تخطي إلى المحتوى 
يعمل التعلم الآلي على إعادة تشكيل طريقة عيشنا. وفقًا ل تقرير بحثيقد يصل حجم سوق التعلم الآلي إلى 74.74 مليار دولار أمريكي في عام 2032.
قد يكون جهاز Mac الخاص بك هو الأداة المثالية للانخراط في هذه الثورة. لقد حوّلت رقائق M من Apple أجهزة Mac إلى مراكز قوة غير متوقعة لعمليات التنفيذ المدعومة بالذكاء الاصطناعي. إنها تغير قواعد اللعبة تماماً.
هل أنت مستعد لتجربة التعلم الآلي على نظام Mac؟ استكشف التفاصيل في مقالتنا الشاملة.
قدرات التعلم الآلي على نظام Mac
صُممت شرائح M1 و M2 و M3 من Apple لأعباء عمل التعلم الآلي. تعمل وحدة معالجة الرسومات المدمجة وبنية الذاكرة الموحدة كفريق عمل متزامن من خلال تقليل التأخير عند تمرير المكونات للبيانات ذهاباً وإياباً.
-
تسريع وحدة معالجة الرسومات
يعمل معالج الرسومات المدمج على تسريع سير عمل تعلُّم الآلة، وخاصةً تدريب النماذج.c
-
بنية الذاكرة الموحدة
على نظام Mac، تبقى البيانات في مكان واحد من خلال التخلص من عمليات النقل المملة التي تؤدي إلى إبطاء الأنظمة الأخرى. يعزز هذا التكامل الكفاءة ويسمح بتشغيل نماذج الذكاء الاصطناعي والتعلم الآلي بسرعة.
حلول Apple الأصلية للتعلم الآلي
إنشاء ML
إنشاء تعلّم الآلة يحوّل تدريب النموذج إلى نظام سحب وإفلات. يمكنك اعتباره برنامج فوتوشوب للتعلم الآلي:
- تصنيف الصور: اكتشاف المنتجات المعيبة على خط المصنع
- اكتشاف الأجسام: تتبع كرات كرة القدم في لقطات حية للمباراة
- تصنيف النص: تمييز رسائل البريد الإلكتروني للعملاء تلقائيًا على أنها عاجلة أو عادية
- تصنيف وضع اليدين: إنشاء تطبيقات الواقع المعزز التي تستجيب لإيماءات الأصابع
- نقل النمط: تحويل صور العطلات إلى لوحات فان جوخ.
التعلّم الآلي الأساسي
Core ML هو الجسر بين النماذج الأولية وتطبيقات العالم الحقيقي. قم بتحويل إبداعات TensorFlow أو PyTorch إلى تنسيقات متوافقة مع Apple:
- تحسين النموذج: تشذيب الدهون الحسابية دون التضحية بالدقة
- النشر: تشغيل النماذج في وضع عدم الاتصال بالإنترنت على أجهزة iPhone أو iPad، مما يجعلها مثالية للميزات التي تحتاج إلى استجابات فورية
أطر عمل التعلم الآلي الشائعة وأدائها على نظام التشغيل Mac
تينسورفلو
تستخدم الواجهة الخلفية المعدنية في TensorFlow وحدة معالجة الرسومات في جهاز Mac لتعزيز الأداء. يؤدي ذلك إلى تسريع أوقات التدريب، خاصةً بالنسبة للمهام ذات الرسومات الثقيلة.
باي تورتش
تم تحسين PyTorch بالكامل لأجهزة Apple. يحصل الموالون لبايثون على تسريع يعمل بالطاقة المعدنية مما يجعله مثاليًا للنماذج الأولية السريعة.
MLX
يبدو إطار عمل MLX الجديد من Apple الجديد مصمم بشكل مثالي لـ Apple Silicon:
- التمايز التلقائي: يتعامل مع التفاضل والتكامل خلف الكواليس
- الحساب الكسول: يحسن الأداء من خلال حساب ما هو مطلوب فقط
- نماذج كبيرة الحجم: تشغيل نماذج المحولات بكفاءة
كيفية إجراء التعلّم الآلي على نظام التشغيل Mac: الإعداد خطوة بخطوة
يتطلب إعداد جهاز Mac للتعلم الآلي استخدام الأدوات والتكوينات الصحيحة لتوظيف الأداء الأمثل لـ Apple Silicon. من خلال تثبيت الأطر الرئيسية واستخدام حلول Apple للتعلم الآلي، يمكنك تدريب النماذج ونشرها على جهازك.
