Blank white background with no objects or features visible.

تحية إلى منطقة أوروبا والشرق الأوسط وأفريقيا! توسع TrueFoundry نطاق حضورها في هذه المنطقة الحيوية. اقرأ المزيد ←

True ML Talks #4 - منصة تعلم الآلة في Salesforce

By TrueFoundry

Updated: November 3, 2026

Published: July 2, 2026

نعود إليكم بحلقة جديدة من  True ML Talks. في هذه الحلقة، نتعمق في منصة ML الخاصة بـ Salesforce، ونتحدث مع Arpeet Kale.

كان Arpeet جزءًا من الفريق الهندسي في Salesforce الذي بنى منصة ML بالكامل. وهو أحد مؤسسي Builders Fund، حيث يستثمر ويقدم الاستشارات مع زملائه لشركات ML/AI حول العالم. وفي الوقت نفسه، يشغل منصب رئيس البنية التحتية في Skiff.

📌

ستغطي محادثاتنا مع Arpeet الجوانب التالية:
- حالات استخدام ML في Salesforce
- هيكل فريق ML في Salesforce
- نظرة عامة على البنية التحتية لـ ML في Salesforce
- بناء النماذج الأولية لـ ML في Salesforce
- إدارة التكاليف لمشاريع ML ضخمة الحجم في السحابة
- التدفق المؤتمت لنقل النماذج
- بناء خدمة تنبؤ في الوقت الفعلي متعددة المستأجرين (Multi-Tenant)
- تحسين النماذج للذكاء الاصطناعي للمؤسسات
- تدابير الأمان والموثوقية في منصة الذكاء الاصطناعي في Salesforce
- منصة البنية التحتية لـ ML مقابل منصة نشر البرمجيات

شاهد الحلقة الكاملة أدناه:

لماذا يُعد تعلم الآلة (ML) مهمًا لـ Salesforce

  1. تجارب عملاء مخصصة ← يتيح ML لـ Salesforce تقديم تجارب عملاء مخصصة، حيث يسمح لهم بتحليل بيانات العملاء وتوليد الرؤى لتحسين التفاعلات معهم.
  2. أتمتة الحملات التسويقية ← يساعد عملاء Salesforce على أتمتة حملاتهم التسويقية من خلال تحليل الصور والنصوص وبيانات وسائل التواصل الاجتماعي، مما يسمح لهم بالتركيز على شخصيات العملاء المستهدفة وتحسين استراتيجيتهم التسويقية.
  3. روبوتات الدردشة لدعم عملاء فعال ← تساعد روبوتات الدردشة المدعومة بـ ML الشركات على أتمتة دعم العملاء، مما يقلل من أوقات الانتظار والتكاليف على الشركة.
  4. تحديد المخاطر الأمنية والحد منها ← يساعد ML شركة Salesforce في تحديد المخاطر الأمنية المحتملة والحد منها عن طريق تحليل البيانات واكتشاف الأنماط الشاذة.
  5. التحسين المستمر للمنتجات والخدمات ← من خلال الاستفادة من ML، يمكن لـ Salesforce تحسين منتجاتها وخدماتها باستمرار عن طريق تحليل ملاحظات العملاء واستخدام تلك المعلومات لتطوير ميزات وتحسينات جديدة.

هيكل فريق ML في Salesforce

في Salesforce، تم تقسيم فريق ML إلى ثلاثة فرق:

  1. فريق الأبحاث: ضم فريق الأبحاث مئات الباحثين الذين ركزوا على المشكلات البحثية المستحدثة ونشر الأوراق البحثية.
  2. فريق العلوم التطبيقية: كان فريق العلوم التطبيقية مسؤولاً عن المنتج الفعلي وحالات استخدام علم البيانات.
  3. الفريق الهندسي: كان الفريق الهندسي مسؤولاً عن بناء البنية التحتية لمنصة ML التي يمكنها دعم فريقي الأبحاث والعلوم التطبيقية.

