پلتفرم متن‌باز و رایگان، یادگیری ماشین بدون کدنویسی را در دسترس غیرمتخصصان قرار می‌دهد
پلتفرمی برای یادگیری ماشین که در مقیاس استاندارد و معتبر System Usability Scale امتیاز عالی ۸۷٫۶۹ را از نظر کاربردپذیری کسب کرده است، اکنون برای همه افرادی که مایل‌اند آن را روی سخت‌افزار خود اجرا کنند، به‌صورت رایگان در دسترس است. این پلتفرم با نام LaredoMLOps در دانشگاه کانتابریا در اسپانیا توسعه یافته و تمام مراحل چرخه عمر یک مدل یادگیری ماشین، از طراحی و آموزش گرفته تا نسخه‌بندی، ذخیره‌سازی و استقرار، را از طریق یک رابط وب بدون نیاز به کدنویسی در اختیار کاربران قرار می‌دهد. این ابزار برخلاف بسیاری از محصولات تجاری مشابه، به هزینه مجوز، زیرساخت ابری یا پرداخت برای دسترسی به قابلیت‌ها وابسته نیست. عرضه یک پلتفرم متن‌باز و واقعاً رایگان برای مدیریت عملیات یادگیری ماشین، تحول مهمی برای استارتاپ‌ها، شرکت‌های کوچک و متوسط، آزمایشگاه‌های دانشگاهی و سازمان‌های کشورهای درحال‌توسعه به شمار می‌رود؛ مجموعه‌هایی که دسترسی به راهکارهای هوش مصنوعی در سطح عملیاتی، اغلب به دلیل هزینه‌های بالا برایشان دشوار بوده است.
LaredoMLOps یکی از موانع دیرپای علم داده را هدف گرفته است: کمبود نیروی متخصص و پیچیدگی فنی یادگیری ماشین. طراحی، آموزش، استقرار و نگهداری مدل‌ها به مجموعه‌ای از مهارت‌ها در برنامه‌نویسی، آمار، رایانش ابری و مصورسازی داده نیاز دارد؛ ترکیبی از تخصص‌ها که بسیاری از کارشناسان حوزه‌های دیگر در اختیار ندارند. در نتیجه، سازمان‌ها ناچارند به تعداد محدودی دانشمند داده متکی باشند و همین مسئله دامنه استفاده از روش‌های داده‌محور را محدود می‌کند. چارچوب‌های خودکارسازی، از جمله یادگیری ماشین خودکار (AutoML) و عملیات یادگیری ماشین (MLOps)، برای کاهش این بار کاری توسعه یافته‌اند و وظایفی مانند انتخاب الگوریتم، تنظیم ابرپارامترها، استقرار، پایش و آموزش مجدد مدل‌ها را بر عهده می‌گیرند. بااین‌حال، پلتفرم‌های پیاده‌ساز این روش‌ها محدودیت‌هایی دارند که گاهی دقیقاً همان کاربرانی را از دسترسی محروم می‌کند که بیش از دیگران به چنین ابزارهایی نیاز دارند.
راهکارهای موجود را می‌توان در سه گروه قرار داد که هرکدام با محدودیت‌های مهمی روبه‌رو هستند. اکوسیستم‌های ارائه‌شده از سوی شرکت‌های رایانش ابری، مانند Amazon SageMaker Canvas، Google Vertex AI و Microsoft Azure Machine Learning، راهکارهایی جامع برای مدیریت سرتاسری فرایند یادگیری ماشین ارائه می‌کنند و قابلیت‌های AutoML و رابطهای بدون کدنویسی دارند؛ اما کاربران را به زیرساخت یک فروشنده وابسته می‌کنند و هزینه‌های خود را بر اساس میزان مصرف محاسبه می‌کنند. هرچند اعتبار رایگان برای دوره آزمایشی در دسترس است، نبود طرح‌های رایگان پایدار و نامشخص بودن هزینه‌های عملیاتی می‌تواند مانع بزرگی برای سازمان‌های دارای بودجه محدود باشد.
