ما هو الذكاء الاصطناعي في الحوسبة السحابية؟

باختصار، يتمحور الذكاء الاصطناعي في الحوسبة السحابية حول استخدام منصات سحابية لتخزين البيانات، واستئجار موارد الحوسبة، وتدريب النماذج، ونشرها كخدمات، ومراقبتها في بيئة الإنتاج. تكمن أهمية هذا الأمر في أن معظم حالات الفشل تتمحور حول البيانات والنشر والعمليات، وليس حول الجوانب الرياضية. إذا كنت بحاجة إلى توسع سريع أو إصدارات متكررة، فإن الحوسبة السحابية مع تكامل عمليات تعلم الآلة (MLOps) هي الحل الأمثل.

أهم النقاط المستفادة:

دورة الحياة : بيانات الأرض، بناء الميزات، التدريب، النشر، ثم مراقبة الانحراف، زمن الاستجابة، والتكلفة.

الحوكمة : تضمين ضوابط الوصول وسجلات التدقيق وفصل البيئة منذ البداية.

إمكانية التكرار : سجل إصدارات البيانات والتعليمات البرمجية والمعلمات والبيئات بحيث تظل عمليات التشغيل قابلة للتكرار.

التحكم في التكاليف : استخدم التجميع والتخزين المؤقت وحدود التوسع التلقائي والتدريب الفوري/الاستباقي لتجنب الصدمات في الفواتير.

أنماط النشر : اختر المنصات المُدارة، أو سير عمل البحيرة، أو Kubernetes، أو RAG بناءً على واقع الفريق.

مقالات قد ترغب في قراءتها بعد هذه المقالة:

🔗 أفضل أدوات إدارة الأعمال السحابية المدعومة بالذكاء الاصطناعي
قارن بين منصات الحوسبة السحابية الرائدة التي تعمل على تبسيط العمليات والتمويل والفرق.

🔗 التقنيات اللازمة للذكاء الاصطناعي التوليدي واسع النطاق
البنية التحتية والبيانات والحوكمة الرئيسية المطلوبة لنشر الذكاء الاصطناعي من الجيل الأول.

🔗 أدوات الذكاء الاصطناعي المجانية لتحليل البيانات
أفضل حلول الذكاء الاصطناعي المجانية لتنظيف مجموعات البيانات ونمذجتها وتصورها.

🔗 ما هو الذكاء الاصطناعي كخدمة؟
يشرح هذا النص مفهوم الذكاء الاصطناعي كخدمة (AIaaS)، وفوائده، ونماذج التسعير، وحالات الاستخدام الشائعة في مجال الأعمال.

---

الذكاء الاصطناعي في الحوسبة السحابية: التعريف البسيط 🧠☁️

في جوهرها، الذكاء الاصطناعي في الحوسبة السحابية استخدام منصات سحابية للوصول إلى:

• قوة الحوسبة (وحدات المعالجة المركزية، ووحدات معالجة الرسومات، ووحدات معالجة الموتر) جوجل كلاود: وحدات معالجة الرسومات للذكاء الاصطناعي السحابي، وثائق وحدات معالجة الموتر

• التخزين (بحيرات البيانات، مستودعات البيانات، تخزين الكائنات) AWS: ما هي بحيرة البيانات؟ AWS: ما هو مستودع البيانات؟ Amazon S3 (تخزين الكائنات)

• خدمات الذكاء الاصطناعي (تدريب النماذج، ونشرها، وواجهات برمجة التطبيقات للرؤية، والكلام، ومعالجة اللغة الطبيعية) خدمات الذكاء الاصطناعي من AWS واجهات برمجة تطبيقات الذكاء الاصطناعي من Google Cloud

• أدوات MLOps (خطوط الأنابيب، والمراقبة، وسجل النماذج، والتكامل المستمر والتسليم المستمر للتعلم الآلي) جوجل كلاود: ما هي MLOps؟ سجل نماذج Vertex AI

بدلاً من شراء أجهزة باهظة الثمن، يمكنك استئجار ما تحتاجه وقتما تحتاجه (وفقًا لمعيار NIST SP 800-145 ). تمامًا كاستئجار صالة رياضية لجلسة تمرين مكثفة واحدة بدلاً من بناء صالة رياضية في مرآبك ثم عدم استخدام جهاز المشي مرة أخرى. يحدث هذا حتى لأفضل الرياضيين 😬

وبصراحة: إنه الذكاء الاصطناعي الذي يتوسع، ويشحن، ويحدث، ويعمل من خلال البنية التحتية السحابية NIST SP 800-145 .

