كيفية إنشاء بنى تحتية لتكنولوجيا المعلومات مدعومة بالذكاء الاصطناعي على نظامي التشغيل ويندوز وأزور

لم يعد تصميم البنى التحتية لتكنولوجيا المعلومات المدعومة بالذكاء الاصطناعي في بيئات ويندوز وأزور مقتصراً على المختبرات التجريبية. بل أصبح اليوم واقعاً ملموساً، بفضل الأدوات المتطورة، والبنى المرجعية عالية الدقة، والخدمات المُدارة التي تُمكّنك من الانتقال من الفكرة إلى الإنتاج في وقت قصير جداً، مع الحفاظ على الأمن والحوكمة والتكاليف تحت السيطرة.

لم يعد الهدف مجرد "وضع الذكاء الاصطناعي فوق الأنظمة الحالية"، بل بناء البنية التحتية اللازمة للبيانات والحوسبة والأمن بحيث يصبح الذكاء الاصطناعي جزءًا طبيعيًا من أحمال العمل: من تطبيقات الأعمال على نظام التشغيل Windows إلى الحلول الأصلية على Azure التي تجمع بين التعلم الآلي التقليدي والذكاء الاصطناعي التوليدي والوكلاء الأذكياء والتحليلات المتقدمة.

ماذا نعني بالذكاء الاصطناعي في البنية التحتية الحديثة لتكنولوجيا المعلومات؟

عندما نتحدث عن الذكاء الاصطناعي في Azure، فإننا نشير إلى مجموعة من التقنيات التي تسمح للآلات بمحاكاة القدرات المعرفية البشرية : تحليل المعلومات المعقدة، وفهم اللغة الطبيعية، وتفسير الصور والصوت، والتحدث بطلاقة، أو إنشاء محتوى جديد تمامًا.

من الناحية العملية، يجب أن تكون البنية التحتية لتكنولوجيا المعلومات المدعومة بالذكاء الاصطناعي قادرة على دعم التطبيقات التي يمكنها، على سبيل المثال، تحليل كميات هائلة من البيانات لإنشاء صور أو مقاطع فيديو ، وفهم اللغة وتوليفها في الوقت الفعلي، والتفاعل مع المستخدمين عن طريق الصوت، وإنشاء التعليمات البرمجية، وإجراء التنبؤات، أو إثراء عمليات الأعمال بتوصيات ذكية.

بالنسبة لمهندس الحلول، يكمن التحدي في جانبين: من ناحية، فهم المشهد الكامل للذكاء الاصطناعي والتعلم الآلي ؛ ومن ناحية أخرى، معرفة كيفية ملاءمة خدمات Azure المناسبة (التعلم الآلي، وAzure AI، وFabric، وFoundry، وما إلى ذلك) في تصميم عبء العمل دون الإخلال بمبادئ الأمان والموثوقية والأداء وتحسين التكلفة.

مبادئ الهندسة المعمارية: إطار عمل Azure المصمم جيدًا للذكاء الاصطناعي

لخصت مايكروسوفت سنوات من الخبرة في إطار عمل Azure Well-Architected ، الذي ينطبق أيضاً، مع بعض الاختلافات، على أحمال عمل الذكاء الاصطناعي والتعلم الآلي. يوفر مركز Azure Architecture Center نماذج معمارية، وأدلة تفصيلية، ومعايير أساسية يمكنك تطبيقها بسهولة في سيناريوهاتك، طالما أنك تلتزم بالركائز الخمس الأساسية: الموثوقية، والأمان، وتحسين التكلفة، والتميز التشغيلي، وكفاءة الأداء.

تتميز حلول الذكاء الاصطناعي بخصائص فريدة: نماذج يتم تدريبها وإعادة تدريبها باستمرار، وخطوط بيانات متواصلة، ووحدات معالجة رسومية مشتركة، وخدمات خارجية (مثل نماذج اللغة) يتم استهلاكها عبر واجهات برمجة التطبيقات، ومتطلبات حوكمة بيانات أكثر صرامة . لهذا السبب، نوفر أدلة خاصة لأحمال عمل الذكاء الاصطناعي ضمن إطار العمل المصمم جيدًا، مع توصيات عملية للتصميم والأمان والبيانات وقابلية المراقبة.

الفكرة هي أنك لا تبدأ من الصفر: يمكنك أخذ البنى المرجعية للذكاء الاصطناعي والتعلم الآلي في Azure الموثقة بالفعل (مثل تلك القائمة على Foundry وAzure OpenAI) وتكييفها مع مؤسستك، وإضافة سياسات الشبكة والهوية والامتثال والعمليات الخاصة بك.

مفاهيم الذكاء الاصطناعي الأساسية لتصميم البنى التحتية

قبل تحديد الشبكات الفرعية أو حسابات التخزين أو المجموعات، من المفيد فهم كيفية عمل الذكاء الاصطناعي داخليًا. لستَ بحاجة لأن تكون عالم بيانات، ولكن عليك فهم اللبنات الأساسية التي تحدد البنية التقنية والتبعيات التي ستحتاج إلى نشرها وصيانتها.

الخوارزميات ونماذج التعلم الآلي

تُعدّ خوارزميات التعلّم الآلي جوهر أي حلول الذكاء الاصطناعي ، وهي عبارة عن أجزاء من التعليمات البرمجية التي تعالج البيانات، وتكتشف الأنماط، وتُنشئ نماذج تنبؤية أو تصنيفية. كل خوارزمية عبارة عن مجموعة محدودة من التعليمات التي تُنفذها الآلة خطوة بخطوة لتحقيق هدف مُحدد: تحديد ما إذا كانت الصورة تحتوي على كلب أو قطة، أو اكتشاف لغة، أو ترجمة نص، أو تحديد خلل في عملية صناعية.

ينتج عن تطبيق هذه الخوارزميات في التدريب نموذج تعلّم آلي قادر على تعميم ما تعلّمه واتخاذ القرارات بناءً على بيانات جديدة. ويؤثر اختيار نوع الخوارزمية (الأشجار، الشبكات العصبية، الانحدارات، التجميع، إلخ) على متطلبات الحوسبة والذاكرة والتخزين، بالإضافة إلى وقت التدريب، وبالتالي على كيفية تحديد حجم البنية التحتية لـ Azure.

التعلم الآلي الكلاسيكي

يعتمد التعلم الآلي التقليدي على خوارزميات تحلل حقول البيانات وتتعلم الأنماط، والتي تُترجم بعد ذلك إلى تنبؤات . وتتلخص الدورة عادةً في: تدريب نموذج باستخدام بيانات تاريخية، والتحقق من صحته باستخدام بيانات معروفة، وقياس أدائه وفقًا لمؤشرات الأداء الرئيسية (الدقة، والاستدعاء، ومساحة تحت المنحنى، وما إلى ذلك)، وتعديل المعلمات الفائقة، وتكرار ذلك حتى الوصول إلى نموذج مستقر.

من حيث البنية، يتضمن ذلك خطوط نقل البيانات للتدريب وإعادة التدريب ، وتخزين مجموعات البيانات (للتاريخية والتدريب والتحقق والاختبار)، والحوسبة القابلة للتوسع (وحدة المعالجة المركزية، وفي بعض الحالات، وحدة معالجة الرسومات)، والخدمات اللازمة للنشر الإنتاجي، حيث يتلقى النموذج بيانات جديدة ويعيد الدرجات أو القرارات.

التعلم العميق والشبكات العصبية

عندما ننتقل إلى التعلم العميق، فإننا نتحدث عن الشبكات العصبية ذات الطبقات المتعددة التي تعالج المعلومات بشكل هرمي . تقوم كل طبقة بتحويل المدخلات وتمريرها إلى الطبقة التالية، مما يسمح بتمثيل أنماط أكثر تعقيدًا بكثير من تلك التي تلتقطها الخوارزميات الأبسط.

يؤثر هذا بشكل مباشر على البنية التحتية: تتطلب نماذج التعلم العميق عادةً كميات هائلة من البيانات وقدرات حاسوبية مكثفة ، غالباً باستخدام وحدات معالجة الرسومات أو حتى أجهزة متخصصة. في Azure، يُترجم هذا إلى استخدام أحجام أجهزة مُحسّنة للذكاء الاصطناعي، وخدمات مُدارة مثل Azure Machine Learning مع مجموعات تدريب، أو منصات مثل Azure Databricks التي تدعم التدريب الموزع.

الذكاء الاصطناعي التوليدي ونماذج اللغة

تُعدّ تقنية الذكاء الاصطناعي التوليدي أحدث ثورة في مجال الذكاء الاصطناعي ، حيث يتم تدريبها على إنتاج محتوى أصلي من النصوص والصور والصوت أو مزيج من الوسائط المتعددة. وباستخدام هذه النماذج، يمكنك أن تطلب منها باللغة الطبيعية كتابة تقرير، أو توليد شفرة برمجية، أو إنشاء مقطع فيديو قصير، أو شرح صورة.

ضمن هذه الفئة، تبرز نماذج اللغة . تُدرَّب هذه النماذج على كميات هائلة من النصوص، وتُمثَّل داخليًا بواسطة معلمات (أوزان) تُشفِّر العلاقات بين الكلمات والمفاهيم. يُحدِّد حجم النموذج (المقاس بمليارات المعلمات) كلاً من قدرته التعبيرية وتكلفة تشغيل الاستدلالات، وهو أمر بالغ الأهمية عند تصميم جداول التوسع، واتفاقيات مستوى الخدمة، والميزانيات في Azure.

تُقدّم مايكروسوفت عائلاتها الخاصة من النماذج، مثل Phi-4 ، مع إصدارات أصغر مثل Phi-4-Mini أو Phi-4-Multimodal-instruct، والتي تُوازن بين الأداء والتكلفة. تتميز النماذج الأصغر حجمًا بخفة وزنها، وسهولة استخدامها في كثير من الأحيان، وفي بعض الحالات يُمكن استضافتها بالقرب من المستخدم أو حتى على نفس الجهاز، مما يُقلل من زمن الاستجابة ويُحسّن الخصوصية.

مساعدو الطيارين والوكلاء والقادة في RAG

أتاحت نماذج اللغة طريقة جديدة للتفاعل مع الأنظمة، وهي ما يُعرف بالمساعدين الرقميين . هؤلاء المساعدون مُدمجون في التطبيقات (مثل Microsoft 365 Copilot) ويفهمون السياق ويساعدون في المهام المعقدة، عادةً عبر واجهات الدردشة. يجمع الهيكل الأساسي بين نماذج اللغة، وموصلات بيانات الأعمال، وقواعد الأمان، والأدوات التي يمكن للنموذج استدعاؤها.

يُعدّ توليد البيانات المُعزز بالاسترجاع (RAG) نمطًا أساسيًا لإثراء هذه النماذج المساعدة . فبدلًا من الاعتماد كليًا على المعرفة "العامة" المستخدمة لتدريب النموذج، نضيف طبقة استرجاع تبحث في مصادر داخلية (فهارس المتجهات، وقواعد البيانات، ومستودعات البيانات) وتمرر تلك المعلومات إلى النموذج كسياق. وهذا يُتيح لنا التحكم في البيانات المستخدمة وتضييق نطاق الاستجابة.

في البنى الأكثر تطوراً ، تظهر وكلاء الذكاء الاصطناعي - وهي مكونات لا تقتصر وظيفتها على الاستجابة للمستخدم فحسب، بل تتخذ أيضاً قرارات مستقلة، وتنسق المهام، وتتواصل فيما بينها. وتقوم بنية الوكلاء المتعددين بتقسيم المشكلات المعقدة إلى وكلاء متخصصين يتعاونون فيما بينهم: فبعضهم يبحث عن البيانات، وبعضهم الآخر يخطط، بينما يتفاعل البعض الآخر مع واجهات برمجة التطبيقات الخارجية. وتسهل أدوات مثل إطار عمل وكلاء مايكروسوفت أو سير عمل Foundry هذه العملية التنسيقية.

خدمات الذكاء الاصطناعي وقواعد البيانات في Azure

بمجرد وضوح المفاهيم، يحين وقت ربطها بخدمات محددة. توفر Azure مجموعة متكاملة من الخدمات للبيانات، والذكاء الاصطناعي التقليدي، والذكاء الاصطناعي التوليدي، والحوكمة. يكمن السر في تجميعها وفقًا لحالة استخدامك دون تكرار المكونات أو إنشاء مستودعات بيانات معزولة.

التعلم الآلي من Azure و AutoML

تُعدّ خدمة Azure Machine Learning الخيار الأمثل لإدارة دورة حياة التعلّم الآلي بأكملها : بدءًا من استكشاف البيانات والتدريب وصولًا إلى النشر والمراقبة. وهي تتضمن واجهة ويب، ومجموعات تطوير برمجية (SDKs)، ودعمًا لأطر العمل الشائعة مثل PyTorch وTensorFlow وscikit-learn.

