
تُعد هذه الدورة الثانية من ثلاث دورات ضمن برنامج «عمليات تعلم الآلة (MLOps)» باستخدام Azure Machine Learning. يمكن لمشاريع علم البيانات والذكاء الاصطناعي وتعلم الآلة أن تحقق عائداً استثمارياً كبيراً، لكن الواقع أن كثيراً من المشاريع التي تبدو ممتازة في المختبر (وكان يمكن أن تنجح لو طُبِّقت) لا تصل أبداً إلى مرحلة الإنتاج. قد تتمكن من توفير أو تحقيق ملايين الدولارات للمؤسسة، لكنها تتعثر قبل أن ترى النور. لماذا يحدث ذلك؟ لأن تبنّي طريقة جديدة لاتخاذ القرار داخل المؤسسة يمثل تحدياً كبيراً على مستويات متعددة: تحديات تقنية، وتجارية، وأخرى مرتبطة بالطبيعة البشرية. ومن خلال خبرة طويلة، طوّر فريقنا منهجيات عملية تساعد على قلب المعادلة وإيصال النماذج العاملة إلى بيئات الإنتاج في معظم الحالات. تركّز هذه الدورة على جانب محوري من النشر: تمكين مهندسي البيانات من العمل بفعالية مع علماء البيانات لضمان تشغيل النموذج بشكل موثوق وقابل للتوسع. ستتعلم كيف يُستخدم نموذج تعلم آلة لإنتاج تنبؤات، وكيفية تضمينه داخل خط معالجة (Pipeline) يستقبل البيانات ويُخرج التنبؤات تلقائياً. كما ستتعلم قياس أداء النموذج وخط الأنابيب، وتسجيل المقاييس (Metrics) اللازمة للمراقبة والتحسين المستمر. بالإضافة إلى ذلك، تغطي الدورة أفضل الممارسات في «إدارة الإصدارات» (Versioning) لكل من النموذج والبيانات، وكيفية تتبع وحفظ مخرجات العمل (Artifacts) الخاصة بالنماذج والبيانات لضمان القابلية لإعادة الإنتاج، والحوكمة، وسهولة التدقيق والتحديث عند تكرار التجارب وتحسين الأداء في الإنتاج.
John Elder, IV
Chairman of the Board and Founder
Peter Bruce
Chief Learning Officer
Shree Taylor
Vice President, Government Analytics & Innovation
Bryce Pilcher
Senior Data Engineer