---

لماذا يُعدّ الذكاء الاصطناعي والحوسبة السحابية أمراً بالغ الأهمية؟ 🚀

لنكن صريحين - معظم مشاريع الذكاء الاصطناعي لا تفشل لأن الرياضيات صعبة، بل لأن "الأمور المحيطة بالنموذج" تصبح معقدة

• البيانات متناثرة

• البيئات لا تتطابق

• يعمل النموذج على جهاز كمبيوتر محمول لشخص ما، لكنه لا يعمل في أي مكان آخر

• يتم التعامل مع عملية النشر وكأنها فكرة لاحقة

• الأمن والامتثال يصلان متأخرين كأنهما ابن عم غير مدعو 😵

تُساعد المنصات السحابية لأنها تُقدم ما يلي:

1) مقياس مرن 📈

قم بتدريب نموذج على مجموعة كبيرة لفترة قصيرة، ثم قم بإيقاف تشغيله NIST SP 800-145 .

2) تجارب أسرع ⚡

قم بتشغيل دفاتر الملاحظات المُدارة، وخطوط الأنابيب الجاهزة، ووحدات معالجة الرسومات بسرعة. جوجل كلاود: وحدات معالجة الرسومات للذكاء الاصطناعي .

3) سهولة النشر 🌍

نشر النماذج كواجهات برمجة تطبيقات، أو مهام دفعية، أو خدمات مضمنة. ريد هات: ما هي واجهة برمجة تطبيقات REST؟ تحويل الدفعات في SageMaker .

4) أنظمة بيانات متكاملة 🧺

غالباً ما توجد خطوط نقل البيانات ومستودعات البيانات والتحليلات الخاصة بك بالفعل في السحابة AWS: مستودع البيانات مقابل بحيرة البيانات .

5) التعاون والحوكمة 🧩

الأذونات وسجلات التدقيق والتحكم في الإصدارات والأدوات المشتركة مدمجة (أحيانًا بشكل مؤلم، ولكن مع ذلك) في سجلات Azure ML (MLOps) .

---

كيف يعمل الذكاء الاصطناعي في الحوسبة السحابية عمليًا (التدفق الحقيقي) 🔁

هذه هي دورة الحياة الشائعة. ليست النسخة "المثالية" من الرسم البياني... بل النسخة التي تم عيشها.

الخطوة الأولى: يتم تخزين البيانات في السحابة 🪣

أمثلة: حاويات تخزين الكائنات، بحيرات البيانات، قواعد البيانات السحابية، Amazon S3 (تخزين الكائنات)، AWS: ما هي بحيرة البيانات؟ نظرة عامة على Google Cloud Storage .

الخطوة الثانية: معالجة البيانات + بناء الميزات 🍳

تقوم بتنظيفه، وتحويله، وإنشاء ميزات جديدة، وربما بثه.

الخطوة 3: تدريب النموذج 🏋️

تستخدم الحوسبة السحابية (غالباً وحدات معالجة الرسومات) لتدريب Google Cloud: وحدات معالجة الرسومات للذكاء الاصطناعي :

• نماذج التعلم الآلي الكلاسيكية

• نماذج التعلم العميق

• تحسين نموذج الأساس

• أنظمة الاسترجاع (إعدادات نمط RAG) ورقة بحثية حول التوليد المعزز بالاسترجاع (RAG)

الخطوة الرابعة: النشر 🚢

يتم تغليف النماذج وتقديمها عبر:

• واجهات برمجة تطبيقات REST من ريد هات: ما هي واجهة برمجة تطبيقات REST؟

• نقاط نهاية بدون خادم SageMaker Serverless Inference

• حاويات Kubernetes : التوسع التلقائي الأفقي للوحدات

• خطوط أنابيب الاستدلال الدفعي SageMaker Batch Transform Vertex AI التنبؤات الدفعية

الخطوة 5: المراقبة + التحديثات 👀

مسار:

• كمون

• دقة جهاز مراقبة نموذج SageMaker

• انحراف البيانات - مراقبة نموذج الذكاء الاصطناعي من Vertex

• تكلفة التنبؤ الواحد

• حالات استثنائية تجعلك تهمس "هذا لا ينبغي أن يكون ممكناً..." 😭

هذا هو المحرك. هذا هو الذكاء الاصطناعي في الحوسبة السحابية قيد التشغيل، وليس مجرد تعريف.

---

ما الذي يجعل نسخة جيدة من الذكاء الاصطناعي في الحوسبة السحابية؟ ✅☁️🤖

إذا كنت ترغب في تطبيق "جيد" (وليس مجرد عرض توضيحي مبهر)، فركز على هذه النقاط:

أ) فصل واضح للمخاوف 🧱

• طبقة البيانات (التخزين، الحوكمة)

• طبقة التدريب (التجارب، خطوط الأنابيب)

• طبقة الخدمة (واجهات برمجة التطبيقات، قابلية التوسع)

• طبقة المراقبة (المقاييس، السجلات، التنبيهات) مراقب نموذج SageMaker

عندما تختلط كل الأشياء معًا، يصبح تصحيح الأخطاء ضررًا عاطفيًا.