وجدنا هذه المدونة الممتعة حول كيفية استخدام ML بواسطة Salesforce:

‍

‍

نظرة عامة على البنية التحتية لـ ML في Salesforce

تم بناء البنية التحتية لـ ML في Salesforce على حزمة تقنية تم اختيارها لتوفير منصة قابلة للتوسع وموثوقة. إليك بعض النقاط الأكثر أهمية وفرادة حول هذه البنية التحتية:

  1. كانت البنية التحتية تعمل على AWS، وتم استخدام Kubernetes لإدارة جميع عمليات الحوسبة. أتاح استخدام Kubernetes النشر السهل لأي نوع من أطر عمل تعلم الآلة، سواء TensorFlow أو PyTorch.
  2. كان هناك فصل للحزم (clusters) بين فريق الأبحاث، وفريق العلوم التطبيقية، والفريق الهندسي. وسمح ذلك بإدارة أفضل لسعة الحوسبة والموارد.
  3. تمت بناء المنصة حول منسق (orchestrator) للتدريب، وخدمة تنبؤ في الوقت الفعلي، وخدمة تنبؤ على دفعات (batch)، وواجهة واجهة برمجية أمامية (front-end API) لإدارة عمليات المستخدمين مثل المصادقة والتفويض.
  4. تكونت البنية التحتية من قاعدة بيانات SQL مهيكلة ومتجر ملفات غير مهيكل مثل S3، واستُخدما لإدارة البيانات. وكانت المنصة مسؤولة عن إدارة البيانات بين الاثنين.
  5. كان هناك مزيج من حزم GPU، اعتمادًا على حالة الاستخدام. وسمح ذلك بالاستخدام الكفء للموارد والأداء الأفضل.
Machine Learning Platform, ml platform, salesforce, Amazon Web Services, Databricks, truefoundry
معمارية منصة تعلم الآلة في Salesforce (المصدر)

📌

الأسباب الرئيسية لأهمية فصل الحزم (clusters) في البنية التحتية لتعلم الآلة هي:

1. الأمان: يقلل فصل الحزم من خطر خرق البيانات والوصول غير المصرح به إلى البيانات الحساسة. حيث يمكن لكل فريق العمل في بيئته الخاصة مع تدابير الأمان اللازمة.
2. امتثال البيانات: قد تكون لدى الفرق المختلفة متطلبات امتثال بيانات مختلفة، والتي يمكن تلبيتها عن طريق فصل الحزم. هذا يضمن أن كل فريق يعمل مع بيانات تلتزم بالمتطلبات التنظيمية اللازمة.
3. إدارة الموارد: يتيح فصل الحزم للفرق الحصول على الموارد التي يحتاجونها لإكمال مهامهم دون التداخل مع موارد الفرق الأخرى. هذا يضمن الاستخدام الكفء للموارد ويمنع التنافس عليها.

بناء النماذج الأولية في Salesforce: نهج موجه (Opinionated)

في Salesforce، تم بناء إطار عمل النماذج الأولية حول Jupyter Notebooks، مما سمح لعلماء البيانات بتشغيل تجارب قصيرة المدى بشكل تفاعلي وفي الوقت الفعلي. ثم يتم نقل التجارب إلى وظيفة طويلة الأمد على حزمة واسعة النطاق، لإنتاج مقاييس في الوقت الفعلي أثناء تشغيل الوظيفة.

تم بناء SDK للتدريب والتجريب لتجريد تعقيدات جدولة الوظائف، وسحب البيانات ودفعها، والاعتماديات الخاصة بالنظام. كان بإمكان علماء البيانات استدعاء Python API أو دالة للتعامل مع هذه المهام، ومتابعة تقدم التجارب والمقاييس والسجلات والمزيد في لوحة تحكم بيئة العمل.كان إطار العمل موجهًا (opinionated)، حيث قدم حلاً مجردًا ولكن مع السماح ببعض المرونة في كيفية اختيار علماء البيانات لاستخدام المنصة. ومع ذلك، لم تكن تجربة حرة تمامًا، بل كانت هناك إرشادات ومعايير داخلية يجب اتباعها.

📌

تحديات استضافة Jupyter Notebooks على نطاق واسع مع البيانات الحساسة:
عند استضافة Jupyter Notebooks على نطاق واسع مع بيانات حساسة، تتضمن التحديات الرئيسية مسارات عمل الموافقة للمصادقة. يجب على علماء البيانات الحصول على موافقة من شخص أو مدير معين للوصول إلى البيانات. تكون بيئة Notebook مؤقتة ويتم تدميرها بعد اكتمال التجارب، ولكن يتم الحفاظ على جميع المخرجات (artifacts) المنشأة. تكون المصادقة مدفوعة بـ API ومدمجة مع الأنظمة الداخلية.

