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 ←

تدريب نماذج Machine Learning باستخدام Jobs في TrueFoundry

By TrueFoundry

Updated: November 3, 2026

Published: July 2, 2026

مقدمة

في هذه المدونة، سنعرفك على تدريب نماذج machine learning على منصة TrueFoundry. سنناقش كيفية تشغيل مهام التدريب (training jobs) على TrueFoundry. وسنرى أيضًا كيف يمكنك إجراء ضبط المعلمات الفائقة (hyperparameter tuning) بسهولة لنماذج machine-learning الخاصة بك، وتشغيل مهامك على GPUs.

صياغة المشكلة

لنبدأ أولاً بصياغة المشكلة، لنفترض أننا نريد معرفة كيفية تطور مرض السكري لدى المريض بناءً على ميزات مختلفة مثل العمر، ومؤشر كتلة الجسم (BMI)، وضغط الدم، وما إلى ذلك. في هذه المدونة، سنقوم بتدريب نموذج Diabetes Dataset machine-learning في scikit-learn.

بالحديث عن تدريب نماذج machine-learning، هناك عدة طرق للقيام بذلك مثل التدريب محليًا على جهازك، أو التدريب في Jupyter Notebooks، وما إلى ذلك. ومع ذلك، قد تتطلب عملية التدريب موارد أكثر مما هو متاح على الجهاز المحلي.

هنا يأتي دور Jobs في TrueFoundry لتمكينك من نشر كود التدريب ليعمل على جهاز بعيد وتتبع السجلات (logs) والمقاييس (metrics).

ملاحظة: بينما نستخدم مجموعة بيانات السكري هذه، فإن التعليمات المذكورة في هذه المدونة تنطبق على نماذج machine-learning / deep-learning الأخرى أيضًا.

ما هي TrueFoundry Job؟

توفر Jobs طريقة لتشغيل مهام الدُفعات (batch tasks) قصيرة الأجل أو المتوازية أو المتسلسلة داخل Cluster. تم تصميم Jobs لتعمل حتى الاكتمال، بدلاً من كونها خدمات طويلة الأجل أو تطبيقات تعمل باستمرار. بمجرد اكتمال Job، يتم تحرير موارد الحوسبة والذاكرة، وبالتالي لا نتحمل أي تكلفة إضافية.

مهمة تدريب النموذج على TrueFoundry

كما ذكرنا سابقًا، سنستخدم Diabetes Dataset في scikit-learn. تحتوي مجموعة البيانات على 442 عينة (مرضى) و10 ميزات، وكلها رقمية. تمثل الميزات عوامل مختلفة يمكن أن تؤثر على تطور مرض السكري لدى المرضى. المتغير المستهدف هو أيضًا رقمي ويمثل قياسًا كميًا لتطور المرض بعد عام واحد من خط الأساس لكل مريض.

تعليمات الإعداد

قبل أن ننتقل إلى تدريب نماذج machine-learning، دعنا نمر على تعليمات الإعداد:

إنشاء Workspace

انتقل إلى لوحة تحكم TrueFoundry وقم بإنشاء حساب. بمجرد تسجيل الدخول، سيُطلب منك إنشاء workspace. ستتبع ذلك بنشر مهامك (jobs) في هذا workspace.

إنشاء ML Repo

بمجرد إنشاء workspace الخاص بك، انتقل وقم بإنشاء ML Repository من لوحة التحكم.

ML Repository عبارة عن مجموعة من التشغيلات (runs) والنماذج (models) والمنتجات المرافقة (artifacts) التي تمثل مشروع Machine Learning. يمكنك التفكير فيه مثل مستودع git باستثناء أنه يستضيف المنتجات المرافقة والنماذج والبيانات الوصفية (metadata). يمكن تكوين جميع عناصر التحكم في الوصول على مستوى ml-repo.

إضافة وصول ML Repo إلى Workspace الخاص بك

بمجرد إنشاء ML Repo، انتقل إلى workspaces وقم بتعديل workspace الخاص بك وقم بتمكين 'ML Repo Access'. انقر فوق 'Add ML Repo Access' لإضافة ML Repo إلى هذا workspace. سيمنح هذا Job التي تعمل في workspace إمكانية الكتابة والقراءة من ML repo.

