هل MLflow مجانية حقاً، أم أن هناك خدعة؟

منصة MLflow نفسها مجانية ومفتوحة المصدر بموجب ترخيص Apache 2.0، بدون فئات مدفوعة أو قيود على الميزات. تأتي التكلفة من البنية التحتية: تحتاج إلى خلفية قاعدة بيانات (PostgreSQL)، وتخزين كائنات (S3 أو GCS أو Azure Blob)، والوقت الهندسي لإعدادها وصيانتها. تحصل الفرق التي تستخدم Databricks على Managed MLflow مضمنة في اشتراك المنصة الخاص بها، مما يزيل عمل البنية التحتية ولكنه يحمل تكاليف منصة Databricks.

ما الذي تغير في MLflow 3 ولماذا هو مهم؟

كان إصدار MLflow 3، الذي صدر في 11 يونيو 2025، إصداراً رئيسياً أحدث تغييراً جذرياً حيث حوّل بنية المنصة من التركيز على التشغيل إلى التركيز على النموذج (كيان LoggedModel الجديد)، وأضاف التتبع المستند إلى OpenTelemetry لتطبيقات LLM، وتقييم LLM judge، وسجل الأوامر (Prompt Registry) مع مقارنات الإصدارات، ودعم البث لوكلاء GenAI. كما أزال MLflow Recipes والعديد من النكهات (flavors) المهملة. التأثير العملي هو أن الفرق التي تبني تطبيقات LLM يمكنها الآن استخدام نفس المنصة التي تستخدمها لـ ML الكلاسيكي، بدلاً من الحفاظ على أدوات مراقبة منفصلة.

كيف تقارن MLflow بـ Weights and Biases لفريق صغير؟

بالنسبة لفريق صغير ليس لديه دعم مخصص للبنية التحتية، فمن المؤكد تقريباً أن البدء باستخدام W&B أسهل: لا توجد قاعدة بيانات، ولا تخزين كائنات، ولا مصادقة لتكوينها. تتطلب MLflow المزيد من العمل المسبق. إذا كان فريقك يستخدم Databricks أو منصة ML سحابية مع دعم أصلي لـ MLflow، فإن الفجوة تضيق بشكل كبير. إذا كانت إقامة البيانات أو التكلفة مصدر قلق، فإن طبيعة MLflow مفتوحة المصدر تجعلها الخيار الأقوى على المدى الطويل.

هل تدعم MLflow تطبيقات LLM، أم أنها مخصصة فقط لـ ML التقليدي؟

اعتباراً من إصدار MLflow 3 (يونيو 2025)، تتمتع MLflow بدعم من الدرجة الأولى لتطبيقات LLM، حيث تغطي التتبع المستند إلى OpenTelemetry، وتقييم LLM-as-a-judge، وسجل الأوامر، وتقييم المحادثات متعددة الأدوار، والمراقبة المستمرة مع التنبيه التلقائي. تتكامل مع LangChain و LlamaIndex و OpenAI و Anthropic و PydanticAI و smolagents وأكