# الفصل الخامس: SLMOps - دليل شامل لعمليات النماذج اللغوية الصغيرة

## نظرة عامة

تمثل SLMOps (عمليات النماذج اللغوية الصغيرة) نهجًا ثوريًا لنشر الذكاء الاصطناعي يركز على الكفاءة، الفعالية من حيث التكلفة، وقدرات الحوسبة الطرفية. يغطي هذا الدليل الشامل دورة حياة عمليات SLM بالكامل، بدءًا من فهم المفاهيم الأساسية وصولاً إلى تنفيذ النشر الجاهز للإنتاج.

---

## [القسم 1: مقدمة إلى SLMOps](./01.IntroduceSLMOps.md)

**إحداث ثورة في عمليات الذكاء الاصطناعي على الحافة**

يقدم هذا الفصل الأساسي التحول النموذجي من عمليات الذكاء الاصطناعي التقليدية واسعة النطاق إلى عمليات النماذج اللغوية الصغيرة (SLMOps). ستكتشف كيف تعالج SLMOps التحديات الحرجة لنشر الذكاء الاصطناعي على نطاق واسع مع الحفاظ على الكفاءة من حيث التكلفة والامتثال للخصوصية.

**ما ستتعلمه:**
- ظهور وأهمية SLMOps في استراتيجية الذكاء الاصطناعي الحديثة
- كيف تسد النماذج الصغيرة الفجوة بين الأداء وكفاءة الموارد
- المبادئ التشغيلية الأساسية بما في ذلك إدارة الموارد الذكية والهندسة المعمارية التي تركز على الخصوصية
- تحديات التنفيذ الواقعية وحلولها
- التأثير الاستراتيجي على الأعمال والمزايا التنافسية

**الخلاصة الرئيسية:** تعمل SLMOps على ديمقراطية نشر الذكاء الاصطناعي من خلال جعل قدرات معالجة اللغة المتقدمة متاحة للمؤسسات ذات البنية التحتية التقنية المحدودة، مما يتيح دورات تطوير أسرع وتكاليف تشغيل أكثر قابلية للتنبؤ.

---

## [القسم 2: تقطير النماذج - من النظرية إلى التطبيق](./02.SLMOps-Distillation.md)

**إنشاء نماذج فعالة من خلال نقل المعرفة**

يعد تقطير النماذج التقنية الأساسية لإنشاء نماذج أصغر وأكثر كفاءة تحتفظ بأداء نظيراتها الأكبر. يقدم هذا الفصل دليلًا شاملاً لتنفيذ تدفقات عمل التقطير التي تنقل المعرفة من نماذج المعلم الكبيرة إلى نماذج الطالب المدمجة.

**ما ستتعلمه:**
- المفاهيم الأساسية وفوائد تقطير النماذج
- عملية التقطير ذات المرحلتين: إنشاء بيانات اصطناعية وتدريب نموذج الطالب
- استراتيجيات التنفيذ العملية باستخدام نماذج متقدمة مثل DeepSeek V3 و Phi-4-mini
- تدفقات عمل تقطير Azure ML مع أمثلة عملية
- أفضل الممارسات لضبط المعلمات واستراتيجيات التقييم
- دراسات حالة واقعية تظهر تحسينات كبيرة في التكلفة والأداء

**الخلاصة الرئيسية:** يتيح تقطير النماذج للمؤسسات تحقيق تقليل بنسبة 85% في وقت الاستدلال وانخفاض بنسبة 95% في متطلبات الذاكرة مع الاحتفاظ بدقة تصل إلى 92% من النموذج الأصلي، مما يجعل قدرات الذكاء الاصطناعي المتقدمة قابلة للتنفيذ عمليًا.