تثبيت servicefoundry

pip install servicefoundry

تسجيل الدخول إلى TrueFoundry

--host: مرر رابط لوحة تحكم TrueFoundry الخاص بك هنا

sfy login --host <YOUR-HOST-URL-HERE>

بمجرد إكمال تعليمات الإعداد أعلاه، يمكننا المضي قدمًا في قسم التنفيذ.

التنفيذ

هيكل الدليل

في هذه المدونة، سنلتزم بهيكل الدليل التالي حيث:

❯ tree
.
├── deploy.py
├── requirements.txt
└── train.py

الآن دعنا نراجع كود تدريب نموذج السكري:

خطوات تدريب النموذج

الخطوة 1: استيراد المكتبات المطلوبة

from sklearn.metrics import accuracy_score
from sklearn.datasets import load_diabetes
from sklearn.model_selection import train_test_split
from sklearn.compose import TransformedTargetRegressor
from sklearn.preprocessing import QuantileTransformer
from sklearn.svm import SVR

الخطوة 2: تحميل مجموعة البيانات

X, y = load_diabetes(as_frame=True, return_X_y=True)

الخطوة 3: تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

الخطوة 4: إنشاء وتدريب نموذج machine-learning

regressor = SVR(kernel=kernel)
model = TransformedTargetRegressor(
   regressor=regressor,
   transformer=QuantileTransformer(n_quantiles=n_quantiles, output_distribution="normal"),
)
model.fit(X_train, y_train)

الخطوة 5: إجراء التنبؤات على بيانات الاختبار

y_pred = model.predict(X_test)

الخطوة 6: تقييم أداء النموذج

accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy:.2f}")

الكود الكامل لتدريب النموذج

from sklearn.metrics import accuracy_score
from sklearn.datasets import load_diabetes
from sklearn.model_selection import train_test_split
from sklearn.compose import TransformedTargetRegressor
from sklearn.preprocessing import QuantileTransformer
from sklearn.svm import SVR

def train(kernel: str, n_quantiles: int):
   # load the dataset and create train and test sets
   X, y = load_diabetes(as_frame=True, return_X_y=True)
   
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
   
   # initialize the model
   regressor = SVR(kernel=kernel)
   model = TransformedTargetRegressor(
       regressor=regressor,
       transformer=QuantileTransformer(n_quantiles=n_quantiles, output_distribution="normal"),
   )
   
   # train and test model
   model.fit(X_train, y_train)
   y_pred = model.predict(X_test)
   
   accuracy = accuracy_score(y_test, y_pred)
   print(f"Accuracy: {accuracy:.2f}"
   
   return regressor, model, X_test, y_test

الآن بعد أن رأينا الكود لتدريب نموذج machine-learning، يمكننا المضي قدماً والتعلم حول كيفية حفظ (أو تسجيل) مثل هذه النماذج للاستخدام في المستقبل.

يتكون النموذج من ملف نموذج وبعض البيانات الوصفية. يمكن أن يكون لكل نموذج إصدارات متعددة. يمكننا تسلسل (serialize) وحفظ وإصدار كائنات النموذج تلقائيًا باستخدام طريقة save_model_metadata وفيما يلي خطوات القيام بذلك:

خطوات تسجيل النموذج

الخطوة 1: استيراد المكتبات المطلوبة

import mlfoundry

الخطوة 2: إنشاء ML Repo Run

run = mlfoundry.get_client().create_run(ml_repo=ml_repo, run_name="SVR-with-QT")

يمثل Run تجربة واحدة تكون في سياق Machine Learning نموذجًا محددًا واحدًا (مثل Logistic Regression)، مع مجموعة ثابتة من المعلمات الفائقة (hyper-parameters). يتم تسجيل المقاييس والمعلمات (التفاصيل أدناه) تحت تشغيل (run) محدد.

الخطوة 3: تسجيل المعلمات الفائقة للنموذج

run.log_params(regressor.get_params())

الخطوة 4: تسجيل مقاييس النموذج

run.log_metrics({"score": model.score(X_test, y_test)})

الخطوة 5: تسلسل وتسجيل نموذج معنون بإصدار

model_version = run.log_model(name="diabetes-regression", model=model, framework="sklearn")
print("model_version =", model_version.version, "model_fqn =", model_version.model_fqn)

ينتج عن كل نموذج مسجل إصدار جديد مرتبط بـ name المعطى والمرتبط بـ run الحالي. يمكن تسجيل إصدارات متعددة من النموذج كإصدارات منفصلة تحت نفس name.

