عمليات النموذج

تُعرّف غارتنر إدارة عمليات النماذج ( ModelOps ) بأنها "تركز بشكل أساسي على حوكمة وإدارة دورة حياة مجموعة واسعة من نماذج الذكاء الاصطناعي ونماذج اتخاذ القرار المُفعّلة ، بما في ذلك نماذج التعلم الآلي ، ومخططات المعرفة ، والقواعد، والتحسين، والنماذج اللغوية، والنماذج القائمة على الوكلاء " في أنظمة الوكلاء المتعددين . ^{[ 1 ]} "تُمثل إدارة عمليات النماذج جوهر أي استراتيجية ذكاء اصطناعي مؤسسية". ^{[ 2 ]} فهي تُنسق دورات حياة جميع النماذج قيد الإنتاج في جميع أنحاء المؤسسة، بدءًا من وضع النموذج في بيئة الإنتاج، ثم تقييم التطبيق الناتج وتحديثه وفقًا لمجموعة من قواعد الحوكمة، بما في ذلك مؤشرات الأداء الرئيسية الفنية والتجارية. كما تُمكّن خبراء مجال الأعمال من تقييم نماذج الذكاء الاصطناعي قيد الإنتاج، بشكل مستقل عن علماء البيانات . ^{[ 3 ]}

روّجت مقالة في مجلة فوربس لـ ModelOps: "مع توسع المؤسسات في مبادرات الذكاء الاصطناعي الخاصة بها لتصبح مؤسسة ذكاء اصطناعي حقيقية، فإن امتلاك قدرة تحليلية تشغيلية كاملة يضع ModelOps في المركز، ويربط بين DataOps و DevOps ." ^{[ 4 ]}

في استطلاع أجرته شركة غارتنر عام 2018، أفاد 37% من المشاركين بأنهم استخدموا الذكاء الاصطناعي بشكل أو بآخر؛ ومع ذلك، أشارت غارتنر إلى أن المؤسسات لا تزال بعيدة عن تطبيق الذكاء الاصطناعي، مُعللة ذلك بتحديات النشر. ^{[ 5 ]} إذ كانت المؤسسات تُراكم نماذج غير مُستخدمة وغير مُحدثة، ويتم نشرها يدويًا، غالبًا على مستوى وحدة الأعمال، مما يزيد من مخاطر تعرض المؤسسة بأكملها. ^{[ 6 ]} كما تناولت شركة فورستر، وهي شركة تحليل مستقلة، هذا الموضوع في تقرير صدر عام 2018 حول موردي التعلم الآلي والتحليلات التنبؤية : "يشكو علماء البيانات باستمرار من أن نماذجهم لا تُنشر إلا في بعض الأحيان أو لا تُنشر أبدًا. جزء كبير من المشكلة يكمن في الفوضى التنظيمية في فهم كيفية تطبيق النماذج وتصميمها في التطبيقات. لكن جزءًا كبيرًا آخر من المشكلة يكمن في التكنولوجيا. فالنماذج ليست كشفرة برمجية لأنها تحتاج إلى إدارة نماذج." ^{[ 7 ]}

في ديسمبر 2018، اقترح فالديمار هامر وفينود موثوسامي من قسم أبحاث الذكاء الاصطناعي في شركة IBM ، نموذج ModelOps كنموذج برمجي لسير عمل الذكاء الاصطناعي القابل لإعادة الاستخدام، والمستقل عن المنصات، والقابل للتكوين، وذلك خلال فعالية يوم لغات البرمجة في IBM. ^{[ 8 ]} وأشارا في عرضهما التقديمي إلى الفرق بين دورة حياة تطوير التطبيقات، التي يمثلها نموذج DevOps ، ودورة حياة تطبيقات الذكاء الاصطناعي. ^{[ 9 ]}

كان الهدف من تطوير ModelOps هو سد الفجوة بين نشر النماذج وحوكمتها، وضمان تشغيل جميع النماذج في بيئة الإنتاج بحوكمة قوية، بما يتماشى مع مؤشرات الأداء الرئيسية التقنية والتجارية، مع إدارة المخاطر. في عرضهما التقديمي، وصف هامر وموثوسامي حلاً برمجياً للنشر المرحلي المُراعي للذكاء الاصطناعي ومكونات قابلة لإعادة الاستخدام، مما يُمكّن إصدارات النماذج من التوافق مع تطبيقات الأعمال، ويتضمن مفاهيم نماذج الذكاء الاصطناعي مثل مراقبة النماذج، واكتشاف الانحرافات، والتعلم النشط. كما يُعالج الحل التوتر القائم بين أداء النماذج ومؤشرات الأداء الرئيسية للأعمال، وسجلات التطبيقات والنماذج، ووكلاء النماذج والسياسات المتطورة. وشملت المقترحات منصات سحابية متنوعة. في يونيو 2019، قدم هامر وموثوسامي وتوماس راوش وباريجات ​​دوبي وكوثر المغراوي ورقة بحثية في المؤتمر الدولي لهندسة الحوسبة السحابية (IC2E) لعام 2019 التابع لمعهد مهندسي الكهرباء والإلكترونيات (IEEE). ^{[ 10 ]} توسعت الورقة البحثية في عرضهم التقديمي لعام 2018، مقترحةً ModelOps كإطار عمل ومنصة سحابية للتطوير الشامل وإدارة دورة حياة تطبيقات الذكاء الاصطناعي. وذكروا في الملخص أن إطار العمل سيوضح كيفية توسيع مبادئ إدارة دورة حياة البرمجيات لتمكين الأتمتة، والثقة، والموثوقية، والتتبع، ومراقبة الجودة، وإمكانية إعادة إنتاج مسارات نماذج الذكاء الاصطناعي. ^{[ 11 ]} في مارس 2020، نشرت شركة ModelOp, Inc. أول دليل شامل لمنهجية ModelOps. وكان الهدف من هذا المنشور تقديم نظرة عامة على إمكانيات ModelOps، بالإضافة إلى المتطلبات التقنية والتنظيمية لتطبيق ممارساتها. ^{[ 12 ]}

