# Sura ya 05: SLMOps - Mwongozo Kamili wa Uendeshaji wa Modeli Ndogo za Lugha ## Muhtasari SLMOps (Uendeshaji wa Modeli Ndogo za Lugha) ni mbinu ya kisasa ya kupeleka AI inayozingatia ufanisi, gharama nafuu, na uwezo wa kompyuta ya ukingoni. Mwongozo huu kamili unashughulikia mzunguko mzima wa uendeshaji wa SLM, kuanzia kuelewa dhana za msingi hadi kutekeleza mifumo inayofaa kwa uzalishaji. --- ## [Sehemu ya 1: Utangulizi wa SLMOps](./01.IntroduceSLMOps.md) **Kubadilisha Uendeshaji wa AI katika Ukingo** Sura hii ya msingi inatambulisha mabadiliko kutoka kwa uendeshaji wa AI wa kiwango kikubwa hadi Uendeshaji wa Modeli Ndogo za Lugha (SLMOps). Utajifunza jinsi SLMOps inavyoshughulikia changamoto muhimu za kupeleka AI kwa kiwango kikubwa huku ikidumisha ufanisi wa gharama na kufuata sheria za faragha. **Unachojifunza:** - Kuzuka na umuhimu wa SLMOps katika mkakati wa kisasa wa AI - Jinsi SLM zinavyosawazisha utendaji na ufanisi wa rasilimali - Kanuni za msingi za uendeshaji ikiwa ni pamoja na usimamizi wa rasilimali kwa akili na usanifu unaozingatia faragha - Changamoto za utekelezaji wa ulimwengu halisi na suluhisho zake - Athari za kimkakati za kibiashara na faida za ushindani **Muktadha Muhimu:** SLMOps inafanya uwezekano wa kupeleka AI kwa urahisi kwa kufanya uwezo wa hali ya juu wa usindikaji wa lugha kupatikana kwa mashirika yenye miundombinu ya kiufundi iliyopunguzwa, na kuwezesha mizunguko ya maendeleo ya haraka na gharama za uendeshaji zinazotabirika. --- ## [Sehemu ya 2: Udistilishaji wa Modeli - Kutoka Nadharia hadi Vitendo](./02.SLMOps-Distillation.md) **Kuunda Modeli Zenye Ufanisi Kupitia Uhamishaji wa Maarifa** Udistilishaji wa modeli ni mbinu ya msingi ya kuunda modeli ndogo, zenye ufanisi zaidi ambazo zinahifadhi utendaji wa modeli zao kubwa. Sura hii inatoa mwongozo kamili wa kutekeleza mchakato wa udistilishaji unaohamisha maarifa kutoka kwa modeli kubwa za walimu kwenda kwa modeli ndogo za wanafunzi. **Unachojifunza:** - Dhana za msingi na faida za udistilishaji wa modeli - Mchakato wa udistilishaji wa hatua mbili: uzalishaji wa data ya syntetiki na mafunzo ya modeli ya mwanafunzi - Mikakati ya utekelezaji wa vitendo kwa kutumia modeli za kisasa kama DeepSeek V3 na Phi-4-mini - Mifumo ya udistilishaji ya Azure ML na mifano ya vitendo - Mbinu bora za kurekebisha hyperparameter na mikakati ya tathmini - Uchunguzi wa kesi za ulimwengu halisi unaoonyesha maboresho makubwa ya gharama na utendaji **Muktadha Muhimu:** Udistilishaji wa modeli unawawezesha mashirika kufanikisha kupunguzwa kwa muda wa inferensi kwa 85% na kupunguzwa kwa mahitaji ya kumbukumbu kwa 95% huku yakihifadhi 92% ya usahihi wa modeli ya awali, na kufanya uwezo wa hali ya juu wa AI uweze kutekelezwa kwa vitendo. --- ## [Sehemu ya 3: Kurekebisha - Kubadilisha Modeli kwa Kazi Maalum](./03.SLMOps-Finetuing.md) **Kubadilisha Modeli Zilizofunzwa Awali kwa Mahitaji Yako Maalum** Kurekebisha kunabadilisha modeli za matumizi ya jumla kuwa suluhisho maalum zinazolingana na kesi zako za matumizi na