DeepLearning.AI Pro: تمكين ممارسي الذكاء الاصطناعي بأدوات متقدمة

DeepLearning.AI Pro: تمكين ممارسي الذكاء الاصطناعي بأدوات متطورة

لم يعد الذكاء الاصطناعي تخصصًا ضيقًا مقتصرًا على مختبرات الأبحاث. فاليوم، أصبح يدعم التطبيقات في كل الصناعات، من الرعاية الصحية إلى المالية وحتى الفنون الإبداعية. ومع ذلك، مع تسارع هذا المجال، يواجه الممارسون تحديًا متزايدًا: إدارة تعقيد سلاسل الأدوات الحديثة، ومواكبة أحدث النماذج، والحفاظ على سير عمل قابل للتكرار. هنا يأتي دور DeepLearning.AI Pro لمواجهة هذه التحديات بشكل مباشر. مبني على أساس المحتوى التعليمي الشهير عالميًا لـ DeepLearning.AI، توفر النسخة الاحترافية مساحة عمل مُنظمة، وبيئات مُجهزة مسبقًا، وموارد متقدمة مصممة لتعزيز إنتاجية مهندسي الذكاء الاصطناعي وعلماء البيانات.

في هذه المقالة، سنستعرض ما تقدمه DeepLearning.AI Pro، والمتطلبات اللازمة للبدء، ودليل تثبيت خطوة بخطوة، وأمثلة استخدام عملية توضح كيف تُحدث هذه المنصة تحولًا في العمل اليومي للذكاء الاصطناعي. سواء كنت تقوم بضبط نموذج لغوي كبير، أو تجربة معماريات الانتشار، أو نشر مصنف رؤية مخصص، فإن DeepLearning.AI Pro تمنحك الأدوات اللازمة للانتقال من الفكرة إلى الإنتاج بشكل أسرع.

ما هي DeepLearning.AI Pro؟

DeepLearning.AI Pro هي خدمة قائمة على الاشتراك توسع نطاق الدورات المجانية ومجتمع DeepLearning.AI بميزات على المستوى الاحترافي. وفقًا لمنشور الإطلاق الرسمي على *The Batch* (deeplearning.ai)، تشمل العروض الاحترافية ما يلي:

• **مساحة عمل مُدارة تعتمد على Jupyter** مع مكتبات مثبتة مسبقًا (PyTorch، TensorFlow، JAX، Hugging Face Transformers، وغيرها).
• **حوسبة مسرَّعة بوحدات GPU** عند الطلب، مع إمكانية التوسع السلس إلى موارد سحابية.
• **قوالب مشاريع مُنظمة** للمهام الشائعة (ضبط نموذج LLM، أنابيب RAG، الرؤية الحاسوبية).
• **أدوات تعاون** – مشاركة الدفاتر ومجموعات البيانات مع فريقك.
• **تكامل مباشر** مع خدمات OpenAI وGoogle وMicrosoft Azure AI – مما يعكس تحديثات النظام البيئي التي تغطيها مدوناتهم بانتظام.

صُممت المنصة للأفراد والفرق الذين تجاوزوا حدود الدفاتر المحلية ويحتاجون إلى بيئة قابلة للتكرار ومُحدَّثة دائمًا دون عناء إدارة البنية التحتية.

المتطلبات

للاستفادة القصوى من DeepLearning.AI Pro، تحتاج إلى ما يلي:

| المكون | المتطلب | |--------|---------| | **العتاد** | جهاز كمبيوتر مع اتصال بالإنترنت. وحدة GPU اختيارية للتطوير المحلي، لأن وحدات GPU السحابية متوفرة من خلال مساحة العمل الاحترافية. | | **نظام التشغيل** | macOS 12+، Linux (Ubuntu 20.04+)، أو Windows 10/11 مع WSL2. | | **Python** | 3.9 أو أحدث (يُثبَّت محليًا فقط إذا أردت اختبار الكود قبل رفعه إلى السحابة؛ وإلا فمساحة العمل تتولى ذلك). | | **الحساب** | اشتراك مدفوع في DeepLearning.AI Pro (متاح على deeplearning.ai). | | **المتصفح** | Chrome، Firefox، أو Edge (أحدث الإصدارات) للوصول إلى مساحة العمل المستندة إلى الويب. | | **Git** | (اختياري) للتحكم في الإصدارات. مساحة العمل تتضمن Git بشكل افتراضي. |

إذا كنت تخطط لاستخدام واجهة سطر الأوامر (CLI) لإدارة مساحات العمل، فستحتاج أيضًا إلى `curl` أو `wget` لتحميل أداة CLI، و `pip` لتثبيت الحزم بلغة Python.

التثبيت خطوة بخطوة

DeepLearning.AI Pro هي في الأساس خدمة سحابية. لذلك يعني التثبيت إعداد جسر محلي – وهو أداة CLI الخاصة بـ Pro – التي تمكنك من إنشاء مساحات العمل وتشغيلها وإيقافها مباشرة من الطرفية. اتبع هذه الخطوات للبدء.

