تقدير المشروع
← كل المقالات

كيف تستعد لشهادة AWS ML Specialty

دليل موجز للامتحان يهدف إلى مساعدتك في الحصول على شهادة AWS Machine Learning Specialty.

10 دقائق قراءة
تعلّم الآلةAWSالشهادات

بصفتي مهندس تعلّم آلة ذا خلفية قوية في هندسة البرمجيات، كثيرًا ما أجد نفسي أحاول reinvent the wheel كما يقول المثل. وبعد ساعات طويلة من التطوير، أكتشف بانتظام حلًا جاهزًا يؤدي أفضل من كودي وفوق ذلك لن يتطلب صيانة لاحقًا.

وبطبيعة الحال، غالبًا ما تأتي الحلول الجاهزة بخيارات ضبط محدودة وقد تتأثر بالتغييرات التي يجريها مؤلفوها، لكنها في معظم الأحيان تتيح لنا بناء حلنا بجهد أقل وفي جزء يسير من الوقت.

ولمعالجة ذلك وتكوين فهم شامل لنقاط القوة والضعف في هذه الحلول، قررت أن أحصل على شهادة AWS ML Speciality. فهي تمنحني صورة واسعة عمّا تستطيع خدمات AWS لتعلّم الآلة فعله وأين تقصّر (وAWS هي السحابة التي أملك فيها أكبر خبرة).

تستعرض هذه المقالة دليلًا للامتحان ثم تعرض أربع خدمات مثيرة للاهتمام من AWS يمكنها أن تحسّن مسار تعلّم الآلة لديك بشكل ملحوظ خلال دقائق من إعدادها.

لماذا يستحق الحصول عليها؟

أولًا، تفهم ما يجري تحت الغطاء. في وقت يُعتمد فيه الذكاء الاصطناعي في كل مكان تقريبًا، يمكن لمهندسي البرمجيات أن يستفيدوا كثيرًا من معرفة كيفية عمل النماذج والمعماريات الأساسية ومن القدرة على بنائها وإصلاحها لتلبية المتطلبات.

ثانيًا، حتى أصحاب الخبرة يمكنهم تعلّم شيء جديد. بصفتي ممارسًا لتعلّم الآلة، تمكنت من تنظيم المجالات في معرفتي بتعلّم الآلة التي كانت خبرتي العملية فيها أقل، مثل أي حل للسلاسل الزمنية يناسب أي إعداد على أفضل وجه.

ثالثًا، تثبت الشهادة معرفتك بتعلّم الآلة وAWS معًا. فهي تُشعر صاحب العمل المحتمل بأنك قادر على التعامل مع مواضيع تعلّم الآلة ونشرها بسرعة على AWS. وفي هذه المقالة أصف فعلًا عدة أدوات وجدتها مثيرة للاهتمام وغير مألوفة إلى حد ما (وكثيرًا ما تتجاوز تدريب النماذج البسيطة في Sagemaker)، رغم سنوات خبرتي في المجال.

وأخيرًا، تجعلك الدراسة تشعر وكأنك مستشار تعلّم آلة حقيقي. يتضمن جزء كبير من عملي إيجاد الحل الأنسب للمتطلبات التي يضعها أشخاص أقل إلمامًا بتعلّم الآلة. وكثيرًا ما تُصاغ الأسئلة بشكل يشبه مشكلة واقعية (مثل بناء Amazon Alexa بأقل جهد)، وعليك أن تقدّم للعميل الحل الأنسب (فكّر في الجمع بين أدوات شاملة مثل Lex وPolly).

مسار دراسة AWS لتعلّم الآلة

يقع هذا التخصص في قمة دورات تعلّم الآلة التي تقدمها AWS. وإذا شعرت بعد القراءة أنك أقل تقدمًا، فربما يجدر بك النظر في شهادات أدنى مستوى قد تناسب معرفتك بشكل أفضل. أقصد شهادتين متعلقتين بتعلّم الآلة (وكلتاهما لا تزال في النسخة التجريبية وقت كتابة هذه السطور):

  • AI Practitioner (المستوى التأسيسي) تناسب أيضًا الأشخاص ذوي الخلفية التقنية الأقل.
  • Machine Learning Engineer (مستوى المساعد) تغطي كثيرًا من المحتوى نفسه الذي يغطيه مستوى ML Speciality، لكن بتفاصيل أسهل هضمًا وبخبرة أقل في تعلّم الآلة.