كيفية إدارة التكاليف لمشاريع تعلم الآلة ضخمة الحجم في السحابة

يمكن لمشاريع تعلم الآلة ضخمة الحجم أن تصبح مكلفة بسرعة، خاصة عند استخدام موارد GPU في السحابة. ومن أجل إدارة التكاليف خلال مرحلة النماذج الأولية، هناك بضع استراتيجيات يمكن تطبيقها.

  1. السعة المحجوزة (Reserved Capacity): إذا كنت تعرف مقدار السعة التي تحتاجها، يمكنك حجزها مسبقًا والحصول على خصم على الأسعار. يعمل هذا بشكل جيد إذا كانت لديك فكرة جيدة عما ستكون عليه متطلبات الموارد لديك على المدى الطويل.
  2. التوسع التلقائي (Auto-Scaling): إذا لم تكن متأكدًا من السعة التي ستحتاجها أو إذا كانت متطلبات الموارد لديك متقلبة، فإن التوسع التلقائي يمكن أن يساعدك. من خلال توسيع الموارد أو تقليصها تلقائيًا بناءً على الطلب، يمكنك تجنب الدفع مقابل السعة غير المستخدمة.

في حين توجد استراتيجيات أخرى لتقليل التكاليف، مثل استخدام المثيلات الفورية (spot instances)، فإن هذه غالبًا ما تتطلب الكثير من الجهد الهندسي وقد لا تكون عملية للوظائف طويلة الأمد. بالإضافة إلى ذلك، قد لا تتوفر المثيلات الفورية دائمًا في المناطق التي تحتوي على موارد GPU.

من خلال استخدام السعة المحجوزة والتوسع التلقائي، يمكنك إدارة التكاليف بفعالية مع الاستمرار في الحصول على الموارد التي تحتاجها لمشاريع تعلم الآلة الخاصة بك. وتستمر هذه الاستراتيجيات في كونها ذات صلة اليوم ويمكن تطبيقها على أي مزود خدمة سحابية عامة.

التدفق المؤتمت لنقل النماذج

اعتمد تدفق الترقية (promotion flow) في Salesforce لنقل النماذج من بيئة إلى أخرى على مفهوم مجموعات البيانات الذهبية (golden datasets) لكل مجال. كان بإمكان علماء البيانات تقييم أداء النموذج على مجموعات البيانات هذه وأيضًا على مجموعات بيانات عشوائية لتقييم قدرة النموذج على الأداء الجيد على أنواع مختلفة من البيانات. ساعدهم ذلك في تقرير ما إذا كانوا سيرقون النموذج إلى بيئات أعلى أم لا.

تمت عملية الترقية من خلال بيئة العمل، ولكن تم إبقاؤها يدوية قليلاً عن قصد لضمان أداء النموذج بما يتجاوز عتبة معينة على أنواع n+1 من مجموعات البيانات. كان هذا تحديًا لأن Salesforce نظام متعدد المستأجرين، وكل عميل لديه مجموعة بيانات مختلفة، تصل أحيانًا إلى مئات الآلاف. قامت Salesforce ببناء مئات الآلاف من النماذج، كل منها خاص بعميل ومجموعة بيانات معينة، وأتمتت العملية بقدر الإمكان.بشكل عام، تم تصميم تدفق الترقية في Salesforce لضمان تقييم النماذج بدقة وأدائها الجيد على مجموعات بيانات متنوعة قبل ترقيتها إلى بيئات أعلى.بناء خدمة تنبؤ في الوقت الفعلي متعددة المستأجرين للنماذج المعقدة