پلتفرم‌های تجاری تخصصی مانند DataRobot، H2O.ai و BigML قابلیت‌های پیشرفته‌ای از جمله تولید خودکار مدل و یکپارچه‌سازی با مدل‌های زبانی بزرگ ارائه می‌دهند. بااین‌حال، این محصولات عمدتاً مالکیتی هستند و استفاده از تمام امکانات آن‌ها، به‌ویژه استقرار و پایش مدل‌ها در محیط عملیاتی، به خرید مجوز نیاز دارد. برخی از این ابزارها همچنان به مهارت برنامه‌نویسی احتیاج دارند.
گروه سوم شامل ابزارهای مبتنی بر گردش کار، مانند KNIME و Altair RapidMiner، است. این محصولات کار خود را به‌عنوان پروژه‌های متن‌باز با رابطهای قدرتمند برنامه‌نویسی بصری آغاز کردند، اما حرکت به سمت مدل‌های تجاری فریمیوم، دسترسی به مراحل مهم چرخه عمر مدل، از جمله استقرار، پایش و کنترل نسخه، را به اشتراک‌های پولی محدود کرده است. گزینه‌های متن‌باز دیگر نیز هرکدام کاستی‌هایی دارند: Besser بیشتر بر تولید کد تمرکز دارد تا آموزش و استقرار مدل‌ها، درحالی‌که Weka اساساً قابلیت‌های نسخه‌بندی و استقرار را ارائه نمی‌دهد.
LaredoMLOps عمداً تمام مراحل چرخه عمر یادگیری ماشین را پوشش می‌دهد، به‌جز دو مرحله: تحلیل اکتشافی داده‌ها و پایش مدل در محیط عملیاتی. حذف این دو قابلیت تصمیمی آگاهانه است، نه یک نقص تصادفی. تحلیل اکتشافی داده‌ها فرایندی تکرارشونده و وابسته به دانش تخصصی حوزه است که به تفسیر انسانی، تدوین فرضیه و مصورسازی تعاملی نیاز دارد. خودکارسازی کامل این مرحله در محیطی بدون کدنویسی ممکن است به ساده‌سازی بیش‌ازحد داده‌ها و نتیجه‌گیری‌های گمراه‌کننده منجر شود.
پایش مدل در محیط عملیاتی نیز به‌شدت به شرایط هر سازمان وابسته است و با زیرساخت داخلی، بستر استقرار و محدودیت‌های عملیاتی، از جمله تغییر توزیع داده‌ها (data drift)، تغییر رابطه میان ورودی‌ها و خروجی‌های مورد انتظار (concept drift) و سیاست‌های ارسال هشدار، ارتباط دارد. پیاده‌سازی راهکارهای عمومی و بدون کدنویسی برای محیط‌های ناهمگون همچنان چالشی جدی است. با کنار گذاشتن این دو مرحله، پلتفرم سادگی و سهولت استفاده را حفظ می‌کند و درعین‌حال با اصول مناسب MLOps سازگار می‌ماند. این رویکرد بر این فرض استوار است که کاربران مجموعه‌داده‌هایی را در اختیار سیستم قرار می‌دهند که اعتبارسنجی و بررسی اولیه آن‌ها انجام شده است. همچنین، معیارهای عمومی پایش ارائه می‌شوند تا اجزای تخصصی خارجی بتوانند آن‌ها را مدیریت کنند.
از نظر معماری، این پلتفرم سه بخش اصلی دارد: سامانه پشتیبان، دستیار مبتنی بر هوش مصنوعی و رابط کاربری. بخش پشتیبان یک رابط برنامه‌نویسی کاربردی مبتنی بر REST است که با پایتون ساخته شده و منطق اصلی برنامه را در خود جای داده است. این بخش وظایف مربوط به آموزش، ثبت گزارش‌ها و استقرار مدل‌ها را مدیریت می‌کند. مدل‌های یادگیری ماشین و یادگیری عمیق با استفاده از کتابخانه‌های شناخته‌شده پایتون، یعنی scikit-learn، PyTorch و AutoGluon، ساخته می‌شوند.
برای کنترل نسخه و ردیابی آزمایش‌ها، بخش پشتیبان به یک سرور MLflow متصل می‌شود. این سرور گزارش‌ها را در پایگاه داده رابطهای و فایل‌ها و خروجی‌های مربوط به آزمایش‌ها را در یک فضای ذخیره‌سازی شیءگرا نگهداری می‌کند. استقرار مدل‌ها با KServe انجام می‌شود: بخش پشتیبان یک شیء InferenceService در KServe ایجاد می‌کند که روی Kubernetes اجرا می‌شود و سرویس استنتاج را از طریق رابط REST یا gRPC در اختیار برنامه‌های مشتری قرار می‌دهد.