الكود الكامل لتسجيل النموذج

import mlfoundry

def save_model_metadata(regressor, model, X_test, y_test, ml_repo):
   # create a run in truefoundry’s ml_repo
   run = mlfoundry.get_client().create_run(ml_repo=ml_repo, run_name="SVR-with-QT")
   
   # log the hyperparameters of the model
   run.log_params(regressor.get_params())
   
   # log the metrics of the model
   run.log_metrics({"score": model.score(X_test, y_test)})
   
   # log the model
   model_version = run.log_model(name="diabetes-regression", model=model, framework="sklearn")
   
   print("model_version =", model_version.version, "model_fqn =", model_version.model_fqn)

الآن بعد أن رأينا عملية تدريب النموذج وتسجيله، يمكننا تجميع ذلك في ملف train.py واحد. يجب أن تبدو المحتويات النهائية لملف train.py كالتالي:

train.py

# required import statements for both functions

def train(kernel, n_quantiles):
   ...

def save_model_metadata(regressor, model, X_test, y_test, ml_repo):
   ...

regressor, model, X_test, y_test = train(kernel="linear", n_quantiles=100)
save_model_metadata(regressor, model, X_test, y_test, ml_repo="YOUR ML REPO NAME")

هذا يكمل كود تدريب النموذج وتسجيله. الآن يتعين علينا نشر كود تدريب النموذج كـ job. يحتوي deploy.py على كود نشر كود تدريب النموذج أعلاه كما هو موضح أدناه:

deploy.py

from servicefoundry import Build, Job, PythonBuild, LocalSource

# defining the job specifications
job = Job(
   name="diabetes-train-job",
   image=Build(
       build_spec=PythonBuild(command="python train.py", requirements_path="requirements.txt"),
       build_source=LocalSource(local_build=False)
   ),
)
deployment = job.deploy(workspace_fqn="YOUR WORKSPACE FQN HERE")

يجب أن يحتوي requirements.txt على الحزم التالية:

requirements.txt

pandas==1.3.5
scikit-learn==1.2.1
mlfoundry>=0.7.2,<0.8.0

في كود deploy.py أعلاه، يتم نشر job تعرض درجة الدقة (accuracy score) للنموذج المدرب في السجلات عند استدعائها. كما تقوم أيضًا بتسجيل نموذج machine-learning المدرب. للقيام بذلك، يتم إنشاء كائن job باستخدام فئة servicefoundry.Job. تم تسمية job بـ diabetes-train-job هنا.

ملاحظة: تأكد من استبدال "YOUR ML REPO NAME" باسم ML Repo الخاص بك في train.py و"YOUR WORKSPACE FQN HERE" بـ FQN الخاص بـ workspace في ملف deploy.py.

في ملف train.py، تحتاج إلى تمرير Name of the ML Repo الذي أنشأته إلى دالة save_model_metadata(). في ملف deploy.py، تحتاج إلى تمرير FQN الخاص بـ workspace الذي أنشأته إلى دالة job.deploy(). الآن قم بتنفيذ الأمر التالي لنشر job:

python deploy.py

بعد نشر مهمة التدريب، انتقل إلى القسم الفرعي "Jobs" في قسم "Deployments"، ويجب أن يبدو مشابهًا لهذا:

الآن بعد أن انتهينا من نشر job الخاصة بنا، سنرغب في تشغيلها (trigger). يمكنك القيام بذلك إما باستخدام Python SDK الخاص بنا أو لوحة تحكم TrueFoundry. أولاً، سنتحدث عن تشغيل jobs من لوحة تحكم TrueFoundry. لمعرفة الطرق الأخرى لتشغيل jobs، ارجع إلى قسم Triggering Jobs from Python SDK.

