إذا كنتَ قد تعمقتَ في أدوات الذكاء الاصطناعي وتساءلتَ عن مصدر السحر الحقيقي الشامل - من التعديل الفوري إلى الإنتاج مع المراقبة - فهذا هو ما تسمع عنه باستمرار. يجمع Vertex AI من Google بين منصات النماذج، وعمليات إدارة العمليات الرئيسية (MLOps)، وتوصيلات البيانات، والبحث المتجهي في منصة واحدة على مستوى المؤسسات. ابدأ بخطوات صغيرة، ثم توسّع. من النادر جدًا أن تجد كليهما تحت سقف واحد.
إليكم جولة عملية. سنجيب على السؤال البسيط: ما هو Google Vertex AI؟، ونوضح أيضًا مدى ملاءمته لمجموعة حلولك، وما الذي يجب تجربته أولًا، وكيف تتصرف التكاليف، ومتى تكون البدائل أكثر منطقية. استعدوا. هناك الكثير هنا، لكن الطريق أسهل مما يبدو. 🙂
مقالات قد ترغب في قراءتها بعد هذه المقالة:
🔗 ما هو مدرب الذكاء الاصطناعي
يوضح كيف يقوم مدربي الذكاء الاصطناعي بتحسين النماذج من خلال ردود الفعل البشرية والتصنيف.
🔗 ما هو التحكيم في الذكاء الاصطناعي: الحقيقة وراء هذه الكلمة الطنانة
يتناول هذا المقال التحكيم في مجال الذكاء الاصطناعي ونموذج أعماله وتأثيراته على السوق.
🔗 ما هو الذكاء الاصطناعي الرمزي: كل ما تحتاج إلى معرفته
يتناول هذا الكتاب التفكير المنطقي القائم على الذكاء الاصطناعي الرمزي وكيف يختلف عن التعلم الآلي.
🔗 ما هي لغة البرمجة المستخدمة في الذكاء الاصطناعي؟
يقارن بين Python وR ولغات أخرى لتطوير الذكاء الاصطناعي والبحث فيه.
🔗 ما هو الذكاء الاصطناعي كخدمة
يوضح منصات AIaaS وفوائدها وكيفية استفادة الشركات من أدوات الذكاء الاصطناعي المستندة إلى السحابة.
ما هو Google Vertex AI؟ 🚀
Google Vertex AI هي منصة مُدارة بالكامل وموحدة على Google Cloud لبناء أنظمة الذكاء الاصطناعي واختبارها ونشرها وإدارتها، تغطي كلاً من التعلم الآلي الكلاسيكي والذكاء الاصطناعي التوليدي الحديث. تجمع المنصة بين استوديو النماذج، وأدوات الوكلاء، وخطوط الأنابيب، ودفاتر الملاحظات، والسجلات، والمراقبة، والبحث عن المتجهات، والتكامل الوثيق مع خدمات بيانات Google Cloud [1].
ببساطة، إنه المكان الذي تُنشئ فيه النماذج الأولية باستخدام نماذج أساسية، وتُضبطها، وتُنشرها على نقاط نهاية آمنة، وتُؤتمت باستخدام خطوط الأنابيب، وتُبقي كل شيء تحت المراقبة والتحكم. والأهم من ذلك، أنه يُنجز كل ذلك في مكان واحد، وهو أمرٌ أهم مما يبدو عليه في البداية [1].
نمط عملي سريع: غالبًا ما ترسم الفرق مخططاتٍ توضيحية في الاستوديو، وتُجهّز دفتر ملاحظات صغيرًا لاختبار عمليات الإدخال/الإخراج على بيانات حقيقية، ثم تُطوّر هذه الأصول إلى نموذج مُسجَّل، ونقطة نهاية، وخط أنابيب بسيط. عادةً ما يكون الأسبوع الثاني مُخصّصًا للمراقبة والتنبيهات. الهدف ليس العمل البطولي، بل التكرار.
ما الذي يجعل Google Vertex AI رائعًا ✅
-
سقف واحد لدورة الحياة - نموذج أولي في الاستوديو، تسجيل الإصدارات، النشر على دفعات أو في الوقت الفعلي، ثم مراقبة الانحرافات والمشاكل. أكواد أقل تعقيدًا. علامات تبويب أقل. مزيد من الراحة [1].
-
نماذج حديقة النماذج + نماذج Gemini - اكتشف النماذج من Google والشركاء وقم بتخصيصها ونشرها، بما في ذلك عائلة Gemini الأحدث، للعمل النصي ومتعدد الوسائط [1].
-
منشئ الوكيل - إنشاء وكلاء متعددي الخطوات يركزون على المهام ويمكنهم تنظيم الأدوات والبيانات مع دعم التقييم ووقت تشغيل مُدار [2].