در حال حاضر، پلتفرم از شیوه ارائه سرویس بومی Kubernetes در KServe استفاده می‌کند که به‌طور پیش‌فرض یک نمونه از پاد را اجرا می‌کند تا مصرف منابع در محیط‌های مستقر در زیرساخت داخلی سازمان کاهش یابد. ازآنجاکه لایه ارائه سرویس کاملاً مستقل است و با استفاده از نمودارهای Helm مدیریت می‌شود، کاربران می‌توانند در سطح خوشه، قابلیت مقیاس‌دهی خودکار افقی پادها در Kubernetes یا سازوکارهای مقیاس‌دهی مبتنی بر رویداد، مانند KEDA، را پیکربندی کنند. به این ترتیب، سامانه می‌تواند بار کاری محیط‌های عملیاتی با درخواست‌های هم‌زمان فراوان را مدیریت کند، بی‌آنکه نیازی به تغییر کد اصلی پلتفرم باشد.
دستیار مبتنی بر هوش مصنوعی با استفاده از معماری تولید تقویت‌شده با بازیابی اطلاعات (RAG) ساخته شده است. این سامانه با پایتون و LangChain ارتباط با کاربر را مدیریت می‌کند، پیام‌ها را با زبان کاربر تطبیق می‌دهد و سابقه مکالمه را نگه می‌دارد. معماری آن به یک مدل خاص وابسته نیست و هم از رابطهای برنامه‌نویسی تجاری، به‌طور مشخص Gemini 3.1 Flash Lite، و هم از مدل‌های متن‌باز با وزن‌های در دسترس و قابلیت اجرای محلی و بازتولیدپذیر، مانند Gemma 4، پشتیبانی می‌کند.
پایگاه دانش این دستیار از مستندات استخراج‌شده از وب‌سایت‌های رسمی scikit-learn، PyTorch و AutoGluon و نیز مستندات اختصاصی مربوط به نحوه استفاده از خود ابزار تشکیل شده است. رابط گفت‌وگویی آن به‌صورت یک مؤلفه React در رابط کاربری برنامه ادغام شده است. کاربران می‌توانند درباره عملکرد برنامه سؤال بپرسند، برای تنظیم پارامترها پیشنهاد دریافت کنند یا درباره نحوه کار الگوریتم‌های زیربنایی توضیح بخواهند.
تمام اجزای برنامه در قالب تصاویر Docker بسته‌بندی شده‌اند و همراه با یک نمودار Helm برای استقرار روی خوشه Kubernetes ارائه می‌شوند. تنظیمات پلتفرم امکان اتصال به سرورهای خارجی MLflow و فضاهای ذخیره‌سازی شیءگرا را فراهم می‌کنند. همچنین، کاربران می‌توانند نسخه‌های محلی این اجزا را برای اهداف توسعه در همان خوشه مستقر کنند.
این ابزار برای ساخت خطوط لوله یادگیری ماشین دو حالت دارد. حالت پایه بر چارچوب AutoML موسوم به AutoGluon متکی است و به کاربران اجازه می‌دهد نوع مسئله را از میان رگرسیون، طبقه‌بندی و خوشه‌بندی انتخاب کنند. آن‌ها همچنین می‌توانند کیفیت مورد انتظار مدل نهایی، محدودیت زمانی فرایند آموزش و معیار اعتبارسنجی مورد استفاده برای ارزیابی مدل‌های پیشنهادی، مانند دقت یا امتیاز F1، را تعیین کنند.
حالت پیشرفته بر پایه scikit-learn ساخته شده و طراحی خط لوله را در سه مرحله امکان‌پذیر می‌کند: انتخاب ستون‌هایی از مجموعه‌داده که باید حذف شوند، گزینش مراحل پیش‌پردازش از میان سه گروه استانداردسازی، جای‌گذاری مقادیر گمشده و انتخاب ویژگی‌ها، و در نهایت انتخاب الگوریتم. پس از آموزش، مدل‌ها ارزیابی و نسخه‌بندی می‌شوند و در مخزن مدل قرار می‌گیرند تا کنترل، مقایسه و مدیریت چرخه عمر آن‌ها به‌صورت نظام‌مند انجام شود. کاربران می‌توانند خطوط لوله‌ای را که قبلاً آموزش داده‌اند جست‌وجو کنند، جزئیات آن‌ها از جمله نمودار ساختار خط لوله را ببینند و مدل‌ها را روی سرور استنتاج مستقر کنند.