وفضلًا عن ذلك، ولأن أدوار تعلّم الآلة تأتي بأشكال كثيرة (MLOps أو Prompt Engineer أو Data Scientist أو ML Engineer)، يمكنني أن أوصي بهذا الدليل (من موقع AWS الرسمي):

المصدر: AWS journey path

صيغة الامتحان وتفاصيله

امتحان ML Specialization هو امتحان شهادة من AWS يتكون من أسئلة اختيار من متعدد (بعضها له أكثر من إجابة صحيحة). وفي هذا الامتحان لديك 180 دقيقة للإجابة عن 65 سؤالًا. وهو يجمع بين المعرفة المتعلقة بالسحابة والخبرة الخاصة بتعلّم الآلة بتوازن جيد.
تأتي الأسئلة من هذه المجالات:

المصدر: [دليل الدراسة الرسمي لـ ML Specialty](https://d1.awsstatic.com/training-and-certification/docs-ml/AWS Certified Machine Learning - Specialty_Exam Guide (1).pdf)

درجة النجاح هي أي درجة أعلى من 750 (على مقياس من 100 إلى 1000).

يذكر الدليل أن الأسئلة ضمن المجالات قد تغطي المواضيع التالية (اقتباس من [دليل دراسة AWS](https://d1.awsstatic.com/training-and-certification/docs-ml/AWS Certified Machine Learning - Specialty_Exam Guide (1).pdf)):

  • المجال 1: هندسة البيانات
    • 1.1 بناء مستودعات بيانات لتعلّم الآلة.
    • 1.2 تحديد حل لإدخال البيانات وتنفيذه.
    • 1.3 تحديد حل لتحويل البيانات وتنفيذه.
  • المجال 2: التحليل الاستكشافي للبيانات
    • 2.1 تنظيف البيانات وإعدادها للنمذجة.
    • 2.2 تنفيذ هندسة الميزات.
    • 2.3 تحليل البيانات وتصويرها لتعلّم الآلة.
  • المجال 3: النمذجة
    • 3.1 التعبير عن مشكلات الأعمال بوصفها مشكلات تعلّم آلة.
    • 3.2 اختيار النموذج أو النماذج المناسبة لمشكلة تعلّم آلة معينة.
    • 3.3 تدريب نماذج تعلّم الآلة.
    • 3.4 تنفيذ تحسين المعاملات الفائقة (hyperparameters).
    • 3.5 تقييم نماذج تعلّم الآلة.
  • المجال 4: تنفيذ تعلّم الآلة وعملياته
    • 4.1 تصميم حلول تعلّم آلة من حيث الأداء والإتاحية وقابلية التوسع والمرونة وتحمّل الأعطال.
    • 4.2 التوصية بخدمات وميزات تعلّم آلة مناسبة لمشكلة معينة وتنفيذها.
    • 4.3 تطبيق ممارسات الأمان الأساسية في AWS على حلول تعلّم الآلة.
    • 4.4 نشر حلول تعلّم الآلة وتشغيلها.

ولأن هذه المتطلبات قد تبدو غامضة إلى حد ما، يسرد القسم التالي بعض موارد الدراسة المفيدة.

موارد مفيدة

للاستعداد للامتحان، أنجزت دورتين: دورة من Whizlab ودورة على Udemy (من تقديم Stephen Mareek وFrank Kane).

دورة تعلّم الآلة من Stephan Mareek وFrank Kane هي أكثر الموارد فعالية لاجتياز الامتحان. فالمادة مشروحة بوضوح، مع تركيز على المعلومات التي يُرجح ظهورها في الامتحان.

أما دورة Whizlab فهي، في المقابل، ممتازة للممارسة العملية (مع أكثر من 12 مختبرًا)، مما يساعد على فهم شكل أدوات معينة في وحدة تحكم AWS وما المعاملات التي توفّرها.

AWS Skill Builder إضافة رائعة لدراستك ويساعدك على إيجاد المعرفة في مقالاتك.

وأخيرًا، هناك وثائق AWS (لتعلّم الآلة أو Sagemaker أو غيرها من الأدوات المتعلقة بالبيانات)، التي ثبتت فائدتها في مجموعة من أسئلة الامتحان.

نصائح للامتحان

كما يمكنك أن تلاحظ على الأرجح، أجريت عددًا لا بأس به من الامتحانات التجريبية للاستعداد وبناء الثقة، لذا إليك بعض النصائح:

  • ضع حدود الوقت في اعتبارك أثناء الامتحان. في التجارب التدريبية أنهيت في حدود 60% من الوقت في المتوسط، لكنني في الامتحان الحقيقي استخدمت كل الوقت المتاح. ويمكن لغير الناطقين بالإنجليزية طلب 30 دقيقة إضافية.
  • فكّر في حجز امتحان تجريبي عبر AWS. فهو يريك ما إذا كنت جاهزًا ويعطيك إحساسًا أفضل بما سيكون عليه الامتحان الحقيقي.
  • لا تكتفِ بمجموعات الأسئلة الأسهل والأكثر شعبية. حلّ أسئلة أصعب أيضًا، لتكون مستعدًا لسيناريوهات أكثر تطلبًا قد تظهر في الامتحان كذلك.