تشغيل تشغيلات Job من واجهة المستخدم

بعد أن انتهت مهمة التدريب من الانتشار، انتقل إلى القسم الفرعي "Jobs" في قسم "Deployments"، وانقر على "diabetes-train-job"، وانقر على "Run Job" لتكوين job قبل التشغيل. يجب أن تبدو مشابهة لهذا:

عند الوصول إلى الشاشة أعلاه، انقر فوق "Run Job" في الزاوية السفلية اليمنى لتشغيل هذه Job. بعد أن تنتهي مهمة التدريب من التشغيل، انتقل إلى القسم الفرعي "Jobs" في قسم "Deployments"، وانقر على "diabetes-train-job"، ويجب أن تبدو مشابهة لهذا:

تحت "Run Details"، انقر على "SVR-with-QT" لرؤية المقاييس والمعلمات الفائقة الرئيسية التي تم تسجيلها في ملف train.py. يجب أن تبدو مشابهة لهذا:

ضبط المعلمات الفائقة (Hyperparameter Tuning)

تخيل أن لديك مهام معالجة بيانات واسعة النطاق أو معالجة دُفعات حيث يكون تشغيل job واحدة بتكوينات مختلفة أمرًا أساسيًا ليس فقط لتبسيط سير العمل ولكن أيضًا لضمان الاتساق في تنفيذ job. في مثل هذه الحالات، ستكون Parameterized job مفيدة جدًا.

Parameterized Job هي نوع من jobs يتيح لك إنشاء مثيلات متعددة (pods) بمعلمات أو مدخلات مختلفة. الهدف الرئيسي من Parameterized Job هو توفير المرونة في تنفيذ job عن طريق تخصيص سلوكها لسيناريوهات مختلفة.

على سبيل المثال، تعتبر job ذات الأمر كـ python main.py --n_quantiles {{n_quantiles}} parameterized job لأنها تأخذ n_quantiles كمدخلات قبل التشغيل. يمكننا تبسيط job المنشورة أعلاه باستخدام المعلمات.

لتحليل وسائط السطر الأوامر، سنستخدم وحدة argparse. يوضح الكود التالي الكود المحدث لملفي train.py وdeploy.py، حيث القيم الافتراضية لـ kernel وn_quantiles هي linear و100 على التوالي:

train.py

import os, argparse

def train(kernel, n_quantiles):
   ...

def log_model(regressor, model, X_test, y_test, ml_repo):
   ...

parser = argparse.ArgumentParser()
parser.add_argument("--kernel", default="linear", type=str)
parser.add_argument("--n_quantiles", default=100, type=int)
args = parser.parse_args()

regressor, model, X_test, y_test = train(kernel=args.kernel, n_quantiles=args.n_quantiles)
log_model(regressor, model, X_test, y_test, ml_repo=os.environ.get("ML_REPO_NAME"))

deploy.py

import argparse
from servicefoundry import Build, Job, PythonBuild, Param, LocalSource

parser = argparse.ArgumentParser()
parser.add_argument("--workspace_fqn", type=str, required=True)
parser.add_argument("--ml_repo", type=str, required=True)
args = parser.parse_args()

cmd = "python train.py --kernel {{kernel}} --n_quantiles {{n_quantiles}}"

# Defining the job specifications
# Only the command changes in 'image' attribute
job = Job(
   ...
   image=Build(build_spec=PythonBuild(command=cmd, ...), ...),
   params=[
       Param(name="n_quantiles", default='100'),
       Param(name="kernel", default='linear', description="svm kernel"),
   ],
   env={ "ML_REPO_NAME": args.ml_repo }
)
deployment = job.deploy(workspace_fqn=args.workspace_fqn)

ملاحظة: تأكد من استبدال "YOUR ML REPO NAME" باسم ML Repo الخاص بك و"YOUR WORKSPACE FQN HERE" بـ FQN الخاص بـ workspace في الأمر أدناه.

الآن قم بتنفيذ الأمر التالي لنشر parameterized job:

python deploy.py --workspace_fqn "YOUR WORKSPACE FQN HERE" --ml_repo "YOUR ML REPO NAME"

بدلاً من ذلك، يمكنك التنفيذ مباشرة من مستودع Github الخاص بنا.

git clone https://github.com/truefoundry/truefoundry-examples.git
cd training-job-example
python deploy.py --workspace_fqn "YOUR WORKSPACE FQN HERE" --ml_repo "YOUR ML REPO NAME"

سيتم إنشاء الإصدار 2 من Job بعد انتهاء النشر. بعد أن تنتهي مهمة التدريب من الانتشار، الخطوة التالية هي تشغيل هذه job.