ب) إمكانية التكرار بشكل افتراضي 🧪

يُمكّنك النظام الجيد من التصريح، دون تلميحات أو تبريرات:

• البيانات التي تم استخدامها لتدريب هذا النموذج

• إصدار الكود

• المعلمات الفائقة

• البيئة

إذا كانت الإجابة "هممم، أعتقد أنها كانت جولة الثلاثاء..." فأنت في ورطة بالفعل 😅

ج) تصميم يراعي التكلفة 💸

الذكاء الاصطناعي السحابي قوي، ولكنه أيضاً أسهل طريقة لإنشاء فاتورة عن طريق الخطأ تجعلك تشكك في خيارات حياتك.

تشمل التجهيزات الجيدة ما يلي:

• التوسع التلقائي في Kubernetes: التوسع التلقائي الأفقي للوحدات

• جدولة المثيلات

• خيارات قابلة للاستباق الفوري عند الإمكان: مثيلات Amazon EC2 الفورية، أجهزة Google Cloud الافتراضية القابلة للاستباق

• استدلال التخزين المؤقت والتجميع في SageMaker Batch Transform

د) الأمن والامتثال مدمجان في 🔐

لا يتم تثبيتها لاحقاً مثل الشريط اللاصق على أنبوب متسرب.

هـ) مسار حقيقي من النموذج الأولي إلى الإنتاج 🛣️

هذا هو الأهم. تتضمن النسخة الجيدة من الذكاء الاصطناعي في الحوسبة السحابية عمليات تعلم الآلة (MLOps)، وأنماط النشر، والمراقبة منذ البداية. (جوجل كلاود: ما هي عمليات تعلم الآلة؟ ). وإلا، فسيكون مجرد مشروع علمي برسوم باهظة.

---

جدول مقارنة: خيارات الذكاء الاصطناعي السحابي الشائعة (ولمن هي مناسبة) 🧰📊

فيما يلي جدول سريع، قد يحمل بعض الآراء الشخصية. الأسعار عامة عمداً لأن تسعير الخدمات السحابية يشبه طلب القهوة - السعر الأساسي ليس هو السعر النهائي أبداً 😵💫

أداة / منصة	جمهور	سعره معقول	لماذا ينجح الأمر (مع ملاحظات طريفة)
AWS SageMaker	فرق التعلم الآلي، المؤسسات	الدفع حسب الاستخدام	منصة تعلم آلي متكاملة - التدريب، نقاط النهاية، خطوط المعالجة. قوية، لكن القوائم منتشرة في كل مكان.
جوجل فيرتكس للذكاء الاصطناعي	فرق التعلم الآلي، منظمات علوم البيانات	الدفع حسب الاستخدام	تدريب مُدار قوي + سجل نماذج + تكاملات. تجربة سلسة عند الاستخدام.
Azure Machine Learning	المؤسسات، والمنظمات التي تركز على مايكروسوفت	الدفع حسب الاستخدام	يتكامل بسلاسة مع بيئة Azure. يتميز بخيارات حوكمة جيدة، والعديد من الإعدادات.
داتابريكس (التعلم الآلي + ليك هاوس)	فرق هندسة البيانات المكثفة	الاشتراك + الاستخدام	مثالي لدمج مسارات البيانات والتعلم الآلي في مكان واحد. غالباً ما يُفضّله الفرق العملية.
ميزات الذكاء الاصطناعي في Snowflake	المنظمات التي تعتمد على التحليلات أولاً	الاستخدام قائم على	مفيد عندما يكون عالمك موجودًا بالفعل في مستودع. أقل "مختبر تعلم آلي"، وأكثر "ذكاء اصطناعي بلغة SQL"
IBM واتسون إكس	الصناعات الخاضعة للتنظيم	أسعار المؤسسات	تُعدّ الحوكمة وضوابط المؤسسة محوراً رئيسياً. وغالباً ما يتم اختيارها في البيئات التي تعتمد بشكل كبير على السياسات.
إدارة Kubernetes (تعلم الآلة بنفسك)	مهندسو المنصات	عامل	مرن وقابل للتخصيص. أيضًا... ستتحمل أنت الألم عندما ينكسر 🙃
الاستدلال بدون خادم (الدوال + نقاط النهاية)	فرق المنتجات	الاستخدام قائم على	مثالي لحركة المرور المتقطعة. راقب بدء التشغيل البارد وزمن الاستجابة بدقة متناهية.

لا يتعلق الأمر باختيار "الأفضل"، بل يتعلق بمطابقة فريقك مع الواقع. هذا هو السر الخفي.