ارزیابی کاربردپذیری پلتفرم با مشارکت ۱۴ دانشجوی کارشناسی ارشد از رشته‌های مختلف انجام شد: هشت نفر در حوزه محاسبات، سه نفر در مهندسی کامپیوتر و سه نفر در مهندسی نرم‌افزار تخصص داشتند. این افراد به دلیل آشنایی با سامانه‌های دیجیتال پیشرفته و تجربه قبلی در روش‌های ارزیابی کاربردپذیری انتخاب شدند. در نتیجه، ارزیابی هم دیدگاه افرادی با پیشینه محاسباتی اما بدون تخصص ویژه در علم داده را دربر می‌گرفت و هم تجربه افرادی را منعکس می‌کرد که با پروژه‌های یادگیری ماشین آشنا بودند.
شرکت‌کنندگان پس از یک معرفی کوتاه، در محیط آزمایشگاهی کنترل‌شده ۹ وظیفه از پیش تعیین‌شده را انجام دادند. این وظایف از ساخت مدل‌های طبقه‌بندی و رگرسیون تا پیکربندی خطوط لوله پیش‌پردازش و مقایسه عملکرد مدل‌ها را شامل می‌شدند و مدت هر جلسه حداکثر ۴۵ دقیقه بود. کاربردپذیری ذهنی با مقیاس کاربردپذیری سامانه (SUS) و بار کاری شناختی با شاخص بار کاری ناسا (NASA-TLX) سنجیده شد.
امتیاز SUS این پلتفرم ۸۷٫۶۹ بود؛ رقمی که بر اساس دستورالعمل‌های رایج، از آستانه ۸۰ امتیاز برای کاربردپذیری عالی فراتر می‌رود. بیشتر پاسخ‌های پرسش‌نامه در محدوده ۴ تا ۵ از مقیاس پنج‌درجه‌ای لیکرت قرار داشتند. در چند پرسش، بیش از ۷۰ درصد شرکت‌کنندگان بالاترین امتیاز را انتخاب کردند و هیچ پاسخی در پایین‌ترین دسته‌های امتیازدهی ثبت نشد.
پاسخ‌های NASA-TLX نیز نشان دادند که تلاش شناختی ادراک‌شده از متوسط تا پایین بوده است. فشار زمانی محدود، میزان تقاضای ذهنی قابل‌قبول و سطح پایین ناکامی از دیگر نتایج این ارزیابی بودند. زمان تکمیل وظایف نیز ثبات زیادی داشت؛ انحراف معیار زمان انجام همه وظایف به‌جز دو وظیفه نخست و وظایف پنجم و نهم کمتر از یک دقیقه بود. دو وظیفه نخست به نخستین تعامل شرکت‌کنندگان با ابزار مربوط می‌شدند، درحالی‌که وظایف پنجم و نهم به مقایسه مدل‌های آموزش‌دیده برای شناسایی پیکربندی‌های دارای بهترین عملکرد نیاز داشتند. میانگین زمان انجام بیشتر وظایف حدود یک دقیقه و نیم بود.
بازخوردهای کیفی شرکت‌کنندگان بر ساختار منظم گردش کار، وجود هر دو حالت پایه و پیشرفته و به‌ویژه کمک دستیار گفت‌وگویی یکپارچه در انجام وظایف و درک نتایج تأکید داشت. بااین‌حال، برخی دیدگاه‌ها به زمینه‌های قابل بهبود نیز اشاره کردند؛ از جمله نیاز به راهنمایی روشن‌تر هنگام پیکربندی‌های پیشرفته، ابهام گاه‌به‌گاه در انتخاب پارامترها و امکان افزایش سهولت استفاده از رابط هنگام ساخت خطوط لوله سفارشی.