يعد بناء خدمة تنبؤ في الوقت الفعلي متعددة المستأجرين مهمة معقدة تتضمن تقديم عدد كبير من النماذج بأحجام ومعماريات مختلفة في الوقت الفعلي مع تلبية متطلبات SLA محددة. ولمعالجة هذا التحدي، طور الفريق الهندسي في Salesforce طبقة تقديم (serving layer) مرت بعدة مراحل.في البداية، اعتمد الفريق على قاعدة بيانات مهيكلة للبيانات الوصفية ومتجر ملفات لمخرجات النماذج. ومع ذلك، لم يكن هذا النهج قابلاً للتوسع للنماذج الأكثر كبرًا وتعقيدًا. ولحل هذه المشكلة، قاموا بتقسيم (sharded) الحزم بناءً على تعقيد النموذج ونوع الحوسبة المطلوبة. على سبيل المثال، عملت النماذج الأصغر على CPUs، بينما احتاجت النماذج الأكبر إلى GPUs. تم تخصيص الحزم لأنواع محددة من النماذج، مثل نماذج NLP، ونماذج LSTM، ونماذج Transformer، ونماذج تصنيف الصور، ونماذج كشف الكائنات، ونماذج OCR.طور الفريق أيضًا طبقة تقوم بتنسيق نشر الخدمات على حزم ومجموعات عقد مختلفة. وقاموا بتطبيق التخزين المؤقت (caching) لضمان حصول النماذج المطلوبة بكثرة على زمن انتقال أقل. في البداية، كُفل لعلماء البيانات والأبحاث استخدام إطار العمل المفضل لديهم، مما جعل تقديم النماذج بشكل موحد أمرًا صعبًا. حصر الفريق أطر العمل في واحد أو اثنين وقاموا بتحسين النماذج لهذين الإطارين.أخيرًا، حول الفريق النماذج إلى تنسيق موحد بغض النظر عن إطار التدريب الأصلي، مما سمح لهم بتحسين كود التقديم لكل نوع من النماذج. وبشكل عام، أسفرت جهود الفريق عن خدمة تنبؤ في الوقت الفعلي قابلة للتوسع وفعالة وموثوقة.كان الاستدلال في الوقت الفعلي هو الشيء المفضل لدي للعمل عليه. وأعتقد أنه بحلول نهاية الأمر، تمكنا أيضًا من تسجيل براءة اختراع له. لذلك، كانت ميزة هندسية رائعة أضفناها إلى المنصة. لقد كانت الميزة الأكثر استخدامًا، في الواقع. كنا نقوم بعمليات تنبؤ في خانة العشرات من الملايين يوميًا، لذا كان من المرضي جدًا رؤيتها تُستخدم من قبل هذا العدد الكبير من العملاء.
- Arpeet

وجدنا هذه المدونة الممتعة حول بحيرات ML ومعمارية منصة البيانات في Salesforce:

‍

تحسين النماذج للذكاء الاصطناعي للمؤسسات

قاموا باختبار أداء النماذج (benchmarking) بكثافة وهدفوا إلى البقاء ضمن حدود المشغلين المدعومين على نطاق واسع والعمليات الأخرى داخل إطار العمل لضمان التحويل السهل. كانت المشغلات المخصصة ذات تحويل عالي الاحتكاك وتطلبت نهجًا دقيقًا، لكن الفريق وجد أن 95% من حالات الاستخدام تم حلها بسهولة بواسطة النماذج الجاهزة التي لا تتطلب تقنيات جديدة. سمح لهم ذلك بالتحسين لغالبية حالات الاستخدام وقضاء الوقت على الـ 5% المتبقية من النماذج التي لم تكن مستخدمة على نطاق واسع.

أشار Arpeet أيضًا إلى أن أطر العمل مثل ONNX وTriton وInference Server من NVIDIA قد قطعت شوطًا كبيرًا في توحيد معايير تنسيقات النماذج واختبار الأداء، مما يجعلها أدوات قيمة لحالات استخدام الاستدلال الكبير في الوقت الفعلي.

تدابير الأمان والموثوقية في منصة الذكاء الاصطناعي في Salesforce

  1. Approval مسارات العمل: قبل نشر النموذج في الإنتاج، كانت هناك مسارات عمل للموافقة حول مجموعة البيانات لضمان خصوصية البيانات.
  2. العزل الأمني: كانت بيئة الإنتاج معزولة تمامًا وحاصلة على شهادات امتثال مثل HIPAA وISO.
  3. تعدد المستأجرين: غطت المصادقة جميع المستأجرين لضمان أن عميلاً معينًا فقط يمكنه الوصول إلى بياناته الخاصة.
  4. التكرار والوفرة العالية: تم بناء تدابير التكرار والوفرة العالية الكافية في المنصة لضمان الموثوقية.

منصة البنية التحتية لـ ML مقابل منصة نشر البرمجيات

تتمتع منصات البنية التحتية لتعلم الآلة ومنصات نشر البرمجيات بالكثير من النقاط المشتركة، وفقًا للمناقشة بين Anuraag وArpeet. إليك النقاط الرئيسية:

