# باب 05: SLMOps - چھوٹے لینگویج ماڈل آپریشنز کے لیے جامع رہنما

## جائزہ

SLMOps (چھوٹے لینگویج ماڈل آپریشنز) AI کی تعیناتی کے لیے ایک انقلابی طریقہ ہے جو کارکردگی، کم خرچ، اور ایج کمپیوٹنگ صلاحیتوں کو ترجیح دیتا ہے۔ یہ جامع رہنما SLM آپریشنز کے مکمل لائف سائیکل کا احاطہ کرتا ہے، بنیادی تصورات کو سمجھنے سے لے کر پروڈکشن کے لیے تیار تعیناتیوں تک۔

---

## [حصہ 1: SLMOps کا تعارف](./01.IntroduceSLMOps.md)

**ایج پر AI آپریشنز میں انقلاب**

یہ بنیادی باب روایتی بڑے پیمانے پر AI آپریشنز سے چھوٹے لینگویج ماڈل آپریشنز (SLMOps) کی طرف تبدیلی کا تعارف کراتا ہے۔ آپ جانیں گے کہ SLMOps کس طرح AI کو بڑے پیمانے پر تعینات کرنے کے اہم چیلنجز کو حل کرتا ہے، جبکہ خرچ کی کارکردگی اور پرائیویسی کی تعمیل کو برقرار رکھتا ہے۔

**آپ کیا سیکھیں گے:**
- جدید AI حکمت عملی میں SLMOps کی اہمیت اور ابھرتا ہوا کردار
- SLMs کس طرح کارکردگی اور وسائل کی کارکردگی کے درمیان خلا کو پُر کرتے ہیں
- بنیادی آپریشنل اصول، جیسے ذہین وسائل کا انتظام اور پرائیویسی-فرسٹ آرکیٹیکچر
- حقیقی دنیا کے تعیناتی چیلنجز اور ان کے حل
- اسٹریٹجک کاروباری اثرات اور مسابقتی فوائد

**اہم نکتہ:** SLMOps AI کی تعیناتی کو جمہوری بناتا ہے، جدید لینگویج پروسیسنگ صلاحیتوں کو ان تنظیموں کے لیے قابل رسائی بناتا ہے جن کے پاس محدود تکنیکی انفراسٹرکچر ہے، جس سے ترقی کے تیز تر مراحل اور زیادہ پیش گوئی کے قابل آپریشنل اخراجات ممکن ہوتے ہیں۔

---

## [حصہ 2: ماڈل ڈسٹلیشن - نظریہ سے عمل تک](./02.SLMOps-Distillation.md)

**علم کی منتقلی کے ذریعے مؤثر ماڈلز بنانا**

ماڈل ڈسٹلیشن چھوٹے، زیادہ مؤثر ماڈلز بنانے کی بنیادی تکنیک ہے جو اپنے بڑے ہم منصبوں کی کارکردگی کو برقرار رکھتے ہیں۔ یہ باب ڈسٹلیشن ورک فلو کو نافذ کرنے کے لیے ایک جامع رہنما فراہم کرتا ہے، جو بڑے ٹیچر ماڈلز سے چھوٹے اسٹوڈنٹ ماڈلز تک علم منتقل کرتے ہیں۔

**آپ کیا سیکھیں گے:**
- ماڈل ڈسٹلیشن کے بنیادی تصورات اور فوائد
- دو مرحلوں پر مشتمل ڈسٹلیشن عمل: مصنوعی ڈیٹا کی تخلیق اور اسٹوڈنٹ ماڈل کی تربیت
- جدید ماڈلز جیسے DeepSeek V3 اور Phi-4-mini کے ساتھ عملی نفاذ کی حکمت عملی
- Azure ML ڈسٹلیشن ورک فلو کے ساتھ عملی مثالیں
- ہائپر پیرامیٹر ٹیوننگ اور تشخیصی حکمت عملی کے لیے بہترین طریقے
- حقیقی دنیا کے کیس اسٹڈیز جو خرچ اور کارکردگی میں نمایاں بہتری کو ظاہر کرتے ہیں

**اہم نکتہ:** ماڈل ڈسٹلیشن تنظیموں کو 85% انفرنس وقت میں کمی اور 95% میموری کی ضروریات میں کمی حاصل کرنے کے قابل بناتا ہے، جبکہ اصل ماڈل کی 92% درستگی برقرار رکھتا ہے، جس سے جدید AI صلاحیتیں عملی طور پر قابل تعیناتی بن جاتی ہیں۔

---

## [حصہ 3: فائن ٹیوننگ - مخصوص کاموں کے لیے ماڈلز کو حسب ضرورت بنانا](./03.SLMOps-Finetuing.md)

**پری ٹرینڈ ماڈلز کو آپ کی منفرد ضروریات کے مطابق ڈھالنا**

فائن ٹیوننگ عمومی مقصد کے ماڈلز کو مخصوص حلوں میں تبدیل کرتا ہے جو آپ کے مخصوص استعمال کے معاملات اور ڈومینز کے مطابق ہوتے ہیں۔ یہ باب بنیادی پیرامیٹر ایڈجسٹمنٹ سے لے کر LoRA اور QLoRA جیسے جدید تکنیکوں تک مؤثر ماڈل حسب ضرورت کے لیے سب کچھ شامل کرتا ہے۔