---

حالات الاستخدام الشائعة للذكاء الاصطناعي في الحوسبة السحابية (مع أمثلة) 🧩✨

هنا تبرز مزايا أنظمة الذكاء الاصطناعي السحابية:

1) أتمتة دعم العملاء 💬

• مساعدو الدردشة

• توجيه التذاكر

• تلخيص

• اكتشاف المشاعر والنوايا باستخدام واجهة برمجة تطبيقات اللغة الطبيعية السحابية

2) أنظمة التوصية 🛒

• اقتراحات المنتجات

• خلاصات المحتوى

• "اشترى الناس أيضًا"
  غالبًا ما تتطلب هذه الأمور استدلالًا قابلاً للتطوير وتحديثات شبه فورية.

3) كشف الاحتيال وتقييم المخاطر 🕵️

تُسهّل الحوسبة السحابية التعامل مع التدفقات المفاجئة، وبث الأحداث، وتشغيل المجموعات.

4) ذكاء المستندات 📄

• خطوط معالجة التعرف الضوئي على الأحرف

• استخراج الكيانات

• تحليل العقود

• تحليل الفواتير باستخدام وظائف الذكاء الاصطناعي Snowflake Cortex:
  في العديد من المؤسسات، يتم استعادة الوقت بهدوء هنا.

5) التنبؤ وتحسين التعلم القائم على الكفاءة 📦

التنبؤ بالطلب، وتخطيط المخزون، وتحسين المسارات. تساعد الحوسبة السحابية لأن البيانات ضخمة وتتطلب إعادة تدريب متكررة.

6) تطبيقات الذكاء الاصطناعي التوليدي 🪄

• صياغة المحتوى

• مساعدة في كتابة التعليمات البرمجية

• روبوتات المعرفة الداخلية (RAG)

• حول توليد البيانات الاصطناعية بتقنية الاسترجاع والتوليد المعزز (RAG):
  غالبًا ما تكون هذه هي اللحظة التي تقول فيها الشركات أخيرًا: "نحتاج إلى معرفة مكان قواعد الوصول إلى بياناتنا." 😬

---

أنماط معمارية ستراها في كل مكان 🏗️

النمط الأول: منصة التعلم الآلي المُدارة (الخيار الذي يُقلل من المشاكل) 😌

• تحميل البيانات

• التدريب مع الوظائف المُدارة

• النشر على نقاط النهاية المُدارة

• مراقبة في لوحات معلومات المنصة، مراقبة نموذج SageMaker، مراقبة نموذج Vertex AI

يُعدّ هذا الأمر فعالاً عندما تكون السرعة مهمة ولا ترغب في بناء أدوات داخلية من الصفر.

النمط الثاني: ليك هاوس + التعلم الآلي (النهج القائم على البيانات أولاً) 🏞️

• توحيد هندسة البيانات + سير عمل التعلم الآلي

• تشغيل دفاتر الملاحظات، وخطوط الأنابيب، وهندسة الميزات بالقرب من البيانات

• يُعدّ Databricks Lakehouse خيارًا قويًا للمؤسسات التي تستخدم بالفعل أنظمة تحليل بيانات ضخمة.

النمط الثالث: التعلم الآلي المُحاوي على Kubernetes (مسار "نريد التحكم") 🎛️

• نماذج الحزم في الحاويات

• التوسع باستخدام سياسات التوسع التلقائي في Kubernetes: التوسع التلقائي الأفقي للوحدات

• دمج شبكة الخدمات، والمراقبة، وإدارة الأسرار

يُعرف أيضًا باسم: "نحن واثقون، ونحب أيضًا تصحيح الأخطاء في ساعات غير معتادة."

النمط 4: RAG (التوليد المعزز بالاسترجاع) (مسار "استخدام معرفتك") 📚🤝

• المستندات في التخزين السحابي

• ملفات التضمين + مخزن المتجهات

• تقوم طبقة الاسترجاع بتزويد النموذج بالسياق

• حواجز الحماية + التحكم في الوصول + تسجيل البيانات - ورقة بحثية حول الاسترجاع والتوليد المعزز (RAG)

هذا جزء رئيسي من المحادثات الحديثة حول الذكاء الاصطناعي في الحوسبة السحابية لأنه الطريقة التي تستخدم بها العديد من الشركات الحقيقية الذكاء الاصطناعي التوليدي بشكل آمن إلى حد ما.