1. تثبيت أداة CLI الخاصة بـ DeepLearning.AI Pro

أداة CLI هي حزمة Python صغيرة. افتح الطرفية ونفذ الأمر التالي:

pip install dlai-pro-cli

هذا الأمر يُثبِّت الأداة الرسمية لسطر الأوامر التي تتواصل مع الخلفية الخاصة بـ DeepLearning.AI.

إذا كنت تفضل استخدام بيئة افتراضية لتجنب التعارضات:

python3 -m venv dlai-env
source dlai-env/bin/activate
pip install dlai-pro-cli

2. المصادقة باستخدام حسابك

بعد التثبيت، تحتاج إلى تسجيل الدخول. ستفتح أداة CLI نافذة متصفح للمصادقة عبر OAuth.

dlai-pro login

اتبع التعليمات في المتصفح للترخيص. بمجرد النجاح، تخزن أداة CLI رمزًا مميزًا محليًا.

3. إنشاء أول مساحة عمل

مساحة العمل هي بيئة عن بُعد تحتوي على مثيل حسابي مُحدد مسبقًا ومكتبات Python. لإنشاء مساحة عمل افتراضية بوحدة GPU باسم `my-first-proj`:

dlai-pro create workspace my-first-proj --type gpu-1

المعامل `--type` يختار فئة المثيل. القيم الشائعة هي `cpu-4` (4 أنوية CPU، بدون GPU) و `gpu-1` (وحدة GPU واحدة من NVIDIA، 8 أنوية CPU). يمكنك عرض أنواع المثيلات المتاحة باستخدام `dlai-pro list instance-types`.

4. تشغيل مساحة العمل

بمجرد إنشائها، قم بتشغيلها:

dlai-pro start my-first-proj

ستقوم أداة CLI بإخراج رابط يشير إلى واجهة JupyterLab، على سبيل المثال:

Workspace 'my-first-proj' is running.
Access JupyterLab at: https://my-first-proj.workspace.deeplearning.ai

افتح هذا الرابط في متصفحك. سترى JupyterLab مُجهزًا مسبقًا مع جميع مكتبات الذكاء الاصطناعي الشائعة مثبتة بالفعل.

5. (اختياري) تثبيت حزم إضافية

على الرغم من أن مساحة العمل الافتراضية مليئة بالمكتبات، قد تحتاج إلى شيء إضافي، مثل `transformers` أو `accelerate`. داخل طرفية JupyterLab، نفذ الأمر التالي:

pip install --upgrade transformers accelerate

تستمر هذه التغييرات عبر الجلسات لأن مساحة العمل تستخدم دليلًا منزليًا مستمرًا.

6. إيقاف مساحة العمل عند عدم استخدامها

لتوفير أرصدة الحوسبة، أوقف مساحة العمل:

dlai-pro stop my-first-proj

يمكنك لاحقًا إعادة تشغيلها باستخدام `dlai-pro start`. يتم الاحتفاظ بالبيانات على تخزين مستمر.

أمثلة الاستخدام

الآن بعد أن أصبحت مساحة العمل جاهزة، دعنا نستكشف ثلاثة سيناريوهات عملية توضح كيف تُمكّن DeepLearning.AI Pro الممارسين.

المثال 1: ضبط نموذج لغوي كبير (LLM)

لنفترض أنك تريد ضبط نموذج لغوي صغير، مثل GPT-2، على مجموعة بيانات مخصصة. مساحة العمل تحتوي بالفعل على PyTorch ونظام Hugging Face البيئي. أنشئ دفتر ملاحظات جديد ونفذ ما يلي:

from transformers import AutoTokenizer, AutoModelForCausalLM, Trainer, TrainingArguments
from datasets import load_dataset

# تحميل مجموعة بيانات صغيرة (مثال: من Hugging Face)
dataset = load_dataset("samsum", split="train[:100]")

# المُرمِّز والنموذج
model_name = "gpt2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

# الترميز
def tokenize_function(examples):
    return tokenizer(examples["dialogue"], truncation=True, padding="max_length", max_length=128)

tokenized_datasets = dataset.map(tokenize_function, batched=True, remove_columns=["dialogue", "summary"])

# وسائط التدريب
training_args = TrainingArguments(
    output_dir="./results",
    per_device_train_batch_size=2,
    num_train_epochs=1,
    logging_dir="./logs",
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_datasets,
)

trainer.train()

بفضل مساحة العمل المزودة بوحدات GPU، يكتمل التدريب في دقائق بدلاً من ساعات على وحدة CPU.