**آپ کیا سیکھیں گے:**
- فائن ٹیوننگ کے طریقوں اور ان کے اطلاق کا جامع جائزہ
- فائن ٹیوننگ کی مختلف اقسام: مکمل فائن ٹیوننگ، پیرامیٹر-ایفیشینٹ فائن ٹیوننگ (PEFT)، اور کام کے مخصوص طریقے
- Microsoft Olive کے استعمال کے ساتھ عملی نفاذ کی مثالیں
- جدید تکنیک، جیسے ملٹی-ایڈاپٹر ٹریننگ اور ہائپر پیرامیٹر آپٹیمائزیشن
- ڈیٹا کی تیاری، تربیتی ترتیب، اور وسائل کے انتظام کے لیے بہترین طریقے
- عام چیلنجز اور کامیاب فائن ٹیوننگ پروجیکٹس کے لیے آزمودہ حل

**اہم نکتہ:** Microsoft Olive جیسے ٹولز کے ساتھ فائن ٹیوننگ تنظیموں کو پری ٹرینڈ ماڈلز کو مخصوص ضروریات کے مطابق مؤثر طریقے سے ڈھالنے کے قابل بناتا ہے، جبکہ کارکردگی اور وسائل کی حدود کے لیے بہتر بناتا ہے، جس سے جدید AI مختلف ایپلیکیشنز میں قابل رسائی ہوتا ہے۔

---

## [حصہ 4: تعیناتی - پروڈکشن کے لیے تیار ماڈل کا نفاذ](./04.SLMOps.Deployment.md)

**فائن ٹیونڈ ماڈلز کو Foundry Local کے ساتھ پروڈکشن میں لانا**

آخری باب تعیناتی کے اہم مرحلے پر مرکوز ہے، جس میں ماڈل کنورژن، کوانٹائزیشن، اور پروڈکشن کنفیگریشن شامل ہیں۔ آپ سیکھیں گے کہ Foundry Local کا استعمال کرتے ہوئے فائن ٹیونڈ کوانٹائزڈ ماڈلز کو بہترین کارکردگی اور وسائل کے استعمال کے لیے کیسے تعینات کیا جائے۔

**آپ کیا سیکھیں گے:**
- مکمل ماحول کی ترتیب اور ٹول انسٹالیشن کے طریقہ کار
- مختلف تعیناتی منظرناموں کے لیے ماڈل کنورژن اور کوانٹائزیشن تکنیک
- Foundry Local تعیناتی کنفیگریشن کے ساتھ ماڈل-خصوصی اصلاحات
- کارکردگی کی بینچ مارکنگ اور معیار کی توثیق کے طریقے
- عام تعیناتی مسائل اور اصلاحی حکمت عملیوں کا حل
- پروڈکشن مانیٹرنگ اور دیکھ بھال کے بہترین طریقے

**اہم نکتہ:** کوانٹائزیشن تکنیکوں کے ساتھ مناسب تعیناتی کنفیگریشن 75% سائز میں کمی حاصل کر سکتی ہے، جبکہ قابل قبول ماڈل معیار کو برقرار رکھتی ہے، جس سے مختلف ہارڈویئر کنفیگریشنز میں مؤثر پروڈکشن تعیناتیاں ممکن ہوتی ہیں۔

---

## شروعات کریں

یہ رہنما آپ کو SLMOps کے مکمل سفر سے لے کر بنیادی تصورات کو سمجھنے سے لے کر پروڈکشن کے لیے تیار تعیناتیوں تک لے جانے کے لیے ڈیزائن کیا گیا ہے۔ ہر باب پچھلے باب پر تعمیر کرتا ہے، نظریاتی سمجھ اور عملی نفاذ کی مہارت دونوں فراہم کرتا ہے۔

چاہے آپ ایک ڈیٹا سائنسدان ہوں جو ماڈل تعیناتی کو بہتر بنانا چاہتے ہیں، ایک ڈیووپس انجینئر جو AI آپریشنز کو نافذ کر رہے ہیں، یا ایک تکنیکی رہنما جو اپنی تنظیم کے لیے SLMOps کا جائزہ لے رہے ہیں، یہ جامع رہنما چھوٹے لینگویج ماڈل آپریشنز کو کامیابی سے نافذ کرنے کے لیے ضروری علم اور ٹولز فراہم کرتا ہے۔

**شروع کرنے کے لیے تیار ہیں؟** باب 1 سے شروع کریں تاکہ SLMOps کے بنیادی اصولوں کو سمجھیں اور ان جدید نفاذ کی تکنیکوں کے لیے بنیاد بنائیں جو اگلے ابواب میں شامل ہیں۔

---

**ڈسکلیمر**:  
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