تشمل الميزات الرئيسية ميزة AutoML، التي تُؤتمت اختيار الخوارزمية، وضبط المعلمات الفائقة، وبعض عمليات هندسة الميزات، بالإضافة إلى دعم مُدمج لـ MLflow كخادم تتبع . يمكنك استخدام مساحة عمل Azure Machine Learning كخادم خلفي لـ MLflow، وتسجيل التجارب والنماذج والمقاييس، وإعادة استخدام مسارات التدريب دون الحاجة إلى إعادة كتابة التعليمات البرمجية.

أثناء التدريب، تتضمن عملية سير العمل التقليدية تصنيف البيانات، وتكوين الخوارزمية، وتدريب النموذج، والتحقق من صحته باستخدام بيانات جديدة، وإذا لزم الأمر، إجراء التعديلات أو إعادة التدريب. أما في بيئة الإنتاج، فيقوم النموذج بتقييم البيانات في الوقت الفعلي أو على دفعات عبر واجهات برمجة تطبيقات REST، أو نقاط نهاية الوقت الفعلي، أو مهام الدفعات.

مايكروسوفت فاوندري، وخدمة الوكيل، وأدوات الذكاء الاصطناعي التوليدي

Foundry هي منصة Azure لبناء ونشر تطبيقات الذكاء الاصطناعي التوليدية المخصصة . وهي توفر الحسابات والمشاريع كوحدات تعاونية، وكتالوجًا للنماذج (بما في ذلك GPT وClaude وPhi وGrok وما إلى ذلك)، وأدوات للضبط الدقيق، وتقييم RAG والجودة، وبيئة مُدارة لنشر الوكلاء وواجهات برمجة التطبيقات.

تُمكّن خدمة Foundry Agent من إنشاء وكلاء ذكاء اصطناعي باستخدام أسلوب كتابة برمجي منخفض أو بدون كتابة أي كود، حيث يتم عرضها كخدمات مصغّرة وربطها بنموذج أساسي، ومخازن معرفة خاصة (لـ RAGs)، وأدوات خارجية. علاوة على ذلك، تُسهّل أدوات Foundry التكامل مع خدمات Azure الأخرى، بالإضافة إلى حزم تطوير البرامج الشائعة مثل Visual Studio Code وGitHub وSemantic Kernel.

تتمثل إحدى المزايا الرئيسية في أنه يمكنك ضبط النماذج بدقة لتناسب بياناتك ، مما يؤدي إلى الحصول على استجابات أكثر توافقًا مع سياقك، وتقليل طول المطالبة، وفي كثير من الحالات، تقليل تكلفة الرمز المميز وزمن الاستجابة.

Copilot Studio والمساعدين في Microsoft 365 و Fabric

بالنسبة للسيناريوهات الأقرب إلى المستخدم النهائي، يتيح لك Copilot Studio إنشاء أدوات مساعدة مخصصة تتكامل مع Microsoft 365 وقنوات داخلية أو خارجية أخرى. وهو مفيد بشكل خاص إذا كنت ترغب في توسيع أدوات المساعدة الحالية لتشمل سير العمل الخاص بك، أو قواعد العمل، أو الوصول إلى الأنظمة الداخلية دون الحاجة إلى البدء من الصفر.

في مجال البيانات، يدمج Microsoft Fabric أدوات مساعدة متخصصة تُسهم في تحويل البيانات وتحليلها، وإنشاء التقارير والرسوم البيانية ، وتوليد الاستعلامات في Power BI باستخدام اللغة الطبيعية. كل هذا مدعوم بـ OneLake، وهو عبارة عن بحيرة بيانات موحدة ومجموعة مشتركة من خدمات هندسة البيانات، وعلوم البيانات، والذكاء في الوقت الفعلي، وتخزين البيانات.

منصات البيانات والحوسبة للذكاء الاصطناعي على Azure

لا يعمل الذكاء الاصطناعي بمعزل عن غيره، فهو يحتاج إلى بيانات نظيفة، ومتاحة، ومنظمة بشكل جيد، بالإضافة إلى منصات حوسبة قادرة على معالجتها على نطاق واسع. في بيئات ويندوز وأزور، يتحقق ذلك من خلال مزيج من بحيرات البيانات، ومستودعات البيانات، وسبارك، وداتابريكس، وخدمات التكامل.

مايكروسوفت فابريك وون ليك

تعمل منصة Microsoft Fabric كمنصة موحدة وشاملة للبيانات والتحليلات . فبدلاً من وجود مصادر ووحدات استخراج البيانات وتحويلها وتحميلها (ETL) ومخازن البيانات والنماذج المتناثرة، تعمل Fabric على مركزة التخزين في OneLake وتقديم تجارب متكاملة لهندسة البيانات، ومصنع البيانات، وعلم البيانات، والذكاء في الوقت الفعلي، ومستودعات البيانات، وقواعد البيانات التحليلية.