المثال 2: بناء أنبوب استرجاع معزز بالتوليد (RAG)

يُعد RAG نمطًا شائعًا لتغذية مخرجات LLM ببيانات خاصة. باستخدام مكتبات `langchain` و `chromadb` المثبتة مسبقًا في مساحة العمل، يمكنك تجميع نظام RAG بسرعة:

from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import Chroma
from langchain.text_splitter import CharacterTextSplitter
from langchain.llms import OpenAI  # يتطلب تعيين مفتاح API في البيئة
from langchain.chains import RetrievalQA

# مستندات نموذجية
docs = [{"text": "DeepLearning.AI Pro توفر مساحات عمل مع GPU."},
        {"text": "وحدات GPU السحابية من AWS و Azure مدمجة."}]

# تقسيم وتضمين
text_splitter = CharacterTextSplitter(chunk_size=200, chunk_overlap=0)
texts = text_splitter.split_documents([doc["text"] for doc in docs])

embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")
db = Chroma.from_documents(texts, embeddings)

# إعداد سلسلة الأسئلة والأجوبة (يتطلب مفتاح OpenAI API)
llm = OpenAI(temperature=0)
qa_chain = RetrievalQA.from_chain_type(llm, retriever=db.as_retriever())

answer = qa_chain.run("ماذا توفر DeepLearning.AI Pro؟")
print(answer)

مساحة العمل تحتوي بالفعل على نموذج تضمين Hugging Face في ذاكرة التخزين المؤقت، لذا فإن أول تشغيل سيحمله تلقائيًا.

المثال 3: نشر نموذج رؤية حاسوبية كواجهة API

بعد تدريب نموذج رؤية، قد ترغب في تقديمه كخدمة. تتضمن مساحات عمل DeepLearning.AI Pro الأدوات اللازمة لإنشاء نقطة نهاية بسيطة باستخدام FastAPI. داخل طرفية مساحة العمل، أنشئ ملفًا باسم `app.py`:

from fastapi import FastAPI, File, UploadFile
from PIL import Image
import torch
import torchvision.transforms as transforms
from torchvision.models import resnet18

app = FastAPI()
model = resnet18(pretrained=True)
model.eval()

transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

@app.post("/predict")
async def predict(image: UploadFile = File(...)):
    img = Image.open(image.file).convert("RGB")
    img_tensor = transform(img).unsqueeze(0)
    with torch.no_grad():
        outputs = model(img_tensor)
    _, predicted = torch.max(outputs, 1)
    return {"class_id": predicted.item()}

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

ابدأ الخادم باستخدام الأمر التالي:

python app.py

توفر مساحة العمل رابطًا عامًا (من واجهة JupyterLab) لاختبار نقطة النهاية.

أفضل الممارسات والنصائح

للحصول على أقصى استفادة من اشتراكك في DeepLearning.AI Pro:

• **استخدم دليل `/home` المستمر** لتخزين مجموعات البيانات والنماذج – فهو يستمر بعد إيقاف مساحة العمل وإعادة تشغيلها.
• **راقب أرصدتك الحاسوبية** عبر لوحة التحكم على موقع DeepLearning.AI Pro. يعرض أمر CLI `dlai-pro balance` الرصيد المتبقي.
• **شارك الدفاتر** عن طريق إضافة أعضاء الفريق إلى مساحة العمل الخاصة بك (متاح في واجهة الويب لـ Pro). يمكن للمتعاونين التحرير في وقت واحد.
• **تابع المصادر الرسمية** – مدونة DeepLearning.AI (*The Batch*)، أخبار OpenAI، مدونة Google AI، ومدونة Microsoft AI – للحصول على إعلانات حول التكاملات الجديدة للنماذج وتحديثات الأدوات. يتم تحديث مساحة العمل الاحترافية لدعم هذه الإصدارات بعد وقت قصير من إعلانها.
• **استخدم متغيرات البيئة** لمفاتيح API. قم بتعيينها في بيئة JupyterLab (مثل `OPENAI_API_KEY`) بدلاً من كتابتها بشكل ثابت في الدفاتر.

الخاتمة

تقوم DeepLearning.AI Pro بسد الفجوة بين تعلم الذكاء الاصطناعي وممارسته على نطاق واسع. من خلال توفير مساحة عمل جاهزة ومدعومة بوحدات GPU مع جميع المكتبات الرئيسية مثبتة مسبقًا، فإنها تزيل الاحتكاك الناتج عن إعداد البيئة وتسمح للممارسين بالتركيز على ما يهم حقًا: بناء ونشر التطبيقات الذكية.

في هذه المقالة، استعرضنا المتطلبات، والتثبيت المباشر لأداة CLI، وثلاثة أمثلة عملية – ضبط نموذج LLM، بناء أنبوب RAG، ونشر نموذج رؤية. تعكس هذه الأمثلة العمل اليومي لمهندسي الذكاء الاصطناعي المعاصرين، ومع DeepLearning.AI Pro، تصبح كل خطوة أبسط وأسرع وأكثر قابلية للتكرار.

سواء كنت ممارسًا فرديًا يدفع حدود مشروعه الشخصي، أو عضوًا في فريق ذكاء اصطناعي مؤسسي، فإن DeepLearning.AI Pro تمنحك الأدوات المتطورة التي تحتاجها لتحويل الأفكار إلى تأثير حقيقي – دون عناء البنية التحتية. ابدأ نسختك التجريبية المجانية اليوم على deeplearning.ai واختبر الفرق الذي تُحدثه مساحة العمل الاحترافية.