-
خطوط أنابيب للموثوقية - تنسيق بدون خادم للتدريب المتكرر والتقييم والضبط والنشر. ستشكر نفسك عند بدء إعادة التدريب الثالثة [1].
-
البحث عن المتجهات على نطاق واسع - استرجاع متجه عالي النطاق ومنخفض الكمون لـ RAG والتوصيات والبحث الدلالي، مبني على البنية الأساسية الخاصة بإنتاج Google [3].
-
إدارة الميزات باستخدام BigQuery - حافظ على بيانات الميزات الخاصة بك في BigQuery وقدم الميزات عبر الإنترنت من خلال Vertex AI Feature Store دون تكرار متجر غير متصل بالإنترنت [4].
-
دفاتر Workbench - بيئات Jupyter المُدارة المتصلة بخدمات Google Cloud (BigQuery، وCloud Storage، وما إلى ذلك) [1].
-
خيارات الذكاء الاصطناعي المسؤولة - أدوات السلامة بالإضافة إلى عدم الاحتفاظ بالبيانات (عند تكوينها بشكل مناسب) لأحمال العمل التوليدية [5].
القطع الأساسية التي ستلمسها فعليًا 🧩
1) Vertex AI Studio - حيث تنمو المطالبات 🌱
تشغيل نماذج الأساس وتقييمها وضبطها في واجهة المستخدم. مثالية للتكرارات السريعة، والمطالبات القابلة لإعادة الاستخدام، والتسليم إلى الإنتاج بمجرد نجاح شيء ما [1].
2) حديقة النماذج - كتالوج النماذج الخاص بك 🍃
مكتبة مركزية لنماذج جوجل وشركائها. تصفح، خصّص، وانشر ببضع نقرات - نقطة انطلاق فعلية بدلًا من البحث عن المعلومات [1].
3) Agent Builder - لأتمتة موثوقة 🤝
مع تطور الوكلاء من العروض التوضيحية إلى العمل الفعلي، ستحتاج إلى أدوات وأساس وتنظيم. يوفر Agent Builder الدعم اللازم (الجلسات، وبنك الذاكرة، والأدوات المدمجة، والتقييمات) حتى لا تنهار تجارب الوكلاء المتعددين تحت وطأة الفوضى في العالم الحقيقي [2].
4) خطوط الأنابيب - لأنك ستكرر نفسك على أي حال 🔁
أتمتة سير عمل التعلم الآلي والذكاء الاصطناعي باستخدام مُنسّق بدون خادم. يدعم تتبع القطع الأثرية وعمليات التشغيل القابلة للتكرار - فكّر فيه كتكامل مستمر لنماذجك [1].
5) Workbench - دفاتر ملاحظات مُدارة بدون حلاقة الياك 📓
أنشئ بيئات JupyterLab آمنة مع سهولة الوصول إلى BigQuery والتخزين السحابي والمزيد. مفيد للاستكشاف وهندسة الميزات والتجارب المُدارة [1].
6) سجل النماذج - إصدارات ثابتة 🗃️
تتبع النماذج والإصدارات والسلالات، ثم انشرها مباشرةً إلى نقاط النهاية. يُسهّل السجل عمليات التسليم للهندسة [1].
7) البحث عن المتجهات - RAG الذي لا يتلعثم 🧭
قم بتوسيع نطاق الاسترجاع الدلالي باستخدام البنية الأساسية لمتجه الإنتاج الخاص بـ Google - وهو أمر مفيد للدردشة والبحث الدلالي والتوصيات حيث يكون زمن الوصول مرئيًا للمستخدم [3].
8) متجر الميزات - حافظ على BigQuery كمصدر للحقيقة 🗂️
إدارة الميزات وتقديمها عبر الإنترنت من البيانات المخزنة في BigQuery. نسخ أقل، مهام مزامنة أقل، دقة أعلى [4].
9) مراقبة النموذج - الثقة، ولكن التحقق 📈
جدولة عمليات فحص الانحراف، وضبط التنبيهات، ومراقبة جودة الإنتاج. عند حدوث أي تغيرات في حركة المرور، ستحتاج إلى هذا [1].
كيف يتناسب مع مجموعة البيانات الخاصة بك 🧵
-
BigQuery - التدريب بالبيانات هناك، ودفع تنبؤات الدفعة مرة أخرى إلى الجداول، وتوصيل التنبؤات بالتحليلات أو التنشيط في مجرى النهر [1][4].
-
التخزين السحابي - تخزين مجموعات البيانات والتحف ومخرجات النماذج دون إعادة اختراع طبقة الكتلة [1].
-
تدفق البيانات والأصدقاء - تشغيل معالجة البيانات المُدارة داخل خطوط الأنابيب للمعالجة المسبقة أو الإثراء أو استدلال التدفق [1].