OneLake عبارة عن بحيرة بيانات منطقية وموحدة للمؤسسة، مبنية على Azure Data Lake Storage. تدعم OneLake البيانات المهيكلة وغير المهيكلة ، وتستخدم Delta-Parquet للبيانات الجدولية، وتتيح فصل مساحات العمل بسياسات وصول مختلفة. يساهم تكاملها الجاهز مع Fabric في تقليل التعقيدات بشكل كبير في دمج خدمات التخزين والحوسبة والذكاء الاصطناعي.

Spark on Fabric وAzure Databricks وHDInsight

يُعدّ Spark مكونًا أساسيًا لأحمال العمل ذات الأحجام الكبيرة. في Fabric، توفر بيئة تشغيل Fabric بيئة Spark متكاملة مع دعم Delta Lake، وحزم مثبتة مسبقًا للغات Java وScala وPython وR، ونظام تشغيل أساسي مُحسَّن لمختلف تكوينات الأجهزة. يتيح لك هذا تشغيل كلٍّ من مسارات هندسة البيانات وتجارب علوم البيانات في نفس البيئة.

تُضيف Azure Databricks منصة تعاونية قائمة على Spark مع سير عمل متكامل للتعلم الآلي . يتضمن وقت تشغيل التعلم الآلي مكتبات مثل TensorFlow وPyTorch وKeras وXGBoost، بالإضافة إلى دعم التدريب الموزع باستخدام Horovod. كما تتضمن Mosaic AI Vector Search، التي تُمكّن المستخدمين من تخزين واسترجاع التضمينات لسيناريوهات RAG، والتوصيات، أو عمليات البحث عن التشابه.

إذا كنت تفضل نهجًا أكثر كلاسيكية، فإن Spark على Azure HDInsight يوفر مجموعات مُدارة متصلة بـ Azure Storage و Data Lake Storage، مع مكتبة SynapseML للتعلم الآلي الموزع والشبكات العصبية وخدمات الذكاء الاصطناعي واسعة النطاق.

تخزين بحيرة البيانات ومخازن البيانات الأخرى

بالنسبة للتخزين المادي، يعمل Azure Data Lake Storage كمستودع مركزي للبيانات الأولية ، سواء كانت منظمة أو غير منظمة. وهو يوفر دلالات نظام الملفات، وأمانًا على مستوى الملفات، وقابلية توسع هائلة، ويستفيد من قوة Azure Blob Storage (بما في ذلك التخزين متعدد المستويات، والتوافر العالي، والتعافي من الكوارث، والنسخ الاحتياطية ).

في بنى الذكاء الاصطناعي الحديثة، يعمل تخزين بحيرة البيانات كأساس لبحيرات بيانات المؤسسات التي يمكنها التعامل مع بيتابايت من المعلومات مع مئات الجيجابايت من الإنتاجية لعمليات نقل الشبكة المحلية الضخمة ، مما يدعم نماذج التعلم الآلي ومحركات البحث المتجهة وحلول التحليلات المتقدمة.

معالجة البيانات وتكاملها للذكاء الاصطناعي

تعتمد جودة نماذجك بشكل مباشر على جودة بياناتك. لذلك، عند بناء بنى تحتية لتكنولوجيا المعلومات مدعومة بالذكاء الاصطناعي، من الضروري إنشاء مسارات قوية لاستيعاب البيانات وتنظيفها وتحويلها، تغذي بيئات التدريب والاستدلال على حد سواء.

مصنع بيانات النسيج

تتيح لك منصة Fabric Data Factory إدارة تدفقات البيانات واسعة النطاق باستخدام كلٍ من خطوط الأنابيب عالية البرمجة ومنخفضة البرمجة . يمكنك نقل البيانات من قواعد البيانات، ومستودعات البيانات، وبحيرات البيانات، أو تدفقات البيانات في الوقت الفعلي، وتطبيق أكثر من 300 عملية تحويل ضمن تدفقات البيانات، وأتمتة عمليات التحميل الدورية أو المتدفقة.

