Table of Contents

مقدمة إلى استوديو التعلم في أزور ماشين

Azure Machine Learning Studio is a cloud-based platform that provides data scientists and machine learning engineers with an integrated environment for the complete machine learning life cycle. From data preparation and training to deployment and monitoring, the platform combines a visual drag-and-drop interface with full-code capabilities, enabling teams to work efficiently regardless of their coifiency proficiation. Originally launched as Azure ML Studio (classT

ما هو استديو التعلم في (أزور ماكين)؟

وفي صميمها، فإن استديو التعلم في مجال الآزور ماكين هو بوابة على شبكة الإنترنت تستخدم كطائرة مراقبة لجميع أصول حركة التحرير، ويمكن لعلماء البيانات الوصول إلى مجموعات البيانات، والتجارب، وخطوط الأنابيب، والنماذج، ونقاط النهاية، وتصوير الأهداف من لوحة واحدة، ويدعم البرنامج كلا من المؤلفات البصرية المنخفضة القيمة (من خلال ]]] أدوات تطوير نظام تحديد المواقع الجغرافية

ويُبنى هذا البرنامج على البنية التحتية العالمية لأزور، وهو يوفر محسوبا قابلا للتوسع (الاتحاد العالمي لكوت ديفوار، والاتحاد العالمي لسواتل الملاحة، ومجموعة FPGA)، وتخزين البيانات المتكاملة (Azure Blob، وبحيرة البيانات، وشركة SQL)، والربط بين السكان الأصليين وبين خدمات أخرى من قبيل محلليات أزور Synapse، وشركة Azure DevOps، وشركة Power BI.

من يستفيد من استديو (أزور إم إل)؟

Azure Machine Learning Studio caters to a broad range of roles:

  • Data Scientists who want a productive environment for rapid prototyping and experimentation, with versioning, logging, and reproducibility built in.
  • ML Engineers] who need to operationalize models via CI/CD pipelines, A/B testing, and real-time or batch inferencing.
  • محللين أعمال ] الذين يستغلون نظام الحكم الذاتي والمصممين البصريين لخلق نماذج تنبؤية دون مهارات تدوين عميقة.
  • IT Admins] who enforce governance, cost controls, and security policies across shared workspaces.

أهم رسوم علماء البيانات

مجموعة من الملامح الغنية التي تهدف إلى تسريع تدفق العمل من نهاية إلى نهاية المشروع، وهي القدرات الأكثر أهمية بالنسبة لعلماء البيانات.

جهاز تصميم صوري ودراج - وديروب

ويوفّر ] المُعيّن ] في استديو أزور MLL، غطاءً يمكن فيه لعلماء البيانات بناء خطوط أنابيب للتعلم الآلي عن طريق سحب وربط وحدات جاهزة للتعبئة، كما أن كل وحدة تمثل تحولاً في البيانات، أو خوارزمياً تدريبياً، أو عنصراً للترميز، ويلغي الرمز الخلوي للمهام المشتركة مثل تقييم الملامح.

ما قبل البناء من مودول واختيار ألغوريثم

يشمل استديو أزور ML المئات من الوحدات التي كانت قائمة قبل البناء والتي تغطي كل مرحلة من مراحل عملية ML:

  • Data transformation:] Clean missing data, normalize columns, create categorical features, and apply statistical methods.
  • ] Clasification, regression, and clustering algorithms: Decision forests, neural networks, loggression, k-means, support vector machines, and more.
  • Model evaluation:] Confusion matrices, ROC curves, lift charts, and regression metrics.
  • Text analytics:] Feature hashing, n-gram extraction, latent Dirichlet allocation.

وتُدعم هذه الوحدات بتنفيذات مُحدَّدة على النحو الأمثل يمكن أن تُجرى على أساس موزَّع، بحيث يمكن لعلماء البيانات أن يُقدِّموا من مجموعات البيانات الصغيرة إلى مجموعات تيرابايت دون تغيير خط الأنابيب.

