The MLOps Practitioner
بنهاية هذه الدورة سينقل الدارس نموذج تعلّم آلي من الـ notebook إلى الإنتاج — ببناء مسارات CI/CD آلية، وتتبّع للتجارب، وإعادة تدريب مجدولة. وسيقدّم التنبؤات على نطاق واسع باستخدام FastAPI وBentoML وTriton وvLLM، ويرصد الانحراف قبل أن يلاحظه المستخدمون، ويحسّن النماذج لوحدات GPU وCPU والأجهزة الطرفية. وسيفكّر ويعمل كمهندس تعلّم آلي إنتاجي.
Aya Nasser Salama
مؤسِّسة مجتمع MLOps MENA ومهندسة MLOps أولى
Inference, Serving & Release Strategies
الأحد، 6 سبتمبر، 7:00 م بتوقيت القاهرة
نقدّمها بالتعاون مع شريكنا التعليمي Zomra.
سبعة أهداف، كل واحد منها مهارة قابلة للنشر
هيكلة مشاريع التعلّم الآلي باحتراف باستخدام حزم Python والبرمجة الكائنية وتلميحات الأنواع، وبناء واجهات REST بمستوى إنتاجي عبر FastAPI أو Litestar — داخل حاويات Docker ومختبرة بـ pytest
تتبّع التجارب وإصدار نسخ البيانات وإدارة دورة حياة النموذج عبر MLflow وDVC — وأتمتة مسار التدريب ← الاختبار ← البناء ← الرفع بالكامل عبر GitHub Actions وTerraform
بناء مسارات تدريب مستمر تعيد التدريب والتقييم وترقّي النماذج إلى الإنتاج تلقائيًا عند انحراف البيانات أو تراجع الأداء — من دون تدخّل بشري
اختيار نمط الاستدلال المناسب وخدمة النماذج في الإنتاج عبر المنظومة الكاملة: FastAPI ← BentoML ← TensorRT/Triton لوحدات GPU ← ONNX Runtime/OpenVINO لوحدات CPU ← vLLM للنماذج اللغوية
إطلاق النماذج بأمان عبر النشر التدريجي واختبار A/B والنشر الأزرق/الأخضر ووضع الظل — مع تراجع تلقائي عند تدهور المؤشرات
رصد انحراف البيانات والمفهوم والتسميات والتضمينات عبر PSI واختبار KS وPage-Hinkley وMMD — ومراقبة أنظمة الإنتاج بـ Prometheus وGrafana وLangfuse وRAGAS
تحسين النماذج المدرَّبة عبر التقليم والتكميم (PTQ وQAT) وتقطير المعرفة وTensorRT وOpenVINO وTFLite — مع قياس المفاضلة بين الدقة والزمن والحجم في كل خطوة
الأدوات التي ستستخدمها فعلًا
- FastAPI
- Litestar
- Docker
- pytest
- MLflow
- DVC
- GitHub Actions
- Terraform
- Apache Airflow
- BentoML
- Triton
- vLLM
- TensorRT
- ONNX Runtime
- OpenVINO
- TFLite
- Evidently AI
- Prometheus
- Grafana
- Langfuse
- RAGAS
معظم مهندسي التعلّم الآلي يعرفون كيف يدرّبون نموذجًا. وقليلون جدًا يعرفون كيف يشغّلونه في الإنتاج.
تسدّ هذه الدورة الفجوة بين علم البيانات وهندسة الإنتاج. ستأخذ نموذج تعلّم آلي من دفتر بحثي وصولًا إلى نظام إنتاجي حيّ ومراقَب ويعيد تدريب نفسه تلقائيًا — خطوة بخطوة، بكود حقيقي وأدوات حقيقية تستخدمها شركات مثل Uber وSpotify وMeta وNetflix.
عبر 5 جلسات ستتعلّم كيف:
- تحزّم كود التعلّم الآلي باحتراف وتبني واجهات REST بـ FastAPI وLitestar — داخل حاويات Docker ومختبرة بـ pytest
- تتبّع التجارب بـ MLflow، وتصدر نسخ البيانات بـ DVC، وتؤتمت مسارك بالكامل عبر GitHub Actions وTerraform
- تنسّق إعادة التدريب بـ Apache Airflow، وتخدم النماذج على نطاق واسع عبر BentoML وTriton وvLLM، وتطلقها بأمان عبر النشر التدريجي ووضع الظل
- تراقب نماذج الإنتاج بحثًا عن انحراف البيانات والمفهوم والتضمينات عبر Evidently AI وPrometheus وGrafana وLangfuse
- تحسّن النماذج سرعةً وحجمًا عبر التقليم والتكميم وتقطير المعرفة وTensorRT وOpenVINO — وتقيس كل مفاضلة
كل جلسة تنتهي بمشروع قابل للنشر يبني على ما قبله. وبنهاية الدورة سيكون لديك ملف أعمال MLOps كامل يثبت مهارات هندسة إنتاج حقيقية.