انقر على "diabetes-train-job"، وانقر على "Run Job" لتكوين job قبل التشغيل. يمكنك الآن تغيير معلمات n_quantiles وkernel. يجب أن تبدو مشابهة لهذا:

جرب تشغيل تشغيلات job بقيم مختلفة لـ معلمة kernel مثل linear، sigmoid، poly وrbf. وبالمثل، يمكنك استخدام قيم مختلفة لمعلمات n_quantiles مثل 50، 80، 100، إلخ. يجب أن تبدو تشغيلات job المختلفة مشابهة لهذا:

مقارنة تشغيلات Job من واجهة المستخدم

يمكنك مقارنة مقاييس تشغيلات job المختلفة في لوحة التحكم بالنقر فوق زر المقارنة في الجزء العلوي الأيمن من لوحة التحكم كما هو موضح أدناه:

يمكنك قراءة المزيد حول نشر Parameterized Job هنا:

‍

‍

تشغيل تشغيلات Job من Python SDK

حتى الآن رأينا فقط تشغيل تشغيلات job من لوحة تحكم TrueFoundry. الآن من المحتمل أن تشغيل job ليس دائمًا مرغوبًا عبر واجهة المستخدم، لذلك سنمر الآن على كيفية تشغيل job برمجياً عبر Python SDK.

يمكنك تشغيل job برمجياً باستخدام دالة trigger_job كما هو موضح أدناه:

from servicefoundry import Job, trigger_job

# Configure a Job Deployment
job = Job(...)

# Deploy a Job
job_deployment = job.deploy(workspace_fqn="YOUR WORKSPACE FQN")

# Trigger/Run a Job
trigger_job(
 application_fqn=job_deployment.application_fqn,
 params={"n_quantiles":"80"}
)

من الممكن أيضًا الحصول على application_fqn بسهولة من لوحة التحكم عن طريق الانتقال إلى Deployments --> Jobs --> ابحث عن اسم job الخاصة بك في workspace الخاص بك (هنا diabetes-train-job).

أدناه مثال آخر على تشغيل job برمجياً. أولاً، استبدل YOUR_APPLICATION_FQN بـ Application FQN لـ job المنشورة أعلاه في الكود الموضح أدناه. تم تمييز Application FQN للتطبيق أدناه:

في الكود الموضح أدناه، نختار عشوائيًا قيمة لمعلمات النموذج ونقوم بتشغيل تشغيل job باستخدام تلك المعلمات. بعد ذلك، نبحث في تشغيلات job لنسجل التشغيل ذو الحد الأقصى لـ score. يشير تشغيل job ذو أعلى نتيجة إلى اختيار أكثر ملاءمة لمعلمات النموذج.

import random
import mlfoundry as mlf
from servicefoundry import trigger_job

# Find deployed job, replace with the application fqn of your job
application_fqn = "YOUR_APPLICATION_FQN"

# Randomly generate params
n_quantiles = random.randint(50, 100)
kernel_values = ['linear', 'sigmoid', 'poly', 'rbf']
kernel = kernel_values[random.randrange(0, len(kernel_values))]

# Trigger/Run a Job
triggered_job = trigger_job(
   application_fqn=application_fqn,
   params={
       "n_quantiles": str(n_quantiles),
       "kernel": kernel
   }
)
print(f'Triggered job run with n_quantiles={n_quantiles} and kernel={kernel} and name as', triggered_job.jobRunName)

client = mlf.get_client()
ml_repo_name = "YOUR ML REPO NAME HERE"
runs = client.search_runs(ml_repo=ml_repo_name)

max_score = 0
for run in runs:
   metrics = run.get_metrics()
   print(f'All Metrics for run with name as {run.run_name}":', metrics)
   if 'score' in metrics:
       max_score = max(max_score, metrics['score'][0].value)

print("Model Max Score: ", max_score)

ملاحظة: تأكد من استبدال "YOUR ML REPO NAME HERE" باسم ML Repo الخاص بك و"YOUR WORKSPACE FQN HERE" بـ FQN الخاص بـ workspace في الأمر أدناه.

يمكنك قراءة المزيد حول تشغيل Jobs هنا:

‍

‍

مقارنة تشغيلات Job من Python SDK

يمكنك مقارنة مقاييس تشغيلات job المختلفة برمجياً باستخدام دالة mlfoundry.search_runs كما هو موضح في الكود التالي:

import mlfoundry as mlf

client = mlf.get_client()
ml_repo_name = "YOUR-ML-REPO-NAME"

# Returns all runs
runs = client.search_runs(ml_repo=ml_repo_name)

# Search for the subset of runs with logged accuracy metric > 0.7
filter_string = "metrics.score > 0.7"
runs = client.search_runs(ml_repo=ml_repo_name, filter_string=filter_string)

يمكنك قراءة المزيد عن دالة search_runs هنا:

‍

‍

نشر Job تستخدم GPU

تخيل التعامل مع نماذج واسعة النطاق تحتوي على ملايين أو مليارات المعلمات. سيكون تدريب مثل هذه النماذج باستخدام CPUs التقليدية مستغرقاً لوقت طويل جداً وقد يكون غير ممكن بسبب قيود الذاكرة.

على سبيل المثال، تدريب نموذج CNN بناءً على مجموعة بيانات CIFAR-10 في بيئة CPU مع 10 epochs يستغرق 36 دقيقة و31 ثانية، ولكن نفس النموذج عند تدريبه في بيئة GPU (NVIDIA K80) استغرق 4 دقائق و6 ثوانٍ فقط. هذا تحسن بمقدار 9 أضعاف (ارجع إلى هنا)

تلعب GPUs دورًا حيويًا في تدريب النماذج واسعة النطاق. فهي توفر النطاق الترددي للذاكرة وقدرات المعالجة المتوازية اللازمة للتعامل مع أحجام النماذج الكبيرة والهياكل المعقدة بكفاءة. الآن سنمر على كيفية استخدام GPU في Job.

يتطلب استخدام GPU في المثال أعلاه تعديلات طفيفة في كيفية تكوين job في ملف deploy.py. يوضح الكود أدناه تكوين Job المحدث لاستخدام GPU وتخصيص موارد CPU والذاكرة المخصصة:

deploy.py

from servicefoundry import Job, NodeSelector, GPUType, Resources

job = Job(
   resources=Resources(
       # Configure GPU
       gpu_count=1,
       node=NodeSelector(gpu_type=GPUType.T4)
       
       # (Optional) Configure CPU and Memory Resources
       cpu_request=0.2,
       cpu_limit=0.5,
       memory_request=128,
       memory_limit=512,
   ),
   ...
)

ملاحظة: باقي الكود يظل كما هو دون تغيير

خيارات أخرى لنشر Job

حتى الآن، رأينا العديد من خيارات نشر Job مثل image، params، وenv. هناك عدة طرق لتخصيص job الخاصة بك مع خيارات متقدمة. بعض من هذه الخيارات كالتالي:

تعيين نوع المشغل (Trigger Type) والتزامن (Concurrency)

الآن بعد أن ناقشنا Jobs التي يمكن تشغيلها يدويًا إما عبر لوحة تحكم TrueFoundry أو Python SDK. ولكن ماذا لو أردنا تشغيل Job وفق جدول زمني (مثل cron job)؟

تقوم cron job بتشغيل job المحددة وفق جدول تكراري. يمكن أن يكون هذا مفيدًا لإعادة تدريب نموذج بشكل دوري، وإصدار التقارير، والمزيد. يمكننا تنفيذ مثل هذه المهام عن طريق تغيير نوع trigger الخاص بها كالتالي:

from servicefoundry import Job, Schedule

job = Job(
   trigger=Schedule(
     schedule="0 8 1 * *",
     concurrency_policy="Forbid" # Values: ["Forbid","Allow", "Replace"]
   ),
   concurrency_limit=3,
   ...
)

بالنسبة لـ cron jobs، من المحمكن ألا يكون التشغيل السابق لـ job قد اكتمل بينما حان الوقت بالفعل لتشغيل job مرة أخرى بسبب الوقت المجدول. في مثل هذه الحالات، قد نحدد concurrency_policy كالتالي:

  1. Forbid: هذا هو الافتراضي. عدم السماح بالتأدية المتزامنة (concurrent runs).
  2. Allow: السماح لـ jobs بالعمل بالتزامن. اختياريًا، يمكن تغيير الحد الأقصى لعدد jobs التي تعمل بالتزامن عن طريق ضبط concurrency_limit على القيمة المرغوبة.
  3. Replace: استبدال job الحالية بـ job الجديدة.

لا ينطبق التزامن على المهام المشغلة يدويًا. في هذه الحالة، يتم دائمًا إنشاء تشغيل job جديد.

تكوين إعادة المحاولات (Retries)

يمكن أن تكون حالة Job من 3 أنواع وهي FINISHED، TERMINATED، وFAILED. يمكن تكوين Job لإعادة المحاولة عدة مرات عند الفشل.

يتم تعليم Job كـ FAILED إذا لم تنتهِ بنجاح حتى بعد العدد المكون من إعادة المحاولات. يمكن تكوين Retries لـ job كالتالي:

from servicefoundry import Job

job = Job(
   retries=6, # default = 1
   ...
)

تكوين المهلة (Timeout)

في بعض حالات الاستخدام، قد تحتاج إلى تحديد الحد الأقصى للوقت الذي تريد أن تستمر فيه job في التنفيذ.

باستخدام timeout، يمكنك تحديد (بالثواني) الحد الأقصى للوقت لتشغيل job، سواء فشلت أم لا. سآخذ هذا الأسبقية على حد retries. افتراضيًا، تم تعيين هذا إلى 1000 ثانية.

على سبيل المثال، إذا قمت بتعيين retries إلى 6 وtimeout قدره 480 ثانية، ستنتهي job بعد 480 ثانية بغض النظر عن عدد المرات التي حاولت فيها التشغيل.

from servicefoundry import Job

job = Job(
   timeout=480,
   ...
)

خيارات إضافية لنشر Job

بصرف النظر عن خيارات نشر Job المناقشة في هذه المدونة، هناك بعض الخيارات التي لن نناقشها في هذه المدونة مثل:

  • كيفية نشر Job باستخدام صورة مبنية مسبقًا (Pre-built Image)؟
  • كيفية نشر Job باستخدام Dockerfile؟

.... والقليل غيرها. يمكنك الرجوع إلى الوثائق (Documentation) الموضحة أدناه لمعرفة الإجابات على الأسئلة أعلاه :)

‍

‍

أمثلة إضافية

يحتوي مستودعنا العام truefoundry-examples على كود المصدر لـ job الخاصة بهذه المدونة ويتضمن أيضاً العديد من الأمثلة بما في ذلك LLM Finetuning، البدء مع Notebooks، أمثلة شاملة (End-to-End) مما يعطي تعرضاً أوسع للميزات التي تقدمها منصة TrueFoundry.

‍

‍

خاتمة

باختصار، توفر Jobs في TrueFoundry إطار عمل قوي لإدارة وتنفيذ مهام التدريب بطريقة قابلة للتوسع، ومقاومة للأخطاء، وكفؤة في استخدام الموارد.

فهي تمكنك من توزيع والتحكم في تنفيذ أحمال عمل machine learning، ومراقبة تقدمها، وضمان تدريب نماذجك بفعالية وموثوقية، وهذا ما يجعلها مثالية لتنفيذ المهام التي تُجرى لمرة واحدة أو عند الطلب.

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

November 5, 2025
|
5 min read

إقامة البيانات في عصر الذكاء الاصطناعي الوكيل: كيف تُمكّن بوابات الذكاء الاصطناعي من تحقيق التوسع السيادي والامتثال

October 5, 2023
|
5 min read

<Webinar> عرض الذكاء الاصطناعي التوليدي للمؤسسات

Best Fine Tuning Tools for Model Training
May 3, 2024
|
5 min read

أفضل 6 أدوات ضبط دقيق (Fine-Tuning) لتدريب النماذج في عام 2026

May 25, 2023
|
5 min read

نماذج LLMs المفتوحة المصدر: تبنّها أو واجه اندثار أعمالك

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