تعلم الآلات الآلية (AutoML)

ومن بين السمات البارزة لإستوديو أزور ML Automated Machine Learning) كما أن أفضل البيانات التي تم التركيز عليها في عملية اختيار الخوارزميات، وهندسة السمات، وضبط الموجات الفائقة، وعلماء البيانات ببساطة يقدمون بيانات تدريبية ويحددون المواصفات المستهدفة (مثلا، الدقة، وخطوات التجهيز، ودرجة التكوين، ودرجة التسلسلة)

التكامل مع خدمات أزوير

Azure ML Studio does not exist in isolation; it is deeply integrated with the broader Azure ecosystem:

  • Azure Data Lake Storage and Blob Storage] for storing raw and processed data.
  • Azure Synapse Analytics] for large-scale data preparation and querying.
  • Azure DevOps and GitHub] for MLOps pipelines, enabling continuous integration and deployment of models.
  • Azure Kubernetes Service (AKS)] for deploying high-throughput, low-latency inference endpoints.
  • Azure Cosmos DB] لخدمة التنبؤات في التطبيقات الموزعة عالميا.
  • Power BI] for embedding ML predictions directly into business reports.

وهذه التكاملات تعني أنه بمجرد بناء نموذج ما، يمكن نشره في تدفقات العمل الإنتاجية بأقل قدر من الاحتكاك.

القدرات المسؤولة في مجال مكافحة الإرهاب

(ب) ينبغي أن ينظر علم البيانات الحديثة في الإنصاف والشفافية والمساءلة.() ويشمل الاستديو الخاص بشركة Azure ML مجموعة من ] الصناعات ذات المسؤولية التي تساعد علماء البيانات على تقييم التحيز وتقليصه، وتوضيح السلوك النموذجي، وضمان الامتثال.() وتُقدِّم وحدة ترجمة شفوية نموذجية

بدأت مع استوديو التعلم في أزور ماكين

وللبدء في استخدام استوديو التعلم في أزور ماكين، ينبغي أن يتبع علماء البيانات تدفقاً منظماً للعمل يغطي تهيئة البيئة وإدارة البيانات والنمذجة والنشر.

إنشاء حيز عمل في منطقة Azure ML

ويبدأ كل مشروع في استوديو أزور ML حيز عمل ، ويُظهر حيز عمل على أعلى مستوى يتيح تجميع جميع التجارب، والبيانات، والغايات المحسوبة، والنماذج، والنشر، ويحتاج إنشاء حيز عمل إلى الاشتراك في الزهور ومجموعة موارد، ويوفر بوابة أزور أداة إرشادية للعمل باستخدام نظام المعلومات الفضائية.

إعداد البيانات واستعمالها

ويمكن إدخال البيانات إلى استديو أزور ML من مصادر متعددة، ويدعم المنبر ما يلي:

  • تحديث الملفات المحلية (CSV, Parquet, JSON) مباشرة من خلال وحدة التفتيش المشتركة.
  • Creating datastores] that reference external storage accounts (Blob, ADLS Gen2, SQL Database).
  • (أ) تسجيل بيانات تشمل مسارات البيانات مع النسخ والتنميط.

(ب) عندما تكون البيانات متاحة، يقدم المصمم وحدات لتنظيف البيانات وإعدادها، فعلى سبيل المثال، يتعامل مع نماذج Clean Missing Data) بالقيم الباطلة عن طريق الإزالة، أو الاستبدال المتوسط أو العرفي.

بناء نموذج مع المصمم

لبناء نموذج بصري:

  1. إسحب وحدة بيانات على قماش المصمم وربطها بمجموعتك المسجلة
  2. (ب) إضافة وحدة بيانات متطابقة لتقسيم البيانات إلى مجموعات التدريب والاختبار (مثل 80/20).
  3. Choose an algorithm module such as Two-Clas Boosted Decision Tree] or ]Linear Regression and connect it to the training data output.
  4. (أ) إضافة وحدة نموذجية [Train Model] وربط الخوارزمية وبيانات التدريب.
  5. Connect the trained model to a Score Model] module along with the test data.
  6. Attach an Evaluate Model] module to generate performance metrics.
  7. Establish up a compute target (e.g., Compute Instance] or Compute Cluster) and submit the pipeline run.

ويسجل المصمم تلقائيا جميع القياسات والبارامترات والنواتج في مجال العمل، مما يتيح إمكانية التكاثر والمقارنة بين مختلف العمليات.