---

عمليات التعلم الآلي: الجزء الذي يستهين به الجميع 🧯

إذا كنت ترغب في أن يتصرف الذكاء الاصطناعي في بيئة الحوسبة السحابية بشكل صحيح في بيئة الإنتاج، فأنت بحاجة إلى عمليات تعلم الآلة (MLOps). ليس لأنها رائجة فحسب، بل لأن النماذج تتغير باستمرار، والبيانات تتطور، والمستخدمون يبدعون بطرق غير متوقعة. جوجل كلاود: ما هي عمليات تعلم الآلة (MLOps) ؟

أهم النقاط:

• تتبع التجارب : ما نجح وما لم ينجح - تتبع MLflow

• سجل النماذج : النماذج المعتمدة، والإصدارات، والبيانات الوصفية . سجل نماذج MLflow، سجل نماذج Vertex AI

• التكامل المستمر والتسليم المستمر للتعلم الآلي : أتمتة الاختبار والنشر، جوجل كلاود MLOps (التسليم المستمر والأتمتة)

• متجر الميزات : ميزات متسقة عبر التدريب والاستدلال - متجر ميزات SageMaker

• المراقبة : انحراف الأداء، إشارات التحيز، زمن الاستجابة، التكلفة. مراقبة نموذج SageMaker . مراقبة نموذج الذكاء الاصطناعي Vertex

• استراتيجية التراجع : نعم، مثل البرامج العادية

إذا تجاهلت هذا، فسوف ينتهي بك الأمر بـ "حديقة حيوانات نموذجية" 🦓 حيث كل شيء حي، ولا يوجد شيء مصنف، وتخشى فتح البوابة.

---

الأمن والخصوصية والامتثال (ليس الجزء الممتع، ولكن... أجل) 🔐😅

يثير الذكاء الاصطناعي في الحوسبة السحابية بعض التساؤلات المهمة:

التحكم في الوصول إلى البيانات 🧾

من يمكنه الوصول إلى بيانات التدريب؟ سجلات الاستدلال؟ المطالبات؟ المخرجات؟

التشفير والأسرار 🗝️

يجب التعامل مع المفاتيح والرموز وبيانات الاعتماد بشكل صحيح. "في ملف التكوين" لا يُعدّ تعاملاً صحيحاً.

العزلة والإيجار 🧱

تتطلب بعض المؤسسات بيئات منفصلة للتطوير والتجريب والإنتاج. يساعد استخدام الحوسبة السحابية في ذلك، ولكن فقط إذا تم إعدادها بشكل صحيح.

إمكانية التدقيق 📋

غالباً ما تحتاج المنظمات الخاضعة للتنظيم إلى إثبات ما يلي:

• ما هي البيانات المستخدمة؟

• كيف تم اتخاذ القرارات

• من قام بنشر ماذا

• عندما تم تغيير IBM watsonx.governance

إدارة مخاطر النموذج ⚠️

وهذا يشمل:

• التحقق من التحيز

• الاختبار التنافسي

• آليات الدفاع عن الحقن الفوري (للذكاء الاصطناعي التوليدي)

• ترشيح آمن للمخرجات

كل هذا يعود إلى النقطة الأساسية: الأمر لا يقتصر على "الذكاء الاصطناعي المستضاف عبر الإنترنت". إنه الذكاء الاصطناعي الذي يتم تشغيله في ظل قيود حقيقية.

---

نصائح حول التكلفة والأداء (حتى لا تندم لاحقًا) 💸😵💫

بعض النصائح المجربة في المعارك:

• استخدم أصغر نموذج يلبي احتياجاتك
  . الحجم الأكبر ليس دائمًا الأفضل، أحيانًا يكون الحجم الأكبر هو الأنسب.

• الاستدلال الدفعي عند الإمكان.
  تحويل الدفعات في SageMaker أرخص وأكثر كفاءة .

• قم بالتخزين المؤقت بقوة،
  خاصة للاستعلامات المتكررة والتضمينات.

• التوسع التلقائي، ولكن مع وضع حد
  التوسع غير المحدود قد يعني إنفاقًا غير محدود. Kubernetes: التوسع التلقائي الأفقي للوحدات . اسألني كيف أعرف... في الحقيقة، لا تسأل 😬

• تتبع التكلفة لكل نقطة نهاية ولكل ميزة،
  وإلا ستُحسّن الشيء الخطأ.

• استخدم الحوسبة الفورية القابلة للمقاطعة للتدريب.
  ستحقق وفورات كبيرة إذا كانت مهام التدريب الخاصة بك قادرة على التعامل مع المقاطعات. مثيلات Amazon EC2 الفورية، الأجهزة الافتراضية القابلة للمقاطعة في Google Cloud .