-
نقاط النهاية أو الدفعة - نشر نقاط نهاية في الوقت الفعلي للتطبيقات والوكلاء، أو تشغيل وظائف الدفعة لتسجيل نقاط الجداول بأكملها - من المحتمل أن تستخدم كليهما [1].
حالات الاستخدام الشائعة التي تحقق نتائج فعلية 🎯
-
الدردشة، والمساعدون، والوكلاء - مع التركيز على بياناتك، واستخدام أدواتك، والتدفقات متعددة الخطوات. صُمم Agent Builder لضمان الموثوقية، وليس فقط التجديد [2].
-
RAG والبحث الدلالي - اجمع بين البحث المتجهي وGemini للإجابة على الأسئلة باستخدام محتواك الخاص. السرعة أهم مما نتظاهر [3].
-
التعلم الآلي التنبئي - تدريب النماذج الجدولية أو الصورية، والنشر إلى نقطة نهاية، ومراقبة الانحراف، وإعادة التدريب باستخدام خطوط الأنابيب عند تجاوز الحدود. أسلوب كلاسيكي، ولكنه بالغ الأهمية [1].
-
تفعيل التحليلات - كتابة التوقعات في BigQuery، وبناء الجماهير، وتغذية الحملات أو قرارات المنتج. حلقة وصل رائعة تجمع بين التسويق وعلم البيانات [1][4].
جدول المقارنة - Vertex AI مقابل البدائل الشائعة 📊
لمحة سريعة. رأيي بسيط. يُرجى العلم أن الإمكانيات والأسعار تختلف باختلاف الخدمة والمنطقة.
| منصة | أفضل جمهور | لماذا يعمل |
|---|---|---|
| فيرتكس ايه اي | فرق على Google Cloud، مزيج من الذكاء الاصطناعي والتعلم الآلي | الاستوديو الموحد، وخطوط الأنابيب، والسجل، والبحث المتجه، والروابط القوية مع BigQuery [1]. |
| AWS SageMaker | المنظمات التي تعتمد على AWS أولاً وتحتاج إلى أدوات تعلم آلي عميقة | خدمة التعلم الآلي الناضجة ذات دورة حياة كاملة مع خيارات تدريب ونشر واسعة النطاق. |
| Azure ML | تكنولوجيا المعلومات المؤسسية المتوافقة مع Microsoft | دورة حياة التعلم الآلي المتكاملة وواجهة المستخدم المصممة والحوكمة على Azure. |
| داتابريكس ML | فرق Lakehouse، تدفقات كثيفة من دفاتر الملاحظات | تدفقات عمل قوية للبيانات الأصلية وقدرات التعلم الآلي الإنتاجية. |
نعم، الصياغة غير متساوية - الجداول الحقيقية تكون كذلك في بعض الأحيان.
التكاليف باللغة الإنجليزية البسيطة 💸
أنت تدفع في الغالب مقابل ثلاثة أشياء:
-
استخدام النموذج للمكالمات التوليدية - يتم تسعيرها حسب عبء العمل وفئة الاستخدام.
-
حساب لمهام التدريب والضبط المخصصة.
-
الخدمة لنقاط النهاية عبر الإنترنت أو وظائف الدفعات.
للحصول على الأرقام الدقيقة وأحدث التغييرات، يُرجى مراجعة صفحات التسعير الرسمية لـ Vertex AI وعروضها التوليدية. نصيحة ستشكر نفسك عليها لاحقًا: راجع خيارات التجهيز والحصص لنقاط نهاية الاستوديو مقارنةً بنقاط نهاية الإنتاج قبل شحن أي شيء كبير [1][5].
الأمن والحوكمة والذكاء الاصطناعي المسؤول 🛡️
توفر Vertex AI إرشاداتٍ حول الذكاء الاصطناعي المسؤول وأدواتٍ للسلامة، بالإضافة إلى مسارات تكوينٍ لتحقيق احتفاظٍ صفريٍّ بالبيانات لبعض أحمال العمل التوليدية (على سبيل المثال، عن طريق تعطيل تخزين البيانات مؤقتًا واختيار إلغاء الاشتراك في سجلاتٍ محددةٍ عند الاقتضاء) [5]. يُضاف إلى ذلك إمكانية الوصول القائمة على الأدوار، والشبكات الخاصة، وسجلات التدقيق لبناءاتٍ متوافقةٍ مع متطلبات الامتثال [1].
عندما يكون الذكاء الاصطناعي في Vertex مثاليًا - ومتى يكون مبالغًا فيه 🧠
-
مثالي إذا كنت ترغب في بيئة واحدة للذكاء الاصطناعي والتعلم الآلي، وتكامل وثيق مع BigQuery، ومسار إنتاج يشمل خطوط الأنابيب وسجلات البيانات والمراقبة. إذا كان فريقك متخصصًا في علوم البيانات وهندسة التطبيقات، فإن المساحة المشتركة تُفيدك.
