انتقل إلى المحتوى الرئيسي
أكاديمية MLOps MENA
English

الدفعة 1 · مكتملةمجاني

The MLOps Practitioner

انقل نموذج تعلّم آلي من الـ notebook إلى الإنتاج: الحزم وواجهات API، وتتبّع التجارب وCI/CD، وخدمة النماذج على نطاق واسع، ورصد الانحراف وتحسين النماذج. أُقيمت الدفعة الأولى بين أغسطس وسبتمبر 2026، وأربعة من دروسها الخمسة مسجّلة.

المحاضر: آية ناصر سلامة

أُقيمت
من 16‏/08‏/2026 إلى 20‏/09‏/2026
المدة
5 أسابيع
المستوى
مبتدئ · متوسط الخبرة
اللغة
العربية
السعر
مجاني

التسجيلات

كل دروس هذه الدفعة، متاحة للمشاهدة مجانًا.

  1. الدرس 1

    من الـ Notebook إلى كود جاهز للإنتاج

    3 س و10 د

  2. الدرس 2

    أساسيات MLOps: تتبّع التجارب وإدارة النسخ والأتمتة

    2 س و55 د

  3. الدرس 3

    الاستدلال والتقديم واستراتيجيات الإصدار

    2 س و40 د

  4. الدرس 4

    المراقبة ورصد الانحراف

    3 س و15 د

  5. لا يوجد تسجيل منشور لهذا الدرس.

    الدرس 5

    تحسين النماذج: أسرع وأصغر وأرخص

    1 س و30 د

ماذا ستتعلم

  • 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

عن الدورة

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.

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.

الدفعة الأولى

أُقيمت دروس الدفعة الأولى الخمسة مباشرةً على YouTube Live من 16 أغسطس إلى 20 سبتمبر 2026، مع أسبوع للمشروع ومشروع نهائي. الدروس من 1 إلى 4 مسجّلة؛ أما الدرس 5 (تحسين النماذج، 20 سبتمبر) فليس له تسجيل منشور.

مواد الدورة

هل هذه الدورة مناسبة لك؟

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

المتطلبات المسبقة

  • 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

المنهج

  1. الوحدة 1

    من الـ Notebook إلى كود جاهز للإنتاج

    واجهة API لنموذج تعلّم آلي داخل حاوية بالكامل، مع مجموعة اختبارات وسجلّات منظّمة وملف README من ثلاثة أوامر.

  2. الوحدة 2

    أساسيات MLOps: تتبّع التجارب وإدارة النسخ والأتمتة

    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.

  3. الوحدة 3

    النصف الأول من المشروع (تنفيذ ومراجعة)

    لا محاضرة. ابدأ العمل على مشروعك المختار وطبّق المبادئ من المحاضرتين الأوليين.

  4. الوحدة 4

    الاستدلال والتقديم واستراتيجيات الإصدار

    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.

  5. الوحدة 5

    المراقبة ورصد الانحراف: اعرف قبل أن يعرف مستخدموك

  6. الوحدة 6

    تحسين النماذج: أسرع وأصغر وأرخص دون خسارة الدقة

  7. الوحدة 7

    المشروع النهائي

    أنجز المشروع من طرفه إلى طرفه، واعرضه على المجتمع، واحصل على مراجعة للمستودع.

المحاضر

  • آية ناصر سلامة

    مؤسِّسة مجتمع MLOps MENA ومهندسة MLOps أولى

    مهندسة MLOps وLLMOps أولى بخبرة تتجاوز 6 سنوات في الذكاء الاصطناعي. في Unifonic هي المرجع المركزي لدعم MLOps/LLMOps عبر فرق الذكاء الاصطناعي — منتجات وكيلة باستخدام LangGraph وMCP، وتقييم ومراقبة النماذج اللغوية، وخدمة نماذج تتجاوز 30 مليار معامل على Kubernetes. صمّمت وتدرّس مادة «Production ML Engineering» في ITI، وبنت أول نظام RAG إنتاجي في Valeo.

    LinkedIn

ما الذي تتضمنه الدورة

  • جلسات مباشرة على YouTube Live
  • تسجيلات على YouTube
  • واجبات
  • مشروع نهائي
  • شهادة