمرر حركة المرور تدريجيًا، ما يمنحك تحكمًا أدق وتحذيرًا مبكرًا.
اختبار سريع
لنراجع الفكرة الأساسية وراء النشر التدريجي.
مراجعة
يرسل النشر التدريجي نموذجك الجديد أولًا إلى شريحة صغيرة جدًا، ويقارنه بالنموذج الأساسي، ويزيد حصته فقط إذا كان سليمًا، ويتراجع عنه فورًا إذا لم يكن كذلك. ✅
تعلم Python مع معلم ذكاء اصطناعي — مجانًا
اكتب وقم بتشغيل أكوادك الفعلية في المتصفح، واحصل على مساعدة فورية من معلم ذكاء اصطناعي متاح 24/7، واستمر من حيث توقفت على الويب أو في التطبيق.
- الدورات
- 30
- الدروس
- 120
الأسئلة الشائعة
هل درس «عمليات طرح Canary: ابدأ بعدد قليل» مجاني؟
نعم — نص درس «عمليات طرح Canary: ابدأ بعدد قليل» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة MLOps Academy، انتقل إلى CoddyKit PRO. تتضمن دورة MLOps Academy 4 دروس في المجموع.
ماذا ستتعلم في «عمليات طرح Canary: ابدأ بعدد قليل»؟
حوّل شريحة صغيرة من حركة المرور إلى النموذج الجديد. تتمرن على MLOps Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ MLOps Academy؟
لا تُشترط خبرة سابقة. MLOps Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 1 من أصل 4.
كم من الوقت يستغرق درس «عمليات طرح Canary: ابدأ بعدد قليل»؟
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 MLOps Academy هذا؟
نعم. كل درس في MLOps Academy 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
- عمليات طرح Canary: ابدأ بعدد قليل
- محاكاة حركة المرور دون التأثير في المستخدمين
- تحديد معايير التراجع التلقائي
- التسليم التدريجي باستخدام Argo Rollouts