تتمتع هذه الخدمة بموقع جيد بشكل خاص عندما تتضمن استراتيجيتك توحيد كل شيء في Fabric و OneLake، حيث أنها تقلل من الربط اليدوي بين الأصول والوجهات ونماذج الذكاء الاصطناعي، وتتكامل مع نظام أمن وحوكمة المؤسسة.

Azure Databricks لهندسة الميزات

بالنسبة للسيناريوهات التي تتطلب هندسة ميزات متقدمة، توفر Azure Databricks مسارات بيانات موجهة نحو التعلم الآلي . يمكنك استيعاب البيانات الأولية، وإنشاء جداول الميزات، وتدريب النماذج، وتنسيق الاستدلال الدفعي، كل ذلك مع إدارة بيانات تعريف الميزات في كتالوج Unity بحيث يمكن للنتائج المستقبلية استرداد قيم الإدخال اللازمة تلقائيًا.

يساعد هذا النهج في تجنب الأخطاء الشائعة مثل عدم التوافق بين بيانات التدريب وبيانات الإنتاج ، مع تبسيط المنطق بشكل كبير للفرق التي تستخدم النموذج، حيث لا يتعين عليهم القلق بشأن إعادة بناء الميزات يدويًا.

موصلات Azure Data Factory و Synapse

عندما تتوزع بياناتك على أنظمة متعددة (محلية، سحابية، وغيرها من الخدمات السحابية)، توفر مسارات Azure Data Factory وAzure Synapse Analytics موصلات لمجموعة واسعة من مخازن البيانات وتنسيقاتها . يتيح لك هذا نسخ البيانات أو تحويلها أو البحث فيها أو قراءة بياناتها الوصفية أو حذفها من مصادر متنوعة دون الحاجة إلى إنشاء موصلات مخصصة.

عند تصميم البنية التحتية، من الجيد مركزة عمليات التكامل هذه في مركز بيانات واحد أو أكثر يتم إدارته بشكل جيد ، والذي يتم من خلاله تغذية كل من البحيرات ومستودعات البيانات المحسّنة بالذكاء الاصطناعي، مما يقلل من ازدواجية خطوط الأنابيب ويحسن قابلية التدقيق.

الذكاء الاصطناعي المخصص على Azure: ما وراء النموذج العام

تغطي النماذج المدربة مسبقًا العديد من حالات الاستخدام العامة، لكن الشركات تحصل على قيمة أكبر عندما تُخصّص الذكاء الاصطناعي لمجالها : مفردات محددة، ومستندات مخصصة، وقواعد عمل فريدة، ولغات مُدمجة، وما إلى ذلك. تقدم Azure مجموعة واسعة من الخدمات لهذا الغرض.

التعلم الآلي في Azure: التدريب، والتعلم الآلي التلقائي، وعمليات التعلم الآلي

باستخدام Azure Machine Learning، يمكنك تدريب كل شيء بدءًا من النماذج البسيطة وصولًا إلى الشبكات العميقة المعقدة، وذلك باستخدام مجموعات الحوسبة القابلة للتوسع ووحدات معالجة الرسومات . كما يوفر أدوات لاختيار الخوارزميات، وتحسين المعلمات الفائقة تلقائيًا، وإدارة مجموعات البيانات ذات الإصدارات المختلفة، ونشر النماذج على نقاط نهاية الاستدلال.

علاوة على ذلك، يدمج النظام وظائف الذكاء الاصطناعي المسؤولة للكشف عن التحيزات، وتحليل الأخطاء، ومراجعة قابلية التفسير - وهو أمر بالغ الأهمية عندما تؤثر نماذجك على قرارات حساسة. كما يتيح لك تنظيم الفرق في مراكز ومساحات عمل تتشارك الموارد والأمان والاتصال، مما يسهل إدارة تكنولوجيا المعلومات المركزية.

خدمات الذكاء الاصطناعي المُخصصة: الصوت، والترجمة، والوثائق

في مجال الذكاء الاصطناعي المعرفي، توفر Azure خدمات قابلة للتخصيص مثل Custom Voice ، الذي يحسن التعرف على اللغة في مجالات محددة للغاية من خلال توفير أمثلة صوتية ونصية؛ أو Custom Translator، الذي يسمح لك بتدريب أنظمة الترجمة الآلية العصبية المتكيفة مع مصطلحات شركتك.

بالنسبة للمستندات، توفر خدمة Azure Document Intelligence نماذج مُدرَّبة مسبقًا ونماذج مُخصَّصة قادرة على تحديد أنواع المستندات، واستخراج الحقول، وتصنيفها، وإعادة المعلومات بتنسيق JSON جاهز للاستخدام في تطبيقات الأعمال. يمكنك أيضًا دمج نماذج متعددة لتغطية تنسيقات مختلفة ضمن نفس العملية.