متطلبات الدورة
- معرفة أساسية ببرمجة Python — أن تكون مرتاحًا في كتابة الدوال والأصناف والعمل مع مكتبات مثل pandas وscikit-learn
- إلمام بمفاهيم التعلّم الآلي — أن تكون قد درّبت نموذجًا واحدًا على الأقل من قبل (انحدار خطي، تصنيف، إلخ)
- حاسوب محمول عليه Docker وذاكرة 8 جيجابايت على الأقل — وكل الأدوات المستخدمة مجانية ومفتوحة المصدر
لمن هذه الدورة
- مهندسو التعلّم الآلي وعلماء البيانات القادرون على تدريب النماذج لكنهم يتعثّرون في نشرها وصيانتها في الإنتاج
- مهندسو البرمجيات ومهندسو DevOps المنتقلون إلى MLOps أو أدوار بنية الذكاء الاصطناعي، الباحثون عن مسار منظّم وعملي
- القادة التقنيون والمعماريون الذين يحتاجون فهم منظومة الإنتاج كاملة لاتخاذ قرارات أفضل بشأن الأدوات والبنية التحتية
مصادر الدورة
مجانية ومفتوحة. الجلسة الأولى تبقى على يوتيوب بشكل دائم.
سبعة أسابيع، ينتهي كل منها بشيء أنجزته
5 دروس مباشرة تفاعلية · 7 أسابيع · 15 أغسطس ← 2 أكتوبر · مجانًا
الأسبوع 1
Sat 8/15 – Fri 8/21
From Notebook to Production-Ready Code
The MLOps Maturity ModelPython Packaging & Project StructureBuilding ML APIs (FastAPI vs Litestar)Serialization FormatsDocker & ContainerizationStructured LoggingTesting ML Code with pytestمشروع الوحدة — واجهة API لنموذج تعلّم آلي داخل حاوية بالكامل، مع مجموعة اختبارات وسجلّات منظّمة وملف README من ثلاثة أوامر.
الأسبوع 2
Sat 8/22 – Fri 8/28
MLOps Core — Experiment Tracking, Versioning & Automation
MLflow Experiment TrackingMLflow Model RegistryContinuous Training with MLflowData Versioning with DVCCI/CD with GitHub ActionsInfrastructure as Code with Terraformمشروع الوحدة — مسار مؤتمت بالكامل تُطلقه GitHub Actions — يدرّب ويقيّم مقابل نسخة الإنتاج ولا يرقّي إلا إذا تحسّنت المؤشرات، ثم يبني صورة Docker. كل تشغيل في MLflow، وكل إصدار بيانات في DVC.
الأسبوع 3
Sat 8/29 – Fri 9/4
النصف الأول من المشروع (تنفيذ ومراجعة)
لا محاضرة. ابدأ العمل على مشروعك المختار وطبّق المبادئ من المحاضرتين الأوليين.
الأسبوع 4
Sat 9/5 – Fri 9/11
Inference, Serving & Release Strategies
Orchestration with Apache AirflowWhy Inference Patterns MatterThree Inference PatternsWhat is Model ServingCAT 1 FastAPICAT 2 BentoMLCAT 3 TensorRT + TritonCAT 4 ONNX Runtime + OpenVINOCAT 5 vLLMLoad Testing with LocustRelease Strategiesمشروع الوحدة — قدّم نموذج مدة الرحلة بثلاث طرق، واختبر الحِمل حتى 100 مستخدم متزامن، ووثّق عنق الزجاجة، ثم انشر إصدارًا جديدًا عبر نشر تدريجي مع تراجع تلقائي.
