دورة حياة تطوير الذكاء الاصطناعي وتعلم الآلة

يغلق هذا الموضوع المجال الأول بالسؤال الذي يلي كل ما سبقه: بعد أن عرفت ما تعلم الآلة ومتى يناسب، كيف تبني نموذجاً فعلياً وتوصله إلى مستخدمين حقيقيين وتُبقيه يعمل؟ يمشي الموضوع في دورة الحياة كاملة مرة واحدة، من جمع البيانات إلى مراقبة نموذج حي، ويسمّي خدمة AWS المسؤولة عن كل محطة.

الخيط الجامع أن المسار حلقة لا خط. النشر ليس خط النهاية، لأن النموذج يتدهور مع انحراف الواقع عن بيانات تدريبه، وهذا ما يجعل المراقبة وإعادة التدريب جزءاً من التشغيل لا إضافة اختيارية. وهذه هي أرض بيان المهمة 1.3 في اختبار AIF-C01.

ما الذي يغطيه هذا الموضوع

• مراحل مسار تعلم الآلة بترتيبها، والفرق الدقيق بين استكشاف البيانات ومعالجتها وهندسة الخصائص
• مصادر النموذج الثلاثة: مدرَّب مسبقاً كما هو، أو مخصَّص، أو مدرَّب من الصفر
• تقديم النموذج في الإنتاج: واجهة مُدارة مقابل استضافة ذاتية، وخيارات الاستدلال اللحظي وبلا خوادم وغير المتزامن والدفعي
• خدمات AWS لكل مرحلة: S3 وGround Truth وData Wrangler وFeature Store وJumpStart وAutopilot وModel Registry وModel Monitor وClarify وPipelines
• مفاهيم MLOps: التجريب المتتبَّع، وقابلية إعادة الإنتاج، والأنظمة القابلة للتوسع، والدين التقني، والمراقبة وإعادة التدريب
• مقاييس النموذج (الدقة الكلية والإحكام والاستدعاء وF1 وAUC وRMSE وMAE) ومقاييس الأعمال (العائد على الاستثمار وتكلفة المستخدم ورضا العملاء)

لماذا هذا مهم

هذا الموضوع هو المفردات التشغيلية التي تفترضها بقية المقرر بهدوء. حين يسألك مجال لاحق عن تأمين مسار بيانات، أو رصد التحيّز، أو تقييم تطبيق RAG، فأنت تجيب داخل الإطار الذي يبنيه هذا الموضوع: أي مرحلة نحن فيها، ومن يشغّل البنية التحتية، وبأي مقياس نحكم.

ومقاييس التقييم هنا من أكثر ما يتكرر في الاختبار. فخ البيانات غير المتوازنة، والمقايضة بين الإحكام والاستدعاء، والفرق بين نموذج قوي تقنياً ومشروع مجدٍ تجارياً، كلها أسئلة تعود بصيغ مختلفة عبر المجالات الخمسة.