---

## [القسم 3: التخصيص - تكييف النماذج لمهام محددة](./03.SLMOps-Finetuing.md)

**تكييف النماذج المدربة مسبقًا لتلبية احتياجاتك الفريدة**

يحول التخصيص النماذج العامة إلى حلول متخصصة مصممة لتلبية حالات الاستخدام والمجالات الخاصة بك. يغطي هذا الفصل كل شيء بدءًا من تعديل المعلمات الأساسية إلى تقنيات متقدمة مثل LoRA و QLoRA لتخصيص النماذج بكفاءة.

**ما ستتعلمه:**
- نظرة شاملة على منهجيات التخصيص وتطبيقاتها
- أنواع التخصيص المختلفة: التخصيص الكامل، التخصيص الفعال للمعلمات (PEFT)، ونهج المهام المحددة
- تنفيذ عملي باستخدام Microsoft Olive مع أمثلة عملية
- تقنيات متقدمة تشمل تدريب متعدد المحولات وتحسين المعلمات
- أفضل الممارسات لإعداد البيانات، تكوين التدريب، وإدارة الموارد
- التحديات الشائعة والحلول المثبتة لمشاريع التخصيص الناجحة

**الخلاصة الرئيسية:** يتيح التخصيص باستخدام أدوات مثل Microsoft Olive للمؤسسات تكييف النماذج المدربة مسبقًا بكفاءة لتلبية الاحتياجات المحددة مع تحسين الأداء وقيود الموارد، مما يجعل الذكاء الاصطناعي المتقدم متاحًا عبر تطبيقات متنوعة.

---

## [القسم 4: النشر - تنفيذ النماذج الجاهزة للإنتاج](./04.SLMOps.Deployment.md)

**نقل النماذج المخصصة إلى الإنتاج باستخدام Foundry Local**

يركز الفصل الأخير على مرحلة النشر الحرجة، ويغطي تحويل النماذج، التكميم، وتكوين الإنتاج. ستتعلم كيفية نشر نماذج مخصصة مكممة باستخدام Foundry Local لتحقيق الأداء الأمثل واستخدام الموارد بكفاءة.

**ما ستتعلمه:**
- إعداد البيئة بالكامل وإجراءات تثبيت الأدوات
- تقنيات تحويل النماذج والتكميم لسيناريوهات النشر المختلفة
- تكوين نشر Foundry Local مع تحسينات خاصة بالنماذج
- منهجيات قياس الأداء والتحقق من الجودة
- استكشاف مشكلات النشر الشائعة واستراتيجيات التحسين
- أفضل الممارسات لمراقبة الإنتاج والصيانة

**الخلاصة الرئيسية:** يمكن أن تحقق تكوينات النشر المناسبة مع تقنيات التكميم تقليلًا يصل إلى 75% في الحجم مع الحفاظ على جودة النموذج المقبولة، مما يتيح عمليات نشر إنتاجية فعالة عبر تكوينات الأجهزة المختلفة.

---

## البدء

تم تصميم هذا الدليل ليأخذك خلال رحلة SLMOps الكاملة، بدءًا من فهم المفاهيم الأساسية وصولاً إلى تنفيذ عمليات النشر الجاهزة للإنتاج. يبني كل فصل على الفصل السابق، مما يوفر فهمًا نظريًا ومهارات تنفيذ عملية.

سواء كنت عالم بيانات يسعى لتحسين نشر النماذج، مهندس DevOps ينفذ عمليات الذكاء الاصطناعي، أو قائد تقني يقيم SLMOps لمؤسستك، يوفر هذا الدليل الشامل المعرفة والأدوات اللازمة لتنفيذ عمليات النماذج اللغوية الصغيرة بنجاح.

**جاهز للبدء؟** ابدأ بالفصل الأول لفهم المبادئ الأساسية لـ SLMOps وبناء أساسك لتقنيات التنفيذ المتقدمة التي يتم تناولها في الفصول اللاحقة.

---

**إخلاء المسؤولية**:  
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي. للحصول على معلومات حاسمة، يُوصى بالترجمة البشرية الاحترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.