تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
تقدم مشروعات التعلم الآلي على مراحل
بأهداف ومهام ونتائج محددة. يساعد الفهم الواضح لمراحل تطوير تعلُّم الآلة في تحديد المسؤوليات الهندسية وإدارة توقعات الطرف المعني وتخصيص الموارد بكفاءة.
إنّ الانتقال الناجح خلال المراحل (بشكل متكرّر غالبًا) هو الأساس
لتصميم وتجميع وبناء نماذج تعلُّم الآلة التي تحل مشاكل الأنشطة التجارية
على المدى الطويل.
يشمل تنفيذ حلّ تعلُّم الآلة المراحل التالية:
التصور والتخطيط
التجارب
بناء خطوط أنابيب
الإنتاج
التصور والتخطيط
أثناء مرحلة التصور والتخطيط، تقوم بتأطير مشكلتك من حيث حل تعلُّم الآلة وتقدير جدوى المشروع.
الهدف: تحديد ما إذا كان تعلُّم الآلة هو الحل الأفضل لمشكلتك.
المهام: حلل مشكلة العمل لفهم القيود المفروضة على مشروعك.
النتيجة: مستند تصميم يوضّح كيفية حل مشكلة باستخدام حلّ تعلُّم الآلة. للاطّلاع على مثال لمستند تصميم تعلُّم الآلة، راجِع go/ml-design-doc-example.
يتوفّر نص الفيديو من خلال
مشاهدته في البثّ. إذا لم يظهر النص، انقر على
user_attributes
رمز النص.
التجارب
التجارب هي جوهر تعلُّم الآلة. خلال هذه المرحلة،
يمكنك التحقق من أن حل تعلُّم الآلة قابل للتطبيق. إيجاد حل هو
عملية تكرارية. من الشائع تجربة مئات التجارب قبل العثور على التركيبة المناسبة من الميزات والمعلَمات الفائقة وبنية النموذج التي تحل المشكلة.
الهدف: وضع نموذج يحل مشكلة الأعمال.
المهام: يمكنك تجربة الميزات والمعلَمات الفائقة وبُنى النماذج.
النتيجة: نموذج بجودة جيدة بما يكفي لاستخدامه في الإنتاج.
يتوفّر نص الفيديو من خلال
مشاهدته في البثّ. إذا لم يظهر النص، انقر على
user_attributes
رمز النص.
بناء خطوط الإنتاج وإنتاجها
خلال مرحلة إنشاء مسار الإجراءات وإنتاجه، يمكنك إنشاء مسارات لمعالجة البيانات وتدريب نموذج وعرض التوقّعات. يمكنك بعد ذلك نشر النموذج ومسارات الإنتاج مع البنية الأساسية اللازمة للمراقبة وتسجيل البيانات.
الهدف: إنشاء البنية الأساسية وتنفيذها لتوسيع نطاق النماذج ومراقبتها والحفاظ عليها في مرحلة الإنتاج.
المهام: أنشِئ مسارات التعلّم لأتمتة العديد من المهام للحفاظ على النماذج الحديثة في مرحلة الإنتاج.
النتائج: مسارات تعلُّم الآلة التي تم التحقّق من صحتها
يتوفّر نص الفيديو من خلال
مشاهدته في البثّ. إذا لم يظهر النص، انقر على
user_attributes
رمز النص.
سير العمل الشامل لتكنولوجيا "تعلُّم الآلة"
يوضِّح الرسم البياني التالي سير عمل تعلُّم الآلة الشامل، ويسرد
كل مرحلة ومهامها ونتائجها:
الشكل 1. يشير ذلك المصطلح إلى المراحل الأربع الرئيسية لسير عمل تعلُّم الآلة.
تنبيه
توجد تحديات متعددة في كل مرحلة.
قد يؤدي عدم إدراكها - والتخطيط لها - إلى تفويت المواعيد النهائية
وإحباط المهندسين وإخفاق المشروعات.
تاريخ التعديل الأخير: 2024-03-12 (حسب التوقيت العالمي المتفَّق عليه)
[[["يسهُل فهم المحتوى.","easyToUnderstand","thumb-up"],["ساعَدني المحتوى في حلّ مشكلتي.","solvedMyProblem","thumb-up"],["غير ذلك","otherUp","thumb-up"]],[["لا يحتوي على المعلومات التي أحتاج إليها.","missingTheInformationINeed","thumb-down"],["الخطوات معقدة للغاية / كثيرة جدًا.","tooComplicatedTooManySteps","thumb-down"],["المحتوى قديم.","outOfDate","thumb-down"],["ثمة مشكلة في الترجمة.","translationIssue","thumb-down"],["مشكلة في العيّنات / التعليمات البرمجية","samplesCodeIssue","thumb-down"],["غير ذلك","otherDown","thumb-down"]],["تاريخ التعديل الأخير: 2024-03-12 (حسب التوقيت العالمي المتفَّق عليه)"],[[["ML solutions are developed in iterative phases: ideation and planning, experimentation, pipeline building, and productionization."],["Each phase has specific goals, tasks, and outcomes that contribute to the overall success of the project."],["Identifying the right problem for an ML solution and ensuring its feasibility is crucial in the initial phase."],["Rigorous experimentation is essential for building an effective ML model and may involve numerous iterations."],["Productionizing an ML solution requires robust pipelines for data processing, model training, serving predictions, and ongoing monitoring."]]],[]]