ميزات AWS لتعلّم الآلة جديرة بالذكر

يصف هذا القسم عدة ميزات في AWS اكتشفتها أثناء الدراسة للحصول على الشهادة.

وجها Sagemaker Canvas

سير عمل Sagemaker Canvas كنهج بلا كود لسير عمل تعلّم الآلة، المصدر: aws.amazon.com

بما أنني أحب معرفة كيفية عمل المكونات الأساسية، كنت متشككًا في اتجاه AutoML بأكمله. لكن AWS SageMaker Canvas شيء مختلف تمامًا. فهو يتيح لك بناء دورة حياة تعلّم آلة كاملة من طرف إلى طرف بالسحب والإفلات. والحلول من هذا النوع شائعة في الذكاء الاصطناعي؛ فـ Roboflow وEncord وSuperAnnotate تقدم حلولًا مشابهة.

ورغم أنه على الأرجح لن يكون الخيار الأول لمهندسي تعلّم الآلة ذوي الخبرة الذين يحتاجون إلى إعداد مخصص – فجمهوره المستهدف أقل تقنية – إلا أنه ما زال قادرًا على خدمة حالات استخدام أبسط تحتاج إلى سرعة.

السعر نفسه معتدل: تكلفة النسخة الواحدة 1.9$ في الساعة (إضافةً إلى رسوم إضافية صغيرة بعد تجاوز 5GB من البيانات).

ومع ذلك، وكما يعرف كل من استخدم AWS، قد تنسى في مرحلة ما أن خدمة معينة لا تزال تعمل بينما تواصل فاتورة AWS ارتفاعها. وهذا يحدث كثيرًا، لكنه مع AWS Sagemaker Canvas قد يصبح أسوأ، إذ توجد بعض القصص عن تغيير AWS لقواعد الفوترة وتوليد رسوم إضافية بسبب نسخة Canvas مخفية.

باختصار، يمكن أن يكون AWS Sagemaker Canvas أداة مفيدة عندما تضطر إلى تسليم حل بسرعة، لكن عليك أن تنتبه بشكل خاص إلى إزالة الموارد غير المستخدمة ومراقبة التكاليف عن كثب.

معالجة الإنصاف والتحيّز باستخدام AWS Clarify

مجموعة بيانات iris

التفسيرات العامة لمجموعة بيانات iris المنتَجة باستخدام AWS Clarify، المصدر docs.aws.amazon.com

يتيح لك AWS Clarify تقييم نتائج النموذج وتفسيرها وكذلك التحيزات المحتملة في مجموعة بياناتك. وقد يكون الانتباه إلى هذه الجوانب ضروريًا عند اتباع إرشادات مثل ISO/IEC 42001 أثناء إعداد البيانات أو بناء نموذج أو تشغيله في الإنتاج.

لاكتشاف التحيز، تعرّف أولًا مجموعات ديموغرافية (مثل العرق والجنس والعمر وغيرها)، ثم يمكنك تطبيق أحد المقاييس المتاحة:

  • Class Imbalance (عدم توازن الفئات) – مثلًا، قد تكون فئة ما ممثَّلة بأقل من حجمها.
  • Demographic Parity Difference (فرق التكافؤ الديموغرافي) – يقيس كيف تختلف النتائج الإيجابية بين المجموعات الديموغرافية (مثلًا، هل يميل الذكور البيض إلى الحصول على درجات ائتمان أعلى).
  • The difference in Positive/ Negative Outcome (الفرق في النتيجة الإيجابية/السلبية) – يقيس كيف يختلف احتمال النتائج الإيجابية والسلبية بين المجموعات.
  • Disparity Impact (أثر التفاوت) – مثلًا، التحقق من أن مجموعات الأقليات لا توضع في وضع غير عادل.
  • Equal opportunity difference (فرق تكافؤ الفرص) – يقيس كيف تختلف معدلات الإيجابيات الحقيقية بين المجموعات.
  • Average odds difference (فرق الاحتمالات المتوسط) – يقارن الفروق في معدلات الإيجابيات الكاذبة والإيجابيات الحقيقية بين المجموعات.
  • Conditional Demographic Parity (التكافؤ الديموغرافي المشروط) – يتحقق مما إذا كانت النتائج الإيجابية عادلة عبر المجموعات مع الاشتراط على ميزات أخرى.