  1. أوجه التشابه: تتطلب كلتاهما طبقة بيانات، وطبقة حوسبة، وطبقة تنسيق (orchestration)، وخدمة مصادقة وبوابة API، وخدمة خلفية (backend service). قد تقوم الخدمة الخلفية بتشغيل عبء عمل التحليلات أو هندسة البيانات في البنية التحتية القياسية، بينما تشغل عبء عمل ML في البنية التحتية لـ ML.
  2. أوجه الاختلاف: قد تحتوي البنية التحتية لـ ML على بحيرة بيانات أو بحيرة ML لعبء عمل ML، بينما قد لا تتطلب البنية التحتية القياسية ذلك. قد تستخدم البنية التحتية لـ ML أيضًا أنظمة تنسيق متخصصة.
  3. الأدوات: تختلف الأدوات في كلا المنصتين. قد تتطلب البنية التحتية لـ ML أدوات متخصصة للتنسيق، بينما قد تستخدم البنية التحتية القياسية أدوات أبسط. ومع ذلك، فإن أداة النشر لكلا منصتي البنية التحتية هي نفسها في معظم الحالات، خاصة عند النشر على حزمة Kubernetes.

بشكل عام، لا يوجد فرق كبير بين منصات البنية التحتية لتعلم الآلة ومنصات نشر البرمجيات، باستثناء طبيعة عبء العمل والأدوات المطلوبة للتنسيق.

أفكار إضافية من Arpeet

MLOps: البناء مقابل الشراء

  1. استخدم البدائل المتاحة التي توفر العديد من الميزات الجاهزة عند بناء بنية تحتية لـ ML للشركات متوسطة الحجم والشركات الناشئة.
  2. بالنسبة للشركات الناشئة في مراحلها المبكرة، استخدم سكربتات Python بسيطة، وقم بالتدريب على جهاز واحد مزود بـ GPUs متعددة، وقم بتطبيق شكل من أشكال التنسيق لتوفير التكاليف.
  3. بالنسبة لمسارات عمل ML المستقرة في الشركات الصغيرة إلى متوسطة الحجم، استخدم الأدوات مفتوحة المصدر مباشرة، ولكن فكر في استخدام حل جاهز مثل TrueFoundry.

نصيحة لمهندسي ML

أعتقد أنني سأقول إن التركيز على مجال متخصص في هذه المرحلة، من حيث تشغيل مسار عمل ذكاء اصطناعي واسع النطاق فعليًا، سيكون على الأرجح المجموعة التالية من التحديات الصعبة.
- Arpeet

اقرأ مدوناتنا السابقة في سلسلة TrueML

‍

‍

واصل مشاهدة سلسلة يوتيوب TrueML وقراءة جميع سلسلة مدونات TrueML.

TrueFoundry هي منصة PaaS لنشر ML فوق Kubernetes لتسريع مسارات عمل المطورين مع منحهم مرونة كاملة في اختبار النماذج ونشرها مع ضمان التحكم والأمان الكامل لفريق البنية التحتية. من خلال منصتنا، نمكّن فرق تعلم الآلة من نشر ومراقبة النماذج في 15 دقيقة بموثوقية وقابلية للتوسع بنسبة 100%، والقدرة على التراجع في ثوانٍ - مما يسمح لهم بتوفير التكلفة وإصدار النماذج للإنتاج بشكل أسرع، وتحقيق قيمة تجارية فعلية.

Try now.

One gateway for all your models, MCP servers, and agents. No credit card needed.

Start free
Table of Contents

One Gateway for Every LLM, Agent and MCP Server

Book a 30-min with our AI expert

Book a Demo

The fastest way to build, govern and scale your AI

Book Demo
Summarize with
ChatGPT logo by OpenAI
Perplexity AI logo
Blurry red snowflake on white background, symmetrical frosty design with soft edges and abstract shape.

Discover More

October 26, 2023
|
5 min read

True ML Talks #23 - تطبيقات MLOps و LLMs في GitLab

Guide to Langgraph vs Langchain
November 16, 2026
|
5 min read

مقارنة بين LangChain وLangGraph: أيهما الأفضل لك؟

مقارنة
A detailed guide on Claude Fable 5
November 16, 2026
|
5 min read

كلود فيبل 5: واجهة برمجة التطبيقات، المعايير، التسعير وكيفية استخدامه

الهندسة والمنتج
openrouter vs litellm
November 16, 2026
|
5 min read

LiteLLM مقابل OpenRouter: أيهما الأنسب لك؟

مقارنة
November 16, 2026
|
5 min read

معمارية المحول في نماذج اللغة الكبيرة

مصطلحات LLM
No items found.

Recent Blogs

Black left pointing arrow symbol on white background, directional indicator.
Black left pointing arrow symbol on white background, directional indicator.
Take a quick product tour
Start Product Tour
Product Tour