Amazon SageMaker لـ MLOps

يؤدي توحيد بيئات تطوير تعلم الآلة إلى زيادة إنتاجية علماء البيانات وفي النهاية وتيرة الابتكار من خلال تسهيل إطلاق مشاريع جديدة وتدوير علماء البيانات عبر المشاريع وتنفيذ أفضل ممارسات تعلم الآلة. تقدم مشروعات Amazon SageMaker قوالب لتزويد بيئات علماء البيانات القياسية بسرعة بأدوات ومكتبات تم اختبارها جيدًا وحديثة ومستودعات التحكم في المصدر والتعليمات البرمجية المعيارية ومسارات CI/CD.

يعد بناء نموذج تعلم الآلة (ML) عملية تكرارية تتضمن تدريب مئات النماذج للعثور على أفضل الخوارزمية والبنية والمعايير للحصول على دقة النموذج المثلى. يتيح لك MLflow تتبع المدخلات والمخرجات عبر هذه التكرارات التدريبية، وتحسين إمكانية تكرار التجارب وتعزيز التعاون بين علماء البيانات. من خلال إمكانات MLflow المُدارة بالكامل، يمكنك إنشاء خوادم تتبع MLflow لكل فريق، مما يسهل التعاون الفعال أثناء تجربة تعلم الآلة (ML).

يدير Amazon SageMaker مع MLflow دورة حياة تعلم الآلة من البداية إلى النهاية، ويبسط التدريب الفعال على النماذج، وتتبع التجارب، وقابلية التكرار عبر الأطر والبيئات المختلفة. يوفر واجهة واحدة حيث يمكنك تصوُّر مهام التدريب الجارية ومشاركة التجارب مع الزملاء وتسجيل النماذج مباشرة من التجربة.

باستخدام Amazon SageMaker Pipelines، يمكنك أتمتة سير عمل ML الشامل لمعالجة البيانات والتدريب على النماذج والضبط الدقيق والتقييم والنشر. قم ببناء النموذج الخاص بك أو تخصيص نموذج تأسيس من SageMaker Jumpstart ببضع نقرات في المحرر المرئي لـ Pipelines. يمكنك تكوين SageMaker Pipelines للتشغيل تلقائيًا على فترات منتظمة أو عند تشغيل أحداث معينة (مثل بيانات التدريب الجديدة في S3)

غالبًا ما تحتاج إلى إعادة إنتاج النماذج في الإنتاج لاستكشاف سلوك النموذج وإصلاحها وتحديد السبب الجذري. للمساعدة في ذلك، يقوم Amazon SageMaker بتسجيل كل خطوة من خطوات سير العمل، وإنشاء سجل تدقيق لعناصر النموذج، مثل بيانات التدريب وإعدادات التكوين ومعلمات النموذج وتدرجات التعلم. باستخدام تتبع سير العمل، يمكنك إعادة إنشاء النماذج لتصحيح المشكلات المحتملة.

يتضمن إنشاء تطبيق ML تطوير النماذج ومسارات البيانات ومسارات التدريب واختبارات التحقق. باستخدام سجل نماذج Amazon SageMaker، يمكنك تتبع إصدارات النماذج والبيانات الوصفية الخاصة بها مثل تجميع حالات الاستخدام وخطوط الأساس لمقاييس أداء النموذج في مستودع مركزي حيث يكون من السهل اختيار النموذج المناسب للنشر استنادًا إلى متطلبات عملك. بالإضافة إلى ذلك، يقوم SageMaker Model Registry تلقائيًا بتسجيل سير عمل الموافقة للتدقيق والامتثال.

شاهد العرض التوضيحي

يعد تنظيم البنية التحتية من خلال ملفات التكوين التعريفي، والتي يشار إليها عادةً باسم «البنية التحتية ككود»، نهجًا شائعًا لتوفير البنية التحتية لتعلم الآلة وتنفيذ بنية الحلول تمامًا كما هو محدد بواسطة مسارات CI/CD أو أدوات النشر. باستخدام مشروعات Amazon SageMaker، يمكنك كتابة "البنية التحتية ككود" باستخدام ملفات قوالب مُسبقة الإنشاء.

يجب أن تتكامل عمليات سير عمل تطوير ML مع عمليات سير عمل التكامل والنشر لتقديم نماذج جديدة لتطبيقات الإنتاج بسرعة. تقدم Amazon SageMaker Projects ممارسات CI/CD إلى تعلم الآلة، مثل الحفاظ على التكافؤ بين بيئات التطوير والإنتاج، والتحكم في المصدر والإصدار، واختبار A/B، والأتمتة الشاملة. ونتيجة لذلك، يمكنك وضع نموذج للإنتاج بمجرد الموافقة عليه وزيادة المرونة.

بالإضافة إلى ذلك، يوفر Amazon SageMaker إجراءات حماية مدمجة لمساعدتك في الحفاظ على توفر نقاط النهاية وتقليل مخاطر النشر. تهتم SageMaker بإعداد أفضل ممارسات النشر وتنظيمها مثل عمليات نشر Blue/Green deployments لزيادة التوافر إلى أقصى حد ودمجها مع آليات تحديث نقطة النهاية، مثل آليات التراجع التلقائي، لمساعدتك على تحديد المشكلات مبكرًا بشكل تلقائي واتخاذ الإجراءات التصحيحية قبل أن تؤثر بشكل كبير على الإنتاج.

بمجرد أن يصبح النموذج قيد الإنتاج، ستحتاج إلى مراقبة أدائه من خلال تكوين التنبيهات حتى يتمكن عالم البيانات عند الطلب من استكشاف المشكلة وإصلاحها وبدء إعادة التدريب. يساعدك مُراقب نموذج Amazon SageMaker في الحفاظ على الجودة من خلال اكتشاف انحراف النموذج وانحراف المفهوم في الوقت الفعلي وإرسال تنبيهات إليك حتى تتمكن من اتخاذ إجراءات فورية. مُراقب نموذج Amazon SageMaker يراقب باستمرار خصائص أداء النموذج مثل الدقة، التي تقيس عدد التنبؤات الصحيحة مقارنة بالعدد الإجمالي للتنبؤات، حتى تتمكن من معالجة الحالات الشاذة. تم دمج مراقب نموذج SageMaker مع SageMaker Clarify لتعزيز القدرة على اكتشاف التحيز المحتمل.

يُسهل Amazon SageMaker نشر نماذج ML للاستدلال بأداء عالٍ وتكلفة منخفضة لأي حالة استخدام. ويوفر مجموعة واسعة من البنية التحتية لتعلم الآلة (ML) وخيارات نشر النماذج لتلبية جميع احتياجات استدلال تعلم الآلة (ML) لديك.