عن الدورة
يُحدث تعلّم الآلة والذكاء الاصطناعي تحولاً سريعاً في العالم، ويؤثران في المؤسسات على اختلاف أحجامها. ومع دفع القيادات التنفيذية نحو تبنّي استراتيجيات AI/ML، كانت فرق DevOps خلال السنوات الماضية تطوّر مهاراتها وتردم الفجوة بين التشغيل والتطوير في التطبيقات التقليدية. واليوم تصل تطبيقات تعلّم الآلة الأكثر تعقيداً في وقت أصبحت فيه ثقافة التعاون بين الفرق أكثر نضجاً وانتشاراً. لكن هذه التطبيقات المعتمدة على البيانات تفرض تحديات جديدة في التطوير والنشر. فهي تتطلب خبرات متداخلة من المطورين وعلماء البيانات، ومهندسي البيانات، ومهندسي تعلّم الآلة. فكيف يمكن للمهندسين الحاليين—الذين يمتلكون معرفة بالحاويات وKubernetes والسحابة—أن يتعاملوا مع هذا المشهد الجديد بكفاءة؟ وهل يمكن لغير المتخصصين تقنياً الذين يسعون إلى تنفيذ مشاريع كثيفة البيانات بسلاسة أن يجدوا أرضية مشتركة مع علماء البيانات ذوي الخلفية الإحصائية؟ تقدّم هذه الدورة مدخلاً عملياً لفهم منصات تعلّم الآلة الحديثة وأنماطها الشائعة، وتوضح دورة حياة تطوير النماذج من التجربة إلى الإنتاج. كما تستعرض قيمة MLOps في تشغيل الأنظمة الإنتاجية وعلاقتها بممارسات DevOps، وتعرّفك على الأطر الشائعة لتعلّم الآلة، ولماذا تُعد أدوات مثل Kubeflow خياراً مناسباً لبناء خطوط عمل قابلة للتوسع وقابلة للنقل عبر البيئات. وفي النهاية، ستتمكن من تقييم توزيعات Kubeflow المختلفة واختيار ما يناسب احتياجاتك—أو على الأقل إجراء نقاش مستنير مع المورّدين حول الخيارات المتاحة.
ماذا ستتعلم
- مناقشة قيمة MLOps للأنظمة الإنتاجية وكيف ترتبط بممارسات DevOps
- التعرّف على الأنماط الشائعة لمنصات تعلّم الآلة والمشكلات التي تهدف إلى حلها
- شرح دورة حياة تطوير النموذج
- تعريف وتحديد أطر عمل تعلّم الآلة الشائعة
- مناقشة القيمة المقترحة والهدف من مشغّل التدريب الشامل (Universal Training Operator)
- البحث عن توزيعة Kubeflow مناسبة لاحتياجاتك واختيارها، أو على الأقل إجراء نقاش مستنير مع المورّد
المتطلبات المسبقة
- خبرة في الحوسبة السحابية
- إلمام بمبادئ DevOps ومفاهيم السحابة الأصلية (Cloud Native)
- خبرة برمجية أساسية
المدرسون
Chase Christensen
Staff Solutions Engineer