---

الأخطاء التي يرتكبها الناس (حتى الفرق الذكية) 🤦♂️

• التعامل مع الذكاء الاصطناعي السحابي على أنه "مجرد إدخال نموذج"

• تجاهل جودة البيانات حتى اللحظة الأخيرة

• شحن نموذج بدون مراقبة SageMaker Model Monitor

• عدم التخطيط لإعادة التدريب بوتيرة منتظمة في Google Cloud: ما هي MLOps؟

• يتجاهلون وجود فرق الأمن حتى أسبوع الإطلاق 😬

• الإفراط في الهندسة منذ اليوم الأول (أحيانًا يكون الأساس البسيط هو الأفضل)

وهناك جانب قاسٍ وهادئ: تُقلل الفرق من شأن مدى كره المستخدمين للتأخير. غالبًا ما يفوز النموذج الأقل دقةً ولكنه سريع. البشر كائنات صغيرة معجزة لا تصبر.

---

أهم النقاط 🧾✅

الذكاء الاصطناعي في الحوسبة السحابية هو الممارسة الكاملة لبناء وتشغيل الذكاء الاصطناعي باستخدام البنية التحتية السحابية - توسيع نطاق التدريب، وتبسيط النشر، ودمج خطوط نقل البيانات، وتشغيل النماذج مع عمليات التعلم الآلي، والأمان، والحوكمة. جوجل كلاود: ما هي عمليات التعلم الآلي؟ NIST SP 800-145 .

ملخص سريع:

• توفر الحوسبة السحابية البنية التحتية اللازمة للذكاء الاصطناعي للتوسع والتنفيذ 🚀 NIST SP 800-145

• يمنح الذكاء الاصطناعي أحمال العمل السحابية "عقولاً" تعمل على أتمتة القرارات 🤖

• لا يقتصر السحر على التدريب فحسب، بل يشمل النشر والمراقبة والحوكمة 🧠🔐 SageMaker Model Monitor

• اختر المنصات بناءً على احتياجات الفريق، وليس بناءً على ضبابية التسويق 📌

• راقب التكاليف والعمليات بدقة متناهية 🦅👓 (استعارة سيئة، لكنك تفهم المقصود)

إذا أتيت إلى هنا وأنت تعتقد أن "الذكاء الاصطناعي في الحوسبة السحابية مجرد واجهة برمجة تطبيقات نموذجية"، كلا - إنه نظام بيئي متكامل. أحيانًا يكون أنيقًا، وأحيانًا يكون مضطربًا، وأحيانًا يكون كلاهما في نفس اليوم 😅☁️

التعليمات

ماذا يعني "الذكاء الاصطناعي في الحوسبة السحابية" بلغة الحياة اليومية؟

يعني الذكاء الاصطناعي في الحوسبة السحابية استخدام منصات سحابية لتخزين البيانات، وتشغيل موارد الحوسبة (وحدات المعالجة المركزية/وحدات معالجة الرسومات/وحدات معالجة الموتر)، وتدريب النماذج، ونشرها، ومراقبتها - دون الحاجة إلى امتلاك الأجهزة. عمليًا، تصبح السحابة المكان الذي تُدار فيه دورة حياة الذكاء الاصطناعي بأكملها. تستأجر ما تحتاجه وقتما تحتاجه، ثم تُقلّص الموارد عند الانتهاء.

لماذا تفشل مشاريع الذكاء الاصطناعي بدون بنية تحتية سحابية وعمليات تعلم الآلة (MLOps)

تحدث معظم حالات الفشل حول النموذج، وليس داخله: بيانات غير متناسقة، بيئات غير متوافقة، عمليات نشر هشة، وانعدام المراقبة. تساعد أدوات الحوسبة السحابية في توحيد أنماط التخزين والحوسبة والنشر، بحيث لا تتوقف النماذج عند مرحلة "لقد نجح الأمر على حاسوبي المحمول". يوفر MLOps العناصر الأساسية المفقودة: التتبع، والسجلات، وخطوط المعالجة، والتراجع، مما يضمن بقاء النظام قابلاً للتكرار والصيانة.

سير العمل النموذجي للذكاء الاصطناعي في الحوسبة السحابية، من البيانات إلى الإنتاج

تتمثل آلية العمل الشائعة في: تخزين البيانات في السحابة، ثم معالجتها وتحويلها إلى ميزات، ثم تدريب النماذج على حوسبة قابلة للتوسع. بعد ذلك، يتم النشر عبر نقطة نهاية API، أو مهمة دفعية، أو إعداد بدون خادم، أو خدمة Kubernetes. وأخيرًا، تتم مراقبة زمن الاستجابة، والانحراف، والتكلفة، ثم يتم التحسين من خلال إعادة التدريب وعمليات النشر الأكثر أمانًا. في معظم عمليات الإنتاج الحقيقية، تستمر العملية بشكل متواصل بدلاً من النشر لمرة واحدة.