nyanja zako. Sura hii inashughulikia kila kitu kuanzia marekebisho ya msingi ya vigezo hadi mbinu za hali ya juu kama LoRA na QLoRA kwa ubinafsishaji wa modeli kwa ufanisi. **Unachojifunza:** - Muhtasari kamili wa mbinu za kurekebisha na matumizi yake - Aina tofauti za kurekebisha: kurekebisha kikamilifu, kurekebisha kwa ufanisi wa vigezo (PEFT), na mbinu maalum za kazi - Utekelezaji wa vitendo kwa kutumia Microsoft Olive na mifano ya vitendo - Mbinu za hali ya juu ikiwa ni pamoja na mafunzo ya adapta nyingi na uboreshaji wa hyperparameter - Mbinu bora za maandalizi ya data, usanidi wa mafunzo, na usimamizi wa rasilimali - Changamoto za kawaida na suluhisho zilizothibitishwa kwa miradi ya kurekebisha yenye mafanikio **Muktadha Muhimu:** Kurekebisha kwa kutumia zana kama Microsoft Olive kunawawezesha mashirika kubadilisha kwa ufanisi modeli zilizofunzwa awali kwa mahitaji maalum huku yakiboresha utendaji na vikwazo vya rasilimali, na kufanya AI ya hali ya juu ipatikane katika matumizi mbalimbali. --- ## [Sehemu ya 4: Utekelezaji - Utekelezaji wa Modeli Tayari kwa Uzalishaji](./04.SLMOps.Deployment.md) **Kupeleka Modeli Zilizorekebishwa kwa Uzalishaji kwa Foundry Local** Sura ya mwisho inazingatia awamu muhimu ya utekelezaji, ikijumuisha ubadilishaji wa modeli, upunguzaji, na usanidi wa uzalishaji. Utajifunza jinsi ya kupeleka modeli zilizorekebishwa zilizopunguzwa kwa kutumia Foundry Local kwa utendaji bora na matumizi ya rasilimali. **Unachojifunza:** - Utaratibu kamili wa usanidi wa mazingira na usakinishaji wa zana - Mbinu za ubadilishaji wa modeli na upunguzaji kwa hali tofauti za utekelezaji - Usanidi wa utekelezaji wa Foundry Local na uboreshaji maalum wa modeli - Mbinu za kupima utendaji na uthibitishaji wa ubora - Kutatua masuala ya kawaida ya utekelezaji na mikakati ya uboreshaji - Mbinu bora za ufuatiliaji wa uzalishaji na matengenezo **Muktadha Muhimu:** Usanidi sahihi wa utekelezaji na mbinu za upunguzaji zinaweza kufanikisha kupunguzwa kwa ukubwa kwa 75% huku zikidumisha ubora wa modeli unaokubalika, na kuwezesha utekelezaji wa uzalishaji kwa ufanisi katika usanidi mbalimbali wa vifaa. --- ## Kuanza Mwongozo huu umeundwa kukuchukua kupitia safari kamili ya SLMOps, kuanzia kuelewa dhana za msingi hadi kutekeleza utekelezaji wa uzalishaji. Kila sura inajenga juu ya ile iliyotangulia, ikitoa uelewa wa nadharia na ujuzi wa utekelezaji wa vitendo. Ikiwa wewe ni mwanasayansi wa data unayetafuta kuboresha utekelezaji wa modeli, mhandisi wa DevOps anayetekeleza uendeshaji wa AI, au kiongozi wa kiufundi anayepima SLMOps kwa shirika lako, mwongozo huu kamili unatoa maarifa na zana zinazohitajika kutekeleza kwa mafanikio Uendeshaji wa Modeli Ndogo za Lugha. **Uko tayari kuanza?** Anza na Sura ya 1 ili kuelewa kanuni za msingi za SLMOps na kujenga msingi wako kwa mbinu za hali ya juu za utekelezaji zinazoshughulikiwa katika sura zinazofuata. --- **Kanusho**: Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya kiasili inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.