أداة أخرى مفيدة هي فهم المحتوى مع محللها المخصص ، والذي يسمح لك بتحديد قواعد الاستخراج وأنماط الكيانات على المستندات أو الصور أو الصوت أو الفيديو، والحصول على مخرجات منظمة مصممة خصيصًا لتلبية احتياجاتك.

لغات البرمجة للذكاء الاصطناعي على Azure

على مستوى التطوير، لا تزال لغات البرمجة الرائدة في مجال الذكاء الاصطناعي هي Python و R. تهيمن Python بفضل نظامها البيئي لمكتبات التعلم الآلي والتعلم العميق وعلوم البيانات (pandas و NumPy و scikit-learn و PyTorch و TensorFlow وما إلى ذلك)، كما أنها تتكامل بسلاسة مع خدمات Azure.

من ناحية أخرى، تحظى لغة R بتقدير كبير في الإحصاءات المتقدمة والتحليلات الأكاديمية، وهي مدعومة في Azure Machine Learning لتشغيل البرامج النصية، ودفاتر الملاحظات، وسير العمل التفاعلي. في كلتا الحالتين، يمكنك الاستفادة من بيئات التشغيل المُدارة التي تُسهّل تثبيت التبعيات والتكامل مع خدمات مثل التخزين وقواعد البيانات وقوائم انتظار الرسائل.

بنى الذكاء الاصطناعي المرجعية في Azure: مثال Foundry + Azure OpenAI

ولتجسيد هذه المفاهيم، نشرت مايكروسوفت بنى مرجعية مفصلة للغاية . ومن الأمثلة النموذجية على ذلك بنية الدردشة القائمة على Foundry والمنشورة على منطقة هبوط Azure، والمصممة لتطبيقات المحادثة التي تستخدم نماذج OpenAI GPT المُثرية ببيانات المؤسسات.

في هذا التصميم، يدخل المستخدم عبر بوابة تطبيقات مزودة بجدار حماية لتطبيقات الويب (WAF) محمي بواسطة خدمة Azure DDoS Protection، ضمن شبكة افتراضية مزودة بنظام أسماء نطاقات خاص (DNS). ويتم الوصول إلى خدمات مثل Azure App Service وKey Vault وStorage، التي تستضيف تطبيق العميل وتدير البيانات السرية، عبر نقاط نهاية خاصة.

تُقسّم الشبكة إلى عدة شبكات فرعية متخصصة (تُحاكي بنية الشبكة المحلية ): تكامل خدمة التطبيقات، ونقاط النهاية الخاصة، وتكامل Foundry، وشبكات فرعية لوكلاء Azure AI، وAzure Bastion، وخوادم الوصول، ووكلاء البناء، وجدار حماية Azure الذي يُصفّي حركة مرور الإنترنت الصادرة. تُنشر خدمات مثل Azure Cosmos DB وAzure AI Search ومخازن المعرفة والتخزين ضمن هذه الشبكات الفرعية ، وكلها متصلة عبر نقاط نهاية خاصة لتقليل تعرضها للعامة.

في أقصى يمين الرسم التخطيطي، يُمثَّل Foundry بحساب ومشروع؛ تربط هويات Azure المُدارة خدمة وكيل Foundry بالمشروع، الذي بدوره يصل إلى Azure OpenAI وموارد البيانات الأخرى. يُرقم الرسم التخطيطي الخطوات المنطقية التي يتبعها الطلب: من وصوله إلى البوابة إلى استعلام النماذج واسترجاع المعلومات السياقية، مع الحفاظ على حركة البيانات داخل الشبكة الافتراضية ووفقًا لسياسات الأمان المُحددة.

ويندوز، أزور، ونموذج التطوير الجديد المدعوم بالذكاء الاصطناعي

في بيئة مايكروسوفت، لا يقتصر وجود الذكاء الاصطناعي على السحابة فقط: بل تستفيد تطبيقات ويندوز وتطبيقات المستخدم أيضًا من هذه الإمكانيات من خلال المساعدين الإضافيين والمكونات الإضافية.