التدريب على جدول الأهداف المكمّلة

وبالنسبة لمجموعات البيانات الأكبر أو النماذج الأكثر تعقيداً، ينبغي أن يستخدم علماء البيانات مجموعة شاملة .() أما مجموعة استديو زيور ML، فيدعم كل من المجموعات ذات الأرقام الواحدة والمتعددة، مع وحدات وحدة البرامج القطرية أو وحدات النظام العالمي لمراقبة المناخ، ويمكن وضع مجموعات على نطاق آلي استناداً إلى الطلب على الوظائف، وضمان كفاءة التكاليف.() وفيما يتعلق بمهام التعلم العميق، يمكن لعلماء البيانات أن يقدموا مجموعات وحدات التقييم العالمي

نشر نموذج بوصفه خدمة على شبكة الإنترنت

وبعد التدريب والتقييم، يمكن نشر النموذج كنقطة نهاية في الوقت الحقيقي أو نقطة وصول في الاستوديو، وعملية النشر في الاستوديو مباشرة:

  • تسجيل النموذج المتدرب في سجل نموذج حيز العمل.
  • Create a scoring script () that loads the model and returns predictions.
  • Define an environment (Conda dependencies, Docker image) or use a curated environment.
  • Choose a compute target: Azure Kubernetes Service (AKS)] for production real-time scoring or ]Azure Container Instances (ACI) for low-scale testing.
  • التصديق على المصادرة (مقرها الرئيسي أو أزور) وفي مواقع النشر.
  • Deploy and receive a REST endpoint URL that can be consumed by applications.

كما يدعم استديو أزور ML نسخا نموذجية ونشرات A/B مع تقسيم حركة المرور، مما يتيح نشرات آمنة واختبارات كناري.

أفضل الممارسات لعلماء البيانات باستخدام استديو أزور ML

وللابتعاد عن المنبر، ينبغي أن يعتمد علماء البيانات الممارسات التالية.

نوعية البيانات والتصوير

(د) استخدام مرصد دفاتا دريف ] لتتبع التحولات في التوزيع عبر الزمن، وتسجيل البيانات بأعداد النسخ بحيث يمكن استنساخها بدقة، وتجنب تخزين البيانات مباشرة في مكان العمل، وبدلاً من ذلك استخدام مخزون البيانات الخارجي مع ضمان الوصول إليها.

تعقب التجارب وتأجيرها

(ج) إنشاء اختبارات منفصلة ] للخبرات لمختلف المشاكل أو اختبارات الفرضية، واستخدام المعارف الخاصة أو المصمم لسجل القياسات والبارامترات والقطع الأثرية، وتلتقط حيز العمل تلقائياً التاريخ، مما يجعل من السهل مقارنة النتائج واسترجاع النموذج الأفضل أداء.

Hyperparameter Tuning

تجنب البحث عن نماذج معقدة باستخدام شبكة " أزور ML " HyperDrive]، التي تدعم استراتيجيات أخذ العينات العشوائية، والبيزيائية، والقائمة على قطاع الطرق، ويمكن أن تستخدم هايبردروف أيضا سياسات الإنهاء المبكر لوقف الأداء الضعيف في وقت مبكر، مما يوفر الوقت المقارن.

الترجمة الشفوية النموذجية

(د) أن تضيف دائماً تفسيرات نموذجية، لا سيما للصناعات المنظمة، وأن تستخدم نماذج الترجمة الشفوية المدمجة لتوليد أهمية عالمية ومحلية، وأن تتقاسم لوحات مفسرة مع أصحاب المصلحة لبناء الثقة.() ولا يلزم إدراج استديو أزور ML في SHAP و]LME خارج الإطار الإضافي،

Scale Responsibly with Compute Targets

بدءًا من وضع محسوب صغير للتنمية، ثم انتقل إلى مجموعة للتدريب على الإنتاج، واستخدام تدابير فرز منخفضة الأولوية في الوظائف الثابتة لخفض التكاليف، ووضع مرحلتين مختصتين لمعالجة المحاسب الآلي، ورصد تكاليف استخدام نظام إدارة تكاليف الإنتاج، ووضع ميزانيات أو تنبيهات لكل مكان عمل.

Azure ML Studio vs. Other Cloud ML Platforms

علماء البيانات يقارنون استديو (أزور ميل) بالمنافسين مثل (غوغل فيرتكس) و(أمازون ساج ماكر)

Comparison with Google Vertex AI

ويقدم غوغل فيرتكس آي منصة موحدة مع نظام الحكم الذاتي والتدريب التقليدي، ونقاط نهاية التنبؤات المدارة، ويخرج فيرتكس آي في إطار التكامل مع خدمات غوغل كلود مثل بيغ كري وتنسوروفلو، غير أن استوديو أزور ML يوفر مصمما بصريا أغنى لغير المجندين، ويعمق الروابط مع النظام الإيكولوجي لمؤسسة ميكروسوفت (المكتب 365، منظمة باورزويل).