الأسبوع 5
Sat 9/12 – Fri 9/18
Model Optimization — Faster, Smaller, Cheaper Without Losing Accuracy
Why Optimization MattersPruningPost-Training QuantizationQuantization-Aware TrainingKnowledge DistillationTensorRTONNX RuntimeOpenVINOEdge DeploymentLLM-Specific Quantization (AWQ, GPTQ)Benchmarking and the Optimization Decisionالأسبوع 6
Sat 9/19 – Fri 9/25
Observability & Drift Detection — Know Before Your Users Do
Why Production Models DegradeDrift TaxonomyStatistical Detection MethodsEvidently AIPage-Hinkley and ADWINLabel and Prediction DriftEmbedding DriftPrometheus + GrafanaLangfuseRAGASCost and Token MonitoringGuardrailsالأسبوع 7
Sat 9/26 – Fri 10/2
المشروع النهائي
أنجز المشروع من طرفه إلى طرفه، واعرضه على المجتمع، واحصل على مراجعة للمستودع.
خمسة دروس، مباشرة ثم على يوتيوب
أربع مجموعات. اختر حسب خبرتك، لا حسب مسمّاك.
كل دارس ينضم إلى مجموعة مذاكرة على واتساب تناسب مستواه الحالي، حتى تكون الأسئلة والوتيرة ملائمة لموقعك الفعلي.
مبتدئ في MLOps
انضم إن كنت
- مبتدئ في التعلّم الآلي أو علم البيانات
- مرتاح مع Python وأساسيات التعلّم الآلي
- ما زلت جديدًا على Linux وGit وDocker
- ليست لديك خبرة نشر أو سحابة بعد
- تريد بدء MLOps من الصفر
المحاور
متوسط في MLOps
انضم إن كنت
- لديك خبرة في الواجهات الخلفية أو هندسة البرمجيات
- تعمل مع واجهات APIs أو FastAPI أو Flask
- متمكّن من Git وDocker
- لديك أساسيات النشر وCI/CD
- بدأت مع نماذج التعلّم الآلي وتريد تشغيلها في الإنتاج
المحاور
MLOps متقدّم / سحابة
انضم إن كنت
- خبرة عملية حقيقية بالسحابة — AWS أو GCP أو Azure
- قوي في Docker وCI/CD
- خبرة أو معرفة عملية بـ Kubernetes
- عملت مع البنية التحتية وTerraform والمراقبة
- تريد التعمّق في منصّات MLOps وأنظمة التعلّم الآلي القابلة للتوسّع
المحاور
من DevOps إلى MLOps
انضم إن كنت
- تعمل حاليًا في DevOps أو Platform أو Cloud أو SRE
- قوي في Linux وDocker وKubernetes وCI/CD والسحابة
- الفجوة ليست في Ops — بل في نصف التعلّم الآلي
- تريد الانتقال من DevOps إلى MLOps
المحاور
القاعدة البسيطة
مبتدئ في التعلّم الآلي
مجموعة 1
مهندس برمجيات / واجهات خلفية
مجموعة 2
سحابة + Kubernetes + MLOps
مجموعة 3
مهندس DevOps / منصّات
مجموعة 4
الأهم من ذلك كله: اختر مجموعتك بناءً على خبرتك العملية الفعلية، لا على مسمّاك الوظيفي.
الأسئلة التي تصلنا كل أسبوع
طبيعي تمامًا — وهذا يعني أن الجلسة أدّت دورها. لو بدا لك كل شيء مألوفًا في النهاية، لكان ذلك يعني أننا نكرّر أشياء سمعتها كثيرًا من قبل. الشعور بالإغراق هو أثر جانبي للخروج من الـ notebook واكتشاف كم أن هذا المجال أوسع مما تصوّرت. مبروك: هذا الشعور تقدّم.
دوّن كل مصطلح جديد تقابله. ثم اختر طريقك: ابحث عنه على يوتيوب — غالبًا ستجد شرحًا مكثّفًا جيدًا؛ واقرأ الدليل أو التوثيق الرسمي لتلك الأداة أو المفهوم؛ واطرح ما بقي غامضًا على المجتمع. ونحن نقدّم أيضًا جلسات مخصّصة للمشكلات التي تواجهكم، وسنشرح عددًا من هذه المصطلحات بالتفصيل في جلسة قادمة.
الجلسة الأولى تبقى بشكل دائم على قناتنا على يوتيوب. أما بقية الجلسات فتُزال بعد 48 ساعة من كل جلسة، لذا احرص على الحضور المباشر ما استطعت.
حتى انتهاء الدورة بالكامل. ومادة الدورة تبقى متاحة أيضًا، ونعيد إرسالها حتى تتمكّن من المذاكرة ومراجعة ما تم شرحه.
تعلّم MLOps بمفردك أصعب مما ينبغي
آلاف المهندسين من المنطقة موجودون بالفعل — يراجعون أكواد بعضهم، ويتشاركون الفرص، ويساعدون بعضهم على تخطّي العقبات. والانضمام مجاني.