الاختيار بين SageMaker و Vertex AI و Azure ML و Databricks و Kubernetes

اختر بناءً على واقع فريقك، وليس على ضجيج التسويق الذي يروج لـ"أفضل منصة". تُقلل منصات التعلم الآلي المُدارة (مثل SageMaker وVertex AI وAzure ML) من متاعب التشغيل من خلال مهام التدريب ونقاط النهاية والسجلات والمراقبة. غالبًا ما تُناسب Databricks فرق هندسة البيانات التي ترغب في دمج التعلم الآلي مع خطوط المعالجة والتحليلات. يوفر Kubernetes أقصى قدر من التحكم والتخصيص، ولكنك تتحمل أيضًا مسؤولية الموثوقية وسياسات التوسع وتصحيح الأخطاء عند حدوثها.

أنماط معمارية تظهر بشكل بارز في إعدادات الذكاء الاصطناعي السحابية اليوم

ستلاحظ أربعة أنماط متكررة: منصات التعلم الآلي المُدارة لزيادة السرعة، ومستودع البيانات مع التعلم الآلي للمؤسسات التي تعتمد على البيانات بشكل أساسي، والتعلم الآلي المُحاوي على Kubernetes للتحكم، وRAG (التوليد المُعزز بالاسترجاع) لاستخدام المعرفة الداخلية بشكل آمن نسبيًا. يتضمن RAG عادةً مستندات في التخزين السحابي، وتضمينات مع مخزن متجهات، وطبقة استرجاع، وضوابط وصول مع تسجيل. يجب أن يتوافق النمط الذي تختاره مع مستوى نضج الحوكمة والعمليات لديك.

كيفية نشر الفرق لنماذج الذكاء الاصطناعي السحابية: واجهات برمجة تطبيقات REST، أو مهام الدفعات، أو الحوسبة بلا خوادم، أو Kubernetes

تُعدّ واجهات برمجة تطبيقات REST شائعةً للتنبؤات الآنية عندما يكون زمن استجابة المنتج عاملاً حاسماً. يُعدّ الاستدلال الدفعي مثالياً للتقييم المُجدول وكفاءة التكلفة، خاصةً عندما لا تكون النتائج مطلوبة بشكل فوري. يمكن أن تعمل نقاط النهاية بدون خادم بكفاءة مع حركة المرور المتقطعة، ولكن بدء التشغيل البطيء وزمن الاستجابة يتطلبان اهتماماً خاصاً. يُعدّ Kubernetes مثالياً عندما تحتاج إلى قابلية توسع دقيقة وتكامل مع أدوات النظام الأساسي، ولكنه يُضيف تعقيداً تشغيلياً.

ما الذي يجب مراقبته في بيئة الإنتاج للحفاظ على سلامة أنظمة الذكاء الاصطناعي؟

كحد أدنى، يجب تتبع زمن الاستجابة ومعدلات الخطأ وتكلفة كل تنبؤ لضمان وضوح الموثوقية والميزانية. أما فيما يخص التعلم الآلي، فيجب مراقبة انحراف البيانات وتراجع الأداء لرصد أي تغيرات في الواقع عند تطبيق النموذج. كما أن تسجيل الحالات الشاذة والمخرجات غير الصحيحة أمر بالغ الأهمية، خاصةً في حالات الاستخدام التوليدي حيث يمكن للمستخدمين أن يكونوا مبدعين في استخدام أساليبهم. وتدعم المراقبة الجيدة أيضًا اتخاذ قرارات التراجع عند تراجع أداء النماذج.

خفض تكاليف الذكاء الاصطناعي السحابي دون التأثير سلبًا على الأداء

يتمثل أحد الأساليب الشائعة في استخدام أصغر نموذج يلبي المتطلبات، ثم تحسين الاستدلال باستخدام التجميع والتخزين المؤقت. يساعد التوسع التلقائي، ولكنه يحتاج إلى حدود قصوى حتى لا يتحول "المرونة" إلى "إنفاق غير محدود". بالنسبة للتدريب، يمكن للحوسبة الفورية/القابلة للمقاطعة أن توفر الكثير إذا كانت مهامك تتحمل الانقطاعات. يمنعك تتبع التكلفة لكل نقطة نهاية ولكل ميزة من تحسين الجزء الخاطئ من النظام.

أكبر المخاطر الأمنية ومخاطر الامتثال المتعلقة بالذكاء الاصطناعي في الحوسبة السحابية

تتمثل المخاطر الكبرى في الوصول غير المنضبط إلى البيانات، وضعف إدارة الأسرار، وغياب سجلات التدقيق التي توضح من قام بالتدريب وماذا تم نشره. يُضيف الذكاء الاصطناعي التوليدي تعقيدات إضافية مثل حقن التعليمات البرمجية، والمخرجات غير الآمنة، وظهور البيانات الحساسة في السجلات. تحتاج العديد من مسارات العمل إلى عزل البيئات (التطوير/التجريب/الإنتاج) وسياسات واضحة للتعليمات البرمجية والمخرجات وتسجيل الاستدلال. تعتبر الإعدادات الأكثر أمانًا الحوكمة متطلبًا أساسيًا للنظام، وليست مجرد حل مؤقت عند الإطلاق.