يُعدّ قطاع الخدمات المالية أحد أبرز استخدامات إدارة نماذج العمليات (ModelOps)، حيث تُستخدم مئات نماذج السلاسل الزمنية للتركيز على قواعد صارمة للتحكم في التحيز وضمان قابلية التدقيق. في هذه الحالات، تُعتبر عدالة النموذج وقوته أمرًا بالغ الأهمية، ما يعني ضرورة أن تكون النماذج عادلة ودقيقة، وأن تعمل بكفاءة عالية. تعمل إدارة نماذج العمليات على أتمتة دورة حياة النماذج في بيئة الإنتاج. تشمل هذه الأتمتة تصميم دورة حياة النموذج، بما في ذلك مؤشرات الأداء الرئيسية الفنية والتجارية ومؤشرات الامتثال، بالإضافة إلى تحديد العتبات اللازمة، وذلك لإدارة النموذج ومراقبته أثناء تشغيله، ومراقبة النماذج للكشف عن أي تحيز أو شذوذ فني أو تجاري، وتحديث النموذج عند الحاجة دون التأثير على التطبيقات. تُعتبر إدارة نماذج العمليات بمثابة المنسق الذي يضمن سير جميع العمليات بسلاسة وفي الوقت المحدد، مما يضمن التحكم في المخاطر والامتثال وأداء الأعمال.

من الاستخدامات الأخرى مراقبة مستويات السكر في دم مرضى السكري بناءً على بياناتهم الآنية. يجب تحديث النموذج القادر على التنبؤ بنقص السكر في الدم باستمرار بالبيانات الحالية، كما يجب مراقبة مؤشرات الأداء الرئيسية للأعمال وأي حالات شاذة بشكل متواصل، ويجب أن يكون متاحًا في بيئة موزعة، بحيث تكون المعلومات متاحة على الأجهزة المحمولة، بالإضافة إلى إمكانية إرسال التقارير إلى نظام مركزي. تتم عمليات التنسيق والحوكمة وإعادة التدريب والمراقبة والتحديث باستخدام منهجية ModelOps.

تركز عملية إدارة النماذج (ModelOps) على أتمتة حوكمة النماذج وإدارتها ومراقبتها في بيئة الإنتاج على مستوى المؤسسة، مما يُمكّن مطوري الذكاء الاصطناعي والتطبيقات من دمج إمكانيات دورة حياة النموذج بسهولة (مثل اكتشاف التحيز، والمتانة والموثوقية، واكتشاف الانحراف، ومؤشرات الأداء الرئيسية التقنية والتجارية والمتعلقة بالامتثال، والقيود التنظيمية، وإجراءات الموافقة) لوضع نماذج الذكاء الاصطناعي في بيئة الإنتاج كتطبيقات تجارية. تبدأ العملية بتمثيل معياري للنماذج المرشحة للإنتاج، والذي يتضمن نموذجًا وصفيًا (مواصفات النموذج) يحتوي على جميع المكونات والعناصر التابعة التي تدخل في بناء النموذج، مثل البيانات، وبيئات الأجهزة والبرامج، والمصنفات، ومكونات البرمجة الإضافية، والأهم من ذلك، مؤشرات الأداء الرئيسية المتعلقة بالأعمال والامتثال/المخاطر.

عمليات التعلم الآلي ( MLOps ) هي منهجية تُمكّن علماء البيانات ومتخصصي تكنولوجيا المعلومات من التعاون والتواصل أثناء أتمتة خوارزميات التعلم الآلي. وهي تُوسّع وتُطوّر مبادئ DevOps لدعم أتمتة تطوير ونشر نماذج وتطبيقات التعلم الآلي. ^{[ 13 ]} تتضمن عمليات التعلم الآلي، كممارسة، نماذج التعلم الآلي الروتينية. ومع ذلك، فقد تغيّر تنوّع النماذج واستخداماتها لتشمل نماذج تحسين القرارات، ونماذج التحسين ، والنماذج التحويلية التي تُضاف إلى التطبيقات. تُعدّ عمليات النماذج (ModelOps) تطورًا لعمليات التعلم الآلي، حيث تُوسّع مبادئها لتشمل ليس فقط النشر الروتيني لنماذج التعلم الآلي، بل أيضًا إعادة التدريب المستمر، والتحديث التلقائي، والتطوير والنشر المتزامن لنماذج التعلم الآلي الأكثر تعقيدًا. ^{[ 14 ]} تشير عمليات النماذج إلى تشغيل جميع نماذج الذكاء الاصطناعي، بما في ذلك نماذج التعلم الآلي التي تُعنى بها عمليات التعلم الآلي. ^{[ 15 ]}