مفهوم التدريب المستمر (CT)

CI/CD يوصل نموذجك للإنتاج. لكن ماذا يحدث عندما يتدهور هذا النموذج؟ التدريب المستمر (CT) يعيد تدريب النماذج تلقائياً عند الحاجة—مكملاً حلقة أتمتة التعلم الآلي.

ما وراء CI/CD: امتداد CT

CI/CD التقليدي:
  تغيير الكود → البناء → الاختبار → النشر

ML CI/CD + CT:
  تغيير الكود  ─┐
  تغيير البيانات─┼─→ البناء → الاختبار → النشر ─┐
  الجدول       ─┤                              │
  تنبيه الانحراف─┘                             │
                                              │
  ┌───────────────────────────────────────────┘
  │
  ▼
  المراقبة → اكتشاف الانحراف → محفز إعادة التدريب → خط أنابيب CI/CD

استراتيجيات محفزات CT

محفزات مختلفة تناسب سيناريوهات مختلفة:

المحفز	متى تستخدمه	مثال
مجدول	أنماط بيانات متوقعة	إعادة التدريب أسبوعياً لطلب التجزئة
قائم على البيانات	بيانات جديدة متاحة	إعادة التدريب عند وصول 10K عينة جديدة
قائم على الأداء	تدهور النموذج	إعادة التدريب عند انخفاض الدقة تحت 0.80
قائم على الانحراف	تغير التوزيع	إعادة التدريب عند PSI > 0.2
عند الطلب	متطلب عمل	إعادة التدريب بعد إطلاق منتج كبير

تنفيذ CT مع GitHub Actions

إعادة التدريب المجدولة

name: Scheduled Retraining

on:
  schedule:
    - cron: '0 2 * * 0'  # كل أحد الساعة 2 صباحاً
  workflow_dispatch:      # السماح بالتحفيز اليدوي

jobs:
  check-and-retrain:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4

      - name: Check if retraining needed
        id: check
        run: |
          python scripts/check_retrain_needed.py
          echo "needed=$(cat retrain_needed.txt)" >> $GITHUB_OUTPUT

      - name: Trigger training pipeline
        if: steps.check.outputs.needed == 'true'
        run: |
          gh workflow run train.yml
        env:
          GH_TOKEN: ${{ secrets.GITHUB_TOKEN }}

المحفز القائم على الأداء

name: Performance Monitor

on:
  schedule:
    - cron: '0 * * * *'  # كل ساعة

jobs:
  monitor:
    runs-on: ubuntu-latest
    steps:
      - name: Check model performance
        run: |
          python scripts/check_performance.py \
            --model-name "fraud-detector" \
            --min-accuracy 0.80

      - name: Trigger retraining if degraded
        if: failure()
        run: |
          gh workflow run train.yml \
            --field reason="performance_degradation"

محفز انحراف البيانات

# scripts/check_drift.py
import pandas as pd
from scipy import stats

def calculate_psi(baseline, current, bins=10):
    """Calculate Population Stability Index."""
    baseline_hist, edges = np.histogram(baseline, bins=bins)
    current_hist, _ = np.histogram(current, bins=edges)

    baseline_pct = baseline_hist / len(baseline)
    current_pct = current_hist / len(current)

    # تجنب القسمة على صفر
    baseline_pct = np.where(baseline_pct == 0, 0.0001, baseline_pct)
    current_pct = np.where(current_pct == 0, 0.0001, current_pct)

    psi = np.sum((current_pct - baseline_pct) * np.log(current_pct / baseline_pct))
    return psi

def check_drift(feature_name, threshold=0.2):
    baseline = pd.read_parquet(f"data/baseline/{feature_name}.parquet")
    current = pd.read_parquet(f"data/current/{feature_name}.parquet")

    psi = calculate_psi(baseline[feature_name], current[feature_name])

    if psi > threshold:
        print(f"Drift detected in {feature_name}: PSI={psi:.3f}")
        return True
    return False

أنماط معمارية CT

النمط 1: CT مجدول بسيط

┌─────────────────────────────────────────┐
│           CT مجدول بسيط                 │
├─────────────────────────────────────────┤
│                                         │
│  Cron ──▶ سحب البيانات ──▶ تدريب ──▶ نشر│
│  (أسبوعياً)                             │
│                                         │
└─────────────────────────────────────────┘

الإيجابيات: بسيط، متوقع السلبيات: قد يعيد التدريب بدون ضرورة أو يفوت الانحراف

النمط 2: CT مراقَب

┌─────────────────────────────────────────┐
│            CT مراقَب                    │
├─────────────────────────────────────────┤
│                                         │
│  الإنتاج ──▶ المراقبة ──▶ انحراف؟       │
│       │                        │        │
│       │                        ▼ نعم    │
│       │                  إعادة التدريب  │
│       │                        │        │
│       └────────────────────────┘        │
│                   النشر                 │
└─────────────────────────────────────────┘

الإيجابيات: يعيد التدريب فقط عند الحاجة السلبيات: يتطلب بنية تحتية للمراقبة

النمط 3: CT الظلي

┌─────────────────────────────────────────┐
│             CT الظلي                    │
├─────────────────────────────────────────┤
│                                         │
│  نموذج الإنتاج ──▶ خدمة حركة المرور     │
│         │                               │
│         ▼                               │
│  إعادة التدريب المستمرة (ظل)            │
│         │                               │
│         ▼                               │
│  الظل أفضل؟ ──نعم──▶ ترقية              │
│                                         │
└─────────────────────────────────────────┘

الإيجابيات: دائماً لديه نموذج جاهز محدث السلبيات: تكاليف حوسبة أعلى

أفضل ممارسات CT

الممارسة	لماذا
إصدار كل شيء	معرفة ما تغير بالضبط بين إعادات التدريب
أتمتة التحقق	لا تنشر أبداً نموذج متدهور
ضع تنبيهات، ليس فقط محفزات	البشر يجب أن يعرفوا متى يعمل CT
ميزانية للحوسبة	CT يزيد تكاليف التدريب
اختبار A/B للنماذج الجديدة	لا تفترض أن المُعاد تدريبه أفضل

مستويات MLOps من Google وCT

Google يحدد مستويات نضج MLOps بناءً على أتمتة CT:

المستوى	نهج CT
المستوى 0	إعادة التدريب اليدوية
المستوى 1	خط أنابيب تدريب آلي، تحفيز يدوي
المستوى 2	CT آلي مع محفزات المراقبة

المقاييس الرئيسية لقرارات CT

# مثال: منطق قرار CT
def should_retrain():
    metrics = get_current_metrics()

    # تدهور الأداء
    if metrics['accuracy'] < ACCURACY_THRESHOLD:
        return True, "accuracy_drop"

    # انحراف البيانات
    if metrics['psi'] > PSI_THRESHOLD:
        return True, "data_drift"

    # القِدم
    if days_since_last_train() > MAX_MODEL_AGE:
        return True, "model_staleness"

    # حجم بيانات جديدة
    if new_samples_count() > MIN_NEW_SAMPLES:
        return True, "new_data_available"

    return False, None

الرؤية الرئيسية: CT ليس عن إعادة التدريب أكثر—إنه عن إعادة التدريب في الوقت المناسب بالبيانات المناسبة.

التالي، سنستعرض مشهد الأدوات لـ ML CI/CD. :::