مقارنة مع الأمازون ساج ماكر

أمازوون ساغي ماكر هو خدمة ناضجة من طراز ML لها وثائق واسعة ومجموعة واسعة من الخوارزميات المبنية، ويكمن قوة ساج ماكر في تكاملها العميق مع الهياكل الأساسية لمؤسسة AWS ودائرة تحديد التعريف بعلامات الحقيقة الأرضية التابعة لها، ويأتي استديو أزور ML إلى شركة ساغي ماكر على سمات مثل نظام الحكم الذاتي، وخطوط السحب، وأجهزة تصوير حركة التحرير المتعددة، ويقدم المنظمة قائمة على أفضل من أجل إجراء التجارب.

عندما تختارين (أزور) استوديو (ميل)

استديو "أزور إم إل" هو أفضل خيار عندما:

  • فريقك يستخدم (أزور) بالفعل لمسح أو تخزين أو تحليل البيانات
  • تحتاج إلى مسار منخفض الجودة لعلماء البيانات أو محللي الأعمال بدون مهارات البرمجة العميقة.
  • ويعدّ الكشف عن المعلومات المسبقة عن علم والكشف عن التحيزات أمراً أساسياً.
  • تريد دمجاً صارماً مع شركة (الكهرباء) و(الديناميك 365) أو (مايكروسوفت 365 طلباً
  • أنت تبني خطوط أنابيب (إم إل أوبس) باستخدام (أزور ديفوب) أو (جيت هوب)

حالات الاستخدام الحقيقي في العالم

ويطبق استديو التعلم في مجال الآزورين في جميع الصناعات لحل المشاكل المعقدة التي تُتنبأ بها، وهنا ثلاثة أمثلة مشتركة.

الصيانة الافتراضية

وتستخدم شركة تصنيع بيانات الاستشعار من المعدات للتنبؤ بالفشل قبل حدوثه، ومع استديو أزور ML، يقوم علماء البيانات بتوصيل بيانات IoT إلى هوب Azure Event Hubs، وخزنها في تخزين بلوب، واستخدام المصمم لبناء نموذج للتنبؤ بسلاسل زمنية، وينشر النموذج في نظام AKS ويصدر إنذارات في مرصد أزور.

Customer Churn Prediction

ويقوم مقدم خدمات الاتصالات بتحليل سجلات المكالمات وتاريخ الفواتير وتفاعلات دعم العملاء لتحديد العملاء المعرضين للخطر الشديد، ويقوم فريق علم البيانات، باستخدام نظام " أوتوماتيك " ، بتدريب نموذج تصنيف يحقق التذكرة العالية، ويُنشر النموذج كنقطة نهاية في الوقت الحقيقي يُدمج في نظام إدارة المخاطر المؤسسية عن طريق برنامج التشغيل الآلي للطاقة، وتُنتج عروض الاستبقاء تلقائياً للزبائن المعرضين للخطر.

Fraud Detection

ويتعامل علماء البيانات مع مؤسسة مالية يومياً مع ملايين المعاملات، ويستخدمون جهاز استديو بيثون SDK في أسوري ML، لتدريب نماذج شجر مُحرَّرة من الدرجة الأولى على بيانات المعاملات التاريخية ذات السمات الهندسية، وتُنشر نماذج في خط للدفعات التي تُجرى كل بضع دقائق، وتُدرَج المعاملات المشبوهة من أجل إجراء استعراض يدوي، وتساعد لوحات إدارة الشرح الجهات التنظيمية على فهم سبب كل تنبيه.

خاتمة

يوفر استديو التعلم في مجال الآزوير بيئة شاملة وقابلة للتكرار وميسرة للمستعملين لعلماء البيانات من أجل بناء ونشر نماذج للتعلم الآلي، ويمكّن جمعها من مصمم مرئي، ومركب آلي للتكامل في منطقة أزور، وأدوات متسمة بالمسؤولية في مجال الأنشطة الزراعية من أن تجعلها خيارا قويا للأفرقة من جميع مستويات المهارات، ومن خلال اتباع أفضل الممارسات لإدارة البيانات، وتتبع التجارب، ونشر المعلومات، يمكن لعلماء البيانات أن يعجلوا سير عملهم، وأن يستكشفوا نماذج ذات جودة عالية.