برای نمایش عملکرد سرتاسری پلتفرم، توسعه‌دهندگان آن را در مسئله شناسایی تقلب در تراکنش‌های اعتباری به کار گرفتند. مجموعه‌داده مورد استفاده از Kaggle شامل ۱۰ هزار تراکنش شبیه‌سازی‌شده کارت اعتباری بود که عدم توازن واقع‌گرایانه میان تراکنش‌های قانونی و متقلبانه را بازتاب می‌داد.
در این نمونه، گردش کار حالت پیشرفته با بارگذاری یک فایل CSV آغاز شد. سپس نوع داده‌ها و متغیر هدف تأیید شدند و ویژگی transaction_id از مجموعه‌داده کنار گذاشته شد. برای مدیریت مقادیر گمشده از SimpleImputer، برای تبدیل ویژگی merchant_category از OrdinalEncoder و برای نرمال‌سازی ویژگی‌های عددی از StandardScaler استفاده شد. در ادامه، یک مدل جنگل تصادفی (Random Forest) با پارامترهای پیش‌فرض آموزش داده شد. در نهایت، مدل در قالب یک سرویس استنتاج KServe مستقر شد و تنها طی چند ثانیه از طریق رابط Swagger مبتنی بر OpenAPI در دسترس قرار گرفت.
این نرم‌افزار هم‌اکنون به‌طور فعال در گروه پژوهشی توسعه‌دهندگان و نزد شرکای کنسرسیوم آن‌ها استفاده می‌شود و در چندین خروجی پروژه‌های حوزه لجستیک و آزمایش‌های داخلی نیز به کار رفته است. این راهکار متن‌باز محدودیت‌های هزینه‌ای پلتفرم‌های مالکیتی مانند DataRobot و Google Vertex AI را هدف قرار می‌دهد؛ محصولاتی که همچنان برای سازمان‌های دارای بودجه محدود و مؤسسات آموزشی دسترس‌ناپذیرند.
بااین‌حال، LaredoMLOps برای حفظ سادگی، تحلیل اکتشافی داده‌ها و پایش مدل‌ها در محیط عملیاتی را پوشش نمی‌دهد و در حال حاضر دامنه الگوریتم‌های پشتیبانی‌شده آن نیز از گزینه‌های تجاری محدودتر است. برنامه‌های توسعه آینده شامل افزایش تعداد و پیچیدگی الگوریتم‌های قابل پشتیبانی، افزودن قابلیت‌های هوش مصنوعی توضیح‌پذیر، فراهم کردن امکانات پایش بلادرنگ برای سرویس‌های استنتاج و بهبود مدیریت مجموعه‌داده‌هاست. توسعه‌دهندگان همچنین قصد دارند امکان گروه‌بندی مدل‌ها در قالب آزمایش‌ها را اضافه کنند تا مقایسه مدل‌ها هنگام انتخاب گزینه مناسب ساده‌تر شود و ارزیابی کاربردپذیری را به گروه‌های گسترده‌تری از کاربران، از جمله متخصصان حوزه‌های کاربردی، گسترش دهند.
ارزیابی این ابزار روی رایانه‌هایی مجهز به پردازنده Intel Core i5 و ۱۶ گیگابایت حافظه رم انجام شد؛ مشخصاتی که برای توسعه و آزمایش کافی بودند. بااین‌حال، برای اجرای مدل‌های پرهزینه از نظر محاسباتی، مانند شبکه‌های عصبی، استفاده از پردازنده گرافیکی اختصاصی توصیه می‌شود.
موضوع پژوهش: مهندسی نرم‌افزار یادگیری ماشین
عنوان مقاله پژوهشی: LaredoMLOps: ابزاری کاربرپسند برای مدل‌سازی و استقرار مدل‌های هوش مصنوعی
منبع علمی: Dintén, R., & Zorrilla, M. (2026). LaredoMLOps: a friendly tool for modelling and deploying AI models. SoftwareX, 36، مقاله 103153. https://doi.org/10.1016/j.softx.2026.103153
شناسه دیجیتال مقاله (DOI): 10.1016/j.softx.2026.103153
کلیدواژه‌ها: یادگیری ماشین، MLOps، متن‌باز، AutoML، کاربردپذیری، هوش مصنوعی، مهندسی نرم‌افزار، علم داده، LaredoMLOps، ابزار کاربرپسند، مدل‌سازی