تُدمج مايكروسوفت تدريجيًا تقنيات OpenAI وChatGPT في Bing وEdge وDynamics 365 وMicrosoft 365، وبالطبع Azure. وتتمثل رؤيتها في تمكين المطورين من الاستغناء عن بناء نماذجهم الخاصة من الصفر ، والاستفادة من نموذج البيانات والذكاء الاصطناعي كطبقة بنية تحتية جديدة لتطوير التطبيقات بسرعة أكبر.

يتيح لك مفهوم المكونات الإضافية على غرار Copilot إنشاء ملحقات تربط تطبيقات الأعمال والخدمات السحابية والأنظمة المحلية بنماذج المحادثة هذه، بحيث تشترك Windows وAzure في نفس بنية الذكاء الاصطناعي وتستفيد من تجربة متسقة عبر جميع الطبقات.

الحوكمة والأمن والتحسين المستمر

لا يقتصر العمل على إعداد البنية التحتية فحسب، بل يشمل أيضاً الحفاظ على أمانها وكفاءتها وتوافقها مع أهداف العمل طويلة الأجل. وهنا تبرز أهمية أدوات مثل Azure Advisor، ومراجعة البنية المُصممة جيداً، وخدمات الدعم الاستباقي من مايكروسوفت.

يُحلل Azure Advisor أحمال العمل الحالية، ويُحدد فرص التحسين عبر الركائز الخمس لإطار العمل المُصمم جيدًا، ويُعطي الأولوية للتوصيات القابلة للتنفيذ . تُضيف مراجعة التصميم الجيد تقييمًا أكثر تنظيمًا مع توصيات مُنسقة لتوجيه عمليات المعالجة اللازمة.

إذا كنت بحاجة إلى دعم أقرب، فإن Microsoft Unified تقدم خدمات استباقية وإمكانية الوصول إلى خبراء يساعدون في صيانة ودمج وتحسين الحل الخاص بك في Azure مع إرشادات شخصية، وهو أمر مفيد بشكل خاص في البيئات الهجينة المعقدة أو عند نشر بنى الذكاء الاصطناعي التوليدية واسعة النطاق.

التدريب والتبني: إعداد الفريق للذكاء الاصطناعي في Azure

التكنولوجيا جاهزة، ولكن إن لم يكن الفريق جاهزًا، فلن تنجح البنية التحتية؛ لذا فإن إنشاء مختبر اختبار يُسهّل عملية التبني. ولهذا السبب، من الأهمية بمكان الاستثمار في تدريب متخصص في الذكاء الاصطناعي على منصة Azure ، وخاصةً للمختصين في مجالات الهندسة المعمارية والتطوير والعمليات والبيانات.

تقدم مايكروسوفت دورات تدريبية تتراوح بين الأساسيات، مثل دورة "مقدمة في الذكاء الاصطناعي في Azure" ، وصولاً إلى شهادات متقدمة مثل شهادة "مهندس الذكاء الاصطناعي المساعد في Azure"، والتي تركز على تصميم وتنفيذ حلول الذكاء الاصطناعي باستخدام خدمات المنصة. بالإضافة إلى ذلك، توجد دورات تدريبية موجهة نحو Foundry وAzure Machine Learning وFabric، وبناء بنى تحتية جاهزة للإنتاج في مجال الذكاء الاصطناعي مع ضوابط أمنية، وعزل الشبكة، وإدارة الهويات، وحوكمة الحاويات.

يتسارع التبني الحقيقي عندما تجمع هذا التدريب مع مشاريع تجريبية محددة جيدًا ، حيث يمكن للفريق التعلم من خلال الممارسة: نشر أول نظام تصنيف مستندات مؤسسي، أو مشروع تجريبي داخلي، أو نظام تصنيف مستندات آلي مع ذكاء المستندات وفهم المحتوى.

في نهاية المطاف، يتطلب بناء بنى تحتية لتكنولوجيا المعلومات مدعومة بالذكاء الاصطناعي في بيئات ويندوز وأزور تجميعًا مدروسًا لجميع هذه العناصر: نماذج اللغة، وخدمات التعلم الآلي، ومنصات البيانات مثل فابريك وون ليك، وأدوات التنسيق مثل فاوندري وكوبايلوت ستوديو، وأطر الحوكمة مثل إطار عمل أزور المصمم جيدًا. عندما تتكامل البيانات والحوسبة والأمن والفرق، يتوقف الذكاء الاصطناعي عن كونه تجربة معزولة، ويصبح عنصرًا أساسيًا في بنية التكنولوجيا لديك ، قادرًا على التطور بالسرعة التي تتطلبها أعمالك.