مراجع

1. المعهد الوطني للمعايير والتكنولوجيا (NIST) - SP 800-145 (النسخة النهائية) - csrc.nist.gov

2. جوجل كلاود - وحدات معالجة الرسومات للذكاء الاصطناعي - cloud.google.com

3. جوجل كلاود - وثائق وحدة معالجة Tensor السحابية - docs.cloud.google.com

4. خدمات أمازون السحابية (AWS) - خدمة أمازون إس 3 (تخزين الكائنات) - aws.amazon.com

5. خدمات أمازون السحابية (AWS) - ما هي بحيرة البيانات؟ - aws.amazon.com

6. خدمات أمازون السحابية (AWS) - ما هو مستودع البيانات؟ - aws.amazon.com

7. خدمات أمازون السحابية (AWS) - خدمات الذكاء الاصطناعي من AWS - aws.amazon.com

8. جوجل كلاود - واجهات برمجة تطبيقات الذكاء الاصطناعي من جوجل كلاود - cloud.google.com

9. جوجل كلاود - ما هي عمليات التعلم الآلي (MLOps)؟ - cloud.google.com

10. جوجل كلاود - سجل نماذج الذكاء الاصطناعي Vertex (مقدمة) - docs.cloud.google.com

11. ريد هات - ما هي واجهة برمجة تطبيقات REST؟ - redhat.com

12. وثائق خدمات أمازون السحابية (AWS) - تحويل الدفعات في SageMaker - docs.aws.amazon.com

13. خدمات أمازون السحابية (AWS) - مستودع البيانات مقابل بحيرة البيانات مقابل سوق البيانات - aws.amazon.com

14. مايكروسوفت ليرن - سجلات Azure ML (MLOps) - learn.microsoft.com

15. جوجل كلاود - نظرة عامة على خدمة التخزين السحابي من جوجل - docs.cloud.google.com

16. arXiv - ورقة بحثية حول التوليد المعزز بالاسترجاع (RAG) - arxiv.org

17. وثائق خدمات أمازون السحابية (AWS) - الاستدلال بدون خادم SageMaker - docs.aws.amazon.com

18. Kubernetes - التوسع التلقائي الأفقي للوحدات - kubernetes.io

19. جوجل كلاود - تنبؤات Vertex AI المجمعة - docs.cloud.google.com

20. وثائق خدمات أمازون السحابية (AWS) - مراقب نموذج SageMaker - docs.aws.amazon.com

21. جوجل كلاود - مراقبة نماذج الذكاء الاصطناعي Vertex (باستخدام مراقبة النماذج) - docs.cloud.google.com

22. خدمات أمازون السحابية (AWS) - مثيلات أمازون EC2 الفورية - aws.amazon.com

23. جوجل كلاود - الأجهزة الافتراضية القابلة للمقاطعة - docs.cloud.google.com

24. وثائق خدمات أمازون السحابية (AWS) - AWS SageMaker: كيفية عمله (تدريب) - docs.aws.amazon.com

25. جوجل كلاود - جوجل فيرتكس للذكاء الاصطناعي - cloud.google.com

26. مايكروسوفت أزور - التعلم الآلي في أزور - azure.microsoft.com

27. داتابريكس - داتابريكس ليك هاوس - databricks.com

28. وثائق Snowflake - ميزات الذكاء الاصطناعي في Snowflake (دليل عام) - docs.snowflake.com

29. آي بي إم - آي بي إم واتسون إكس - ibm.com

30. جوجل كلاود - وثائق واجهة برمجة تطبيقات اللغة الطبيعية السحابية - docs.cloud.google.com

31. وثائق Snowflake - وظائف الذكاء الاصطناعي في Snowflake Cortex (لغة SQL للذكاء الاصطناعي) - docs.snowflake.com

32. MLflow - تتبع MLflow - mlflow.org

33. MLflow - سجل نماذج MLflow - mlflow.org

34. جوجل كلاود - عمليات التعلم الآلي: التسليم المستمر وخطوط أنابيب الأتمتة في التعلم الآلي - cloud.google.com

35. خدمات أمازون السحابية (AWS) - متجر ميزات SageMaker - aws.amazon.com

36. آي بي إم - IBM watsonx.governance - ibm.com

اكتشف أحدث تقنيات الذكاء الاصطناعي في متجر مساعدي الذكاء الاصطناعي الرسمي

معلومات عنا