عندما يتعلق الأمر بخدمة نموذج مُصدَّر في الإنتاج في مجال الذكاء الاصطناعي ، وتحديداً في سياق Google Cloud Machine Learning والتنبؤات بدون خادم على نطاق واسع ، فهناك العديد من الخيارات الأساسية المتاحة. توفر هذه الخيارات طرقًا مختلفة لنشر نماذج التعلم الآلي وتقديمها ، ولكل منها مزاياها واعتباراتها.
1. وظائف السحابة:
Cloud Functions هي عبارة عن منصة حوسبة بدون خادم تقدمها Google Cloud تتيح لك تشغيل التعليمات البرمجية استجابةً للأحداث. يوفر طريقة مرنة وقابلة للتطوير لخدمة نماذج التعلم الآلي. يمكنك نشر النموذج الذي تم تصديره كوظيفة سحابية واستدعائه باستخدام طلبات HTTP. يتيح لك ذلك دمج نموذجك بسهولة مع الخدمات والتطبيقات الأخرى.
على سبيل المثال:
def predict(request): # Load the exported model model = load_model('exported_model') # Process the input data data = preprocess(request.json) # Make predictions using the model predictions = model.predict(data) # Return the predictions return {'predictions': predictions.tolist()}
2. تشغيل السحابة:
Cloud Run عبارة عن نظام أساسي بدون خادم مُدار بالكامل يعمل على توسيع نطاق حاوياتك تلقائيًا. يمكنك وضع نموذجك المُصدَّر في حاويات ونشره على Cloud Run. يوفر هذا بيئة متسقة وقابلة للتطوير لخدمة نموذجك. يدعم Cloud Run أيضًا طلبات HTTP ، مما يسهل التكامل مع الخدمات الأخرى.
على سبيل المثال:
FROM tensorflow/serving COPY exported_model /models/exported_model ENV MODEL_NAME=exported_model
3. توقع منصة الذكاء الاصطناعي:
AI Platform Prediction هي خدمة مُدارة تقدمها Google Cloud لخدمة نماذج التعلم الآلي. يمكنك نشر النموذج الذي تم تصديره على توقع النظام الأساسي للذكاء الاصطناعي ، والذي يعتني بالبنية التحتية والتوسع نيابةً عنك. وهو يدعم العديد من أطر التعلم الآلي ويوفر ميزات مثل القياس التلقائي والتنبؤ عبر الإنترنت.
على سبيل المثال:
gcloud ai-platform models create my_model --regions=us-central1 gcloud ai-platform versions create v1 --model=my_model --origin=gs://my-bucket/exported_model --runtime-version=2.4
4. كوبيرنتس:
Kubernetes هي عبارة عن نظام أساسي لتنظيم الحاويات مفتوح المصدر يسمح لك بإدارة وتوسيع نطاق التطبيقات المعبأة في حاويات. يمكنك نشر النموذج الذي تم تصديره كخدمة Kubernetes ، والتي توفر خيار نشر قابل للتخصيص بدرجة عالية وقابل للتطوير. تقدم Kubernetes أيضًا ميزات مثل موازنة التحميل والتوسيع التلقائي.
على سبيل المثال:
apiVersion: v1 kind: Pod metadata: name: my-model spec: containers: - name: my-model image: gcr.io/my-project/exported_model ports: - containerPort: 8080
توفر هذه الخيارات الأساسية لخدمة نموذج مُصدَّر في الإنتاج المرونة وقابلية التوسع وسهولة التكامل مع الخدمات الأخرى. يعتمد اختيار الخيار الصحيح على عوامل مثل المتطلبات المحددة للتطبيق الخاص بك ، وعبء العمل المتوقع ، ومدى إلمامك بمنصات النشر.
أسئلة وأجوبة أخرى حديثة بخصوص EITC/AI/GCML تعلم الآلة على Google Cloud:
- ما هو تحويل النص إلى كلام (TTS) وكيف يعمل مع الذكاء الاصطناعي؟
- ما هي القيود المفروضة على العمل مع مجموعات البيانات الكبيرة في التعلم الآلي؟
- هل يمكن للتعلم الآلي تقديم بعض المساعدة الحوارية؟
- ما هو ملعب TensorFlow؟
- ماذا تعني مجموعة البيانات الأكبر في الواقع؟
- ما هي بعض الأمثلة على المعلمات الفائقة للخوارزمية؟
- ما هو التعلم المجمع؟
- ماذا لو لم تكن خوارزمية التعلم الآلي المختارة مناسبة وكيف يمكن التأكد من اختيار الخوارزمية الصحيحة؟
- هل يحتاج نموذج التعلم الآلي إلى الإشراف أثناء التدريب؟
- ما هي المعلمات الأساسية المستخدمة في الخوارزميات القائمة على الشبكة العصبية؟
عرض المزيد من الأسئلة والأجوبة في EITC/AI/GCML Google Cloud Machine Learning