-
يُعد هذا مُبالغة إذا كنت تحتاج فقط إلى استدعاء نموذج بسيط أو نموذج أولي أحادي الغرض لا يحتاج إلى حوكمة أو إعادة تدريب أو مراقبة. في هذه الحالات، قد يكون استخدام واجهة برمجة تطبيقات أبسط كافيًا في الوقت الحالي.
لنكن صريحين: معظم النماذج الأولية إما تموت أو تنمو لها أنياب. تتولى شركة Vertex AI الحالة الثانية.
بداية سريعة - اختبار التذوق لمدة 10 دقائق ⏱️
-
افتح برنامج Vertex AI Studio لإنشاء نموذج أولي باستخدام نموذج، واحفظ بعض التعليمات التي تعجبك. اختبر بنفسك النصوص والصور الحقيقية [1].
-
قم بتوصيل أفضل ما لديك بتطبيق بسيط أو دفتر ملاحظات من Workbench . تصميم جميل ومنظم [1].
-
قم بتسجيل نموذج الدعم الخاص بالتطبيق أو الأصول المضبوطة في سجل النماذج حتى لا تضطر إلى التخلص من القطع الأثرية غير المسماة [1].
-
إنشاء خط أنابيب يُحمّل البيانات، ويُقيّم المخرجات، وينشر إصدارًا جديدًا خلف اسم مستعار. التكرار يتفوق على الإنجازات [1].
-
أضف خاصية المراقبة لرصد الانجراف وضبط تنبيهات أساسية. سيشتري لك مستقبلك قهوةً مقابل هذا [1].
اختياري ولكنه ذكي: إذا كان استخدامك يعتمد على البحث أو الدردشة، فأضف خاصية البحث المتجهي والتثبيت من البداية. هذا هو الفرق بين اللطيف والمفيد بشكل مدهش [3].
ما هو Google Vertex AI؟ - النسخة المختصرة 🧾
ما هو Google Vertex AI؟ إنه منصة Google Cloud الشاملة لتصميم أنظمة الذكاء الاصطناعي ونشرها وإدارتها، من مرحلة التوجيه إلى مرحلة الإنتاج، مع أدوات مدمجة للوكلاء، وخطوط الأنابيب، والبحث عن المتجهات، والدفاتر، والسجلات، والمراقبة. وهو مصمم لمساعدة الفرق على تحقيق النجاح [1].
البدائل في لمحة - اختيار المسار الصحيح 🛣️
إذا كنتَ مُتَعَمِّقًا بالفعل في استخدام AWS، فسيبدو SageMaker تقنية Azure ML . إذا كان فريقك يعتمد على أجهزة الكمبيوتر المحمولة والحواسيب المكتبية، Databricks ML خيار ممتاز. لا يوجد أي خطأ في هذه الأمور، فمتطلباتك المتعلقة بكثافة البيانات وحوكمتها هي التي تُحدد عادةً.
الأسئلة الشائعة - إطلاق نار سريع 🧨
-
هل يقتصر Vertex AI على الذكاء الاصطناعي التوليدي؟ يغطي No-Vertex AI أيضًا تدريب التعلم الآلي التقليدي، ويقدم ميزات MLOps لعلماء البيانات ومهندسي التعلم الآلي [1].
-
هل يمكنني الاحتفاظ بـ BigQuery كمخزني الرئيسي؟ نعم، استخدم مخزن الميزات لحفظ بيانات الميزات في BigQuery وتقديمها عبر الإنترنت دون الحاجة إلى تكرار مخزن غير متصل بالإنترنت [4].
-
هل يُساعد Vertex AI في RAG؟ نعم، صُمم بحث المتجهات خصيصًا لذلك، وهو يتكامل مع بقية المجموعة [3].
-
كيف أتحكم بالتكاليف؟ ابدأ بتكاليف صغيرة، ثم قِس وراجع الحصص/التجهيزات وأسعار فئات أعباء العمل قبل التوسع [1][5].
مراجع
[1] Google Cloud - مقدمة إلى Vertex AI (نظرة عامة على المنصة الموحدة) - اقرأ المزيد
[2] نظرة عامة على Google Cloud - Vertex AI Agent Builder - اقرأ المزيد
[3] Google Cloud - استخدام Vertex AI Vector Search مع Vertex AI RAG Engine - اقرأ المزيد
[4] Google Cloud - مقدمة لإدارة الميزات في Vertex AI - اقرأ المزيد
[5] Google Cloud - الاحتفاظ ببيانات العملاء وعدم الاحتفاظ بأي بيانات في Vertex AI - اقرأ المزيد