ولتفسير النماذج، يوفّر AWS Clarify الأداة Kernel SHAP لكلٍّ من التفسير المحلي (لكل عيّنة) والتفسير العام (لكل مجموعة بيانات). وتساعد هذه القيم على تفسير إسناد الميزات أثناء التدريب والنشر معًا، مما قد يشكّل نقطة انطلاق جيدة لاكتشاف انحراف البيانات (data drift).

تقليص وقت الوسم بسهولة باستخدام AWS Ground Truth Autolabeling

SageMaker Ground Truth مطبَّقًا على بيانات LIDAR، المصدر: aws.amazon.com

فيما يخص أدوات الوسم، فإن أداة AWS تشبه بقية الأدوات. لكن ما يميزها هو التعلّم النشط (active learning)، الذي يحوّل الوسم إلى عملية هجينة تجمع بين عمل واسمين بشريين ونموذج يُعاد تدريبه تلقائيًا. ومع المجموعة الضخمة من النماذج المتاحة على سحابة AWS (Bedrock أو الخدمات المتخصصة أو النماذج المنشورة المخصصة)، يمكن أن يشكّل ذلك تركيبة قوية جدًا.

وفيما يتعلق بالإعداد، توصي AWS في دليلها بوسم 1250 كائنًا على الأقل (مع اقتراح قوي بـ 5000). ثم يدرّب سير العمل نموذجًا للمجال المحدد ويشغّله في الوضع الدفعي لوسم الجزء غير الموسوم من مجموعة البيانات (كلما تجاوزت ثقة الوسم عتبة الثقة المضبوطة). أما الأمثلة منخفضة الثقة فتذهب إلى الواسمين البشريين. وتتكرر هاتان الخطوتان الأخيرتان إلى أن لا يبقى أي مثال منخفض الثقة. ويمكن لسير العمل الهجين هذا أن يقلص وقت الوسم بشكل كبير (بنسبة تصل إلى 70% بحسب AWS). وللمزيد من التفاصيل أقترح هذا الدليل من AWS.

كما تشتهر AWS Ground Truth بقوة العمل الرخيصة عند الطلب من Mechanical Turk. لكن معظم الحلول إما تحتاج إلى معرفة متخصصة بالمجال أو تأتي بمتطلبات صارمة لخصوصية البيانات، مما يحدّ من فائدة قوة عمل AWS.

المراجعة البشرية باستخدام AWS Augmented AI

يكاد يكون الوصول إلى دقة 100% عند تصميم حل تعلّم آلة مستحيلًا. وعادةً عليك أن توازن بأفضل شكل بين الإيجابيات الكاذبة والسلبيات الكاذبة. لكن ماذا لو لم تكن تلك معركة خاسرة بالضرورة؟

يتيح لك AWS Augmented AI إضافة مراجعة بشرية للعيّنات منخفضة الثقة، فتبني عمليًا نظامًا هجينًا يُشرك البشر في الحلقة للأمثلة الأصعب.

باختصار (انظر هنا لمزيد من التفاصيل)، الخطوات هي:

  1. إعداد قوة عمل للوسم في Sagemaker Ground Truth (بضع نقرات فقط في وحدة التحكم).
  2. إعداد سير عمل بشري عبر A2I وربط قوة عمل الوسم به (بضع نقرات أخرى).
  3. استدعاء سير العمل في أي موضع تُطلب فيه استجابة.

يكتشف الكود أدناه (الخطوة 3) المحتوى الحساس ومحتوى البالغين باستخدام خدمة AWS Recognition. وإذا كنت بحاجة إلى مهمة مخصصة لحالة استخدامك، ألقِ نظرة على هذا الشرح.

response = client.detect_moderation_labels(
            Image={
                "S3Object":{
                    "Bucket": "amzn-s3-demo-bucket", 
                    "Name": "image-name.png"
                }
            },
            HumanLoopConfig={
               "FlowDefinitionArn":"arn:aws:sagemaker:us-west-2:111122223333:flow-definition/flow-definition-name",
               "HumanLoopName":"human-loop-name",
               "DataAttributes":{
                    ContentClassifiers:["FreeOfPersonallyIdentifiableInformation"|"FreeOfAdultContent"]
                }
             })

مثال كود لبدء مهمة إشراك الإنسان في الحلقة، المصدر: دليل AWS عن A2I

الخلاصة

قدّمت هذه المقالة دليلًا موجزًا للامتحان لمساعدتك في الحصول على الشهادة، وعرّفت بعدة أدوات يمكنها دعم نشر تعلّم الآلة لديك – من Sagemaker Canvas، وهو طريقة بلا كود لبناء سير عمل تعلّم الآلة، مرورًا بـ AWS Clarify، أداة للتحيز والتفسير، وصولًا إلى حلول إشراك الإنسان في الحلقة لوسم نماذج تعلّم الآلة ونشرها.