1. تثبيت الأدوات اللازمة
- استخدم Homebrew (سكين الجيش السويسري لكل مطوري أجهزة ماك) لإعداد بيئات Conda
- تثبيت TensorFlow (TensorFlow-Mac OS + TensorFlow-mac OS + TensorFlow-metal) أو PyTorch
2. استكشف MLX
- قم بتثبيت التبعيات باستخدام تثبيت نقطة التثبيت
- اختبر النماذج المبنية مسبقاً مثل Stable Diffusion، وشاهد جهاز Mac الخاص بك وهو ينشئ أعمالاً فنية من المطالبات النصية
3. استخدام إنشاء تعلّم الآلة
- تدريب النماذج بصرياً باستخدام واجهة تطبيق Create ML البديهية
- تضمين نماذج مدربة في التطبيقات باستخدام Swift (لغة ترميز Apple)
4. تحسين النماذج للنشر
- تحويل نماذج الجهات الخارجية إلى تنسيق تعلّم الآلة الأساسية باستخدام أدوات تعلّم الآلة الأساسية
نصائح لسير العمل الفعال
- بنية الذاكرة الموحدة: السماح للمكونات بمشاركة الموارد بحرية، مثل زملاء العمل الذين يتقاسمون السبورة البيضاء
- التدريب الدقيق المختلط: استخدم حسابات 16 بت حيثما أمكن، فهي بمثابة اختصار لوحدة معالجة الرسومات الخاصة بك
- الأداء المعياري: اختبر أحجام الدفعات المختلفة للعثور على أفضل أداء لجهاز Mac الخاص بك
البرامج والأدوات الموصى بها لمستخدمي نظام التشغيل Mac
- TensorFlow للتدريب المتسارع باستخدام وحدة معالجة الرسومات (GPU)
- PyTorch لمطوري Python
- JAX للحوسبة العددية
- إنشاء تعلّم الآلة للنماذج الأولية السريعة
- الأدوات الأساسية لتعلم الآلة للنشر البسيط
يوصى بتقييم تكامل نظام Apple البيئي والسرعة الخام حسب احتياجاتك الفريدة.
القيود والاعتبارات
- وحدة معالجة الرسومات NVIDIA GPU Gap: لا توجد أدوات محسنة ل CUDA، فقط نظام Apple البيئي
- حقائق الأداء: رقاقات M-series تثير الإعجاب، ولكن لا تزال وحدات معالجة الرسومات من NVIDIA تهيمن على تدريب النماذج الضخمة
الخاتمة
تاريخ ماك بوك يوضح كيف تطورت أجهزة كمبيوتر Apple إلى منصة قوية لتعلم الآلة بفضل وحدة معالجة الرسومات المدمجة وبنية الذاكرة في Apple Silicon. أصبح تدريب نماذج التعلّم الآلي ونشرها على أجهزة Apple أسهل باستخدام نظامي Create ML و Core ML، وهما إطارا عمل خاصان بشركة Apple.
تعمل أطر العمل الشائعة مثل TensorFlow و PyTorch أيضًا بشكل جيد على أجهزة Mac مع دعم الواجهة الخلفية المعدنية. للبدء، يمكن للمستخدمين إعداد بيئة Conda، واستكشاف MLX، وتحسين النماذج باستخدام أدوات تعلّم الآلة الأساسية. بينما تتفوق أجهزة Mac في العديد من مهام تعلّم الآلة، إلا أنها تفتقر إلى دعم NVIDIA GPU، مما قد يؤثر على بعض أعباء العمل. بشكل عام، توفر أجهزة Mac منصة قوية للتعلم الآلي من خلال الموازنة بين سهولة الاستخدام والأداء الفعال.
هل تحتاج إلى جهاز Mac للتعلم الآلي؟ مع استئجار جهاز Mac، يمكنك الوصول إلى أحدث أجهزة Apple دون أي متاعب.
الأسئلة الشائعة
هل يمكنني تدريب نماذج التعلم الآلي بدون ترميز على جهاز Mac؟
نعم! إن برنامج "إنشاء تعلّم الآلة" من Apple هو بمثابة عجلات تدريب للذكاء الاصطناعي، ولا حاجة إلى ترميز. هل تريد تدريب جهاز Mac الخاص بك على التعرف على سلالات الكلاب في الصور أو اكتشاف الأخطاء المطبعية في المستندات؟ ما عليك سوى سحب بياناتك إلى الواجهة المرئية لبرنامج Create ML، واختر مهمة (مثل فرز الصور أو تحليل النصوص)، ودع البرنامج يعمل بسحره. إنه مثالي للمصممين أو الكُتَّاب أو أي شخص لديه حساسية من لغة Python.
كيف يمكن مقارنة macOS بنظامي ويندوز ولينكس لتطوير التعلم الآلي؟
يوفر نظام التشغيل MacOS واجهة سهلة الاستخدام وصدفة شبيهة بنظام Unix، لكنه قد يفتقر إلى التوافق مع بعض الأدوات الخاصة بنظام Windows. غالبًا ما يُفضّل نظام لينكس لمرونته ودعمه الأوسع لأطر عمل التعلم الآلي المختلفة.
