ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارAWS Machine Learning Blog→ المصدر

GS Caltex تختصر نشر نماذج ML في بيئة الإنتاج من أسبوع إلى بضع ساعات

كثيرًا ما تنتظر النماذج التي يبنيها الخبراء أسابيع حتى يطلقها المهندسون في نظام الإنتاج. أتمتت GS Caltex هذا التسليم انطلاقًا من أداة AWS SageMaker Canvas التي لا تتطلب كتابة شيفرة (no-code)، فصار نشر النموذج يستغرق بضع ساعات بدل أسبوع تقريبًا. وتُحتسب التنبؤات على دفعات كل 30 دقيقة، ولذلك لا حاجة إلى إبقاء الخادم قيد التشغيل على مدار الساعة. وإذا كانت النماذج لديكم يبنيها تقنيون لا مبرمجون، فإن هذا الجسر سيوفّر على المهندسين أيامًا من العمل.

معالج بواسطة الذكاء الاصطناعي من AWS Machine Learning Blog؛ بتحرير Hamidun News
GS Caltex تختصر نشر نماذج ML في بيئة الإنتاج من أسبوع إلى بضع ساعات
المصدر: AWS Machine Learning Blog. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليAWS Machine Learning Blog ↗
رئيس التحرير
خمس خطواتتحضير، معالجة مسبقة، تنبؤ، تجميع النتيجة
حقيقة رئيسية #2يشغّل EventBridge الحساب 48 مرة في اليوم، أي مرة كل 30 دقيقة
تحقّقوا من عدم تداخل عمليات التشغيلالالتزام بمهلة 30 دقيقة غير مضمون

تخيّلوا مصنعًا يقضي فيه تقني أشهرًا في ضبط معاملات العملية الإنتاجية، ثم يحصل أخيرًا على نموذج يتنبأ جيدًا بالمؤشر المطلوب. بعد ذلك تبدأ المرحلة الأكثر مللًا: يجب تحويل النموذج إلى مهمة تعمل تلقائيًا وفق جدول زمني على بيانات حديثة. وهذه المرحلة تستهلك عادةً وقتًا أطول من التدريب نفسه. وقد وصفت GS Caltex، شركة الطاقة والكيماويات الكورية الجنوبية، في مدونة AWS كيف اختصرتها من أسبوع تقريبًا إلى بضع ساعات.

نشرح المصطلحات باختصار. نموذج ML هنا هو برنامج متنبّئ تم تدريبه. والنشر في بيئة الإنتاج هو نقله من بيئة التجارب إلى نظام العمل. أما SageMaker Canvas فهي أداة مرئية من AWS تُبنى فيها النماذج دون كتابة شيفرة. وSageMaker Pipelines خدمة تربط خطوات معالجة البيانات والتنبؤ في خط معالجة آلي. وقد ربطت الشركة بين هاتين الأداتين.

من يفعل ماذا

وزّعت GS Caltex الأدوار بحسب نقاط قوة كل طرف. يعمل التقنيون في Canvas: يجهّزون البيانات عبر المحرر المرئي Data Wrangler، ويدرّبون النموذج، ويقيّمون مدى إمكانية الوثوق بتنبؤاته. فهم يعرفون العملية والمتغيرات والبيانات الفعلية. أما مهندسو ML فيتسلّمون النتائج الجاهزة ويحوّلونها إلى مهام إنتاجية: يديرون إصدارات النماذج وسجل عمليات التشغيل ومعالجة الأعطال.

وظلّت نقطة التسليم هي عنق الزجاجة. فنقل الموارد من Canvas إلى Pipelines كان يتم يدويًا: كتابة مسارات البيانات في بيئة الإنتاج، ونقل إعدادات النموذج، وربط مهام المعالجة المسبقة بمهام التنبؤ. وقد أتمتت GS Caltex هذا التسليم، وتعيد استخدام كل ما سبق أن تحقّق منه التقني. وبحسب الشركة، ينشر مهندسو ML النماذج الآن في غضون ساعات، بعدما كان ذلك يستغرق أسبوعًا تقريبًا.

كيف يعمل خط المعالجة

تتألف المنظومة من جزأين. يعمل الأول عند صدور إصدار جديد من النموذج: يحصل المهندس من Canvas على ملف المعالجة المسبقة وعلى النموذج نفسه، ويراجع صيغ البيانات ونتائج التنبؤات، ثم يعتمد النموذج في سجل Model Registry وينشره. ويعمل الجزء الثاني باستمرار: وفق جدول زمني، يشغّل Amazon EventBridge خط معالجة من خمس خطوات.

  • PrepareInput يضيف إلى البيانات عمودًا للمؤشر المستهدف بقيمة بديلة (حاشية مؤقتة) إن لم يكن موجودًا؛
  • PreprocessNewData يمرّر البيانات عبر المعالجة المسبقة نفسها التي تحقّق منها التقني؛
  • DropTargetColumn يزيل العمود البديل وترويسة ملف CSV؛
  • BatchPredict يشغّل تنبؤًا دفعيًا بالنموذج المعتمد؛
  • AssembleResults يجمع ملف CSV النهائي من البيانات المجهّزة والتنبؤات.

والسبب في العمود البديل بسيط. فقد بُني مسار المعالجة على بيانات التدريب التي تتضمن النتيجة المعروفة. أما في البيانات الجديدة فهي غائبة بطبيعتها، لكن المسار يظل ينتظر هذا العمود. ويشترط المؤلفون أن هذه الحيلة لا تعمل إلا إذا كان العمود البديل لا يؤثر في قيم الخصائص. وإذا كان المسار يرشّح الصفوف بحسب المؤشر المستهدف، أو يبني الخصائص منه، أو يطبّق target encoding، فلا بد من معالجة إضافية.

يجري التنبؤ على دفعات كل 30 دقيقة، أي 48 تشغيلًا في اليوم. ولا حاجة بين التشغيلات إلى إبقاء نقطة نهاية (endpoint) تعمل باستمرار، أي خادم ينتظر الطلبات. وتفيد الشركة بأن ذلك خفّض تكاليف الاستدلال بشكل ملحوظ، لكنها لا تذكر مبالغ محددة. أما المهام التي تتطلب استجابة فورية فلا يناسبها النمط الدفعي.

المطبّات المحتملة

يعدّد المؤلفون بصراحة المواضع التي قد يتعثر فيها المستخدم:

  • مسار ثابت للبيانات المُدخلة. تكتب خطوة PrepareInput البيانات في موقع محدد داخل ملف .flow. ولن يستبدل معامل خط المعالجة هذا المسار من تلقاء نفسه. ولعزل كل عملية تشغيل لا بد من خطوة تحدّث المسار في نسخة من الملف. ويجب ألا تتقاطع عمليات التشغيل التي تشترك في مسار الإدخال نفسه.
  • اعتماد النموذج لا يُتحقق منه تلقائيًا. يحفظ Model Registry الحالة لكنه لا يمنع التنبؤ. ويجب إجراء التحقق في شيفرة النشر، وتحديث الجداول الزمنية عند سحب الاعتماد.
  • المعاملات المكتسبة. لا يجوز إعادة احتساب التحجيم والترميز اللذين ضُبطا أثناء التدريب على كل دفعة جديدة. ويُستحسن تثبيت إصدار صورة الحاوية.
  • التحقق من التطابق. قارنوا الأعمدة وأنواع البيانات والقيم بعد المعالجة في Canvas وفي بيئة الإنتاج على المُدخل نفسه.

ما الذي يمكن أخذه من هذه التجربة

الدرس أوسع من حزمة AWS التقنية الواحدة. فإذا كان خبراء المجال هم من يبنون النماذج، فإن القيمة تأتي من جسر قياسي بين أداتهم وبيئة الإنتاج، لا من أداة إضافية أخرى. والتنفيذ المرجعي متاح على GitHub ومبني على مثال نموذج لتصنيف القروض، ولذلك سيتعين تكييف الإعدادات مع صيغ الإدخال والإخراج لديكم. وعند تقدير الوفورات، احتسبوا السلسلة كاملة لا مجرد وقت توقف الخادم: المعالجة المسبقة، وبدء تشغيل المثيلات، والتنبؤ، والتخزين في S3، والسجلات.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول من يفعل ماذا؟

وزّعت GS Caltex الأدوار بحسب نقاط قوة كل طرف. يعمل التقنيون في Canvas: يجهّزون البيانات عبر المحرر المرئي Data Wrangler، ويدرّبون النموذج، ويقيّمون مدى إمكانية الوثوق بتنبؤاته. فهم يعرفون العملية والمتغيرات والبيانات الفعلية. أما مهندسو ML فيتسلّمون النتائج الجاهزة ويحوّلونها إلى مهام إنتاجية: يديرون إصدارات النماذج وسجل عمليات التشغيل ومعالجة الأعطال. وظلّت نقطة التسليم هي عنق الزجاجة.

ما أبرز التفاصيل حول كيف يعمل خط المعالجة؟

تتألف المنظومة من جزأين. يعمل الأول عند صدور إصدار جديد من النموذج: يحصل المهندس من Canvas على ملف المعالجة المسبقة وعلى النموذج نفسه، ويراجع صيغ البيانات ونتائج التنبؤات، ثم يعتمد النموذج في سجل Model Registry وينشره. ويعمل الجزء الثاني باستمرار: وفق جدول زمني، يشغّل Amazon EventBridge خط معالجة من خمس خطوات.

ما أبرز التفاصيل حول المطبّات المحتملة؟

يعدّد المؤلفون بصراحة المواضع التي قد يتعثر فيها المستخدم: مسار ثابت للبيانات المُدخلة. تكتب خطوة PrepareInput البيانات في موقع محدد داخل ملف .flow. ولن يستبدل معامل خط المعالجة هذا المسار من تلقاء نفسه. ولعزل كل عملية تشغيل لا بد من خطوة تحدّث المسار في نسخة من الملف. ويجب ألا تتقاطع عمليات التشغيل التي تشترك في مسار الإدخال نفسه. اعتماد النموذج لا يُتحقق منه تلقائيًا. يحفظ Model Registry الحالة لكنه لا يمنع التنبؤ. ويجب إجراء التحقق في شيفرة النشر، وتحديث الجداول الزمنية عند سحب الاعتماد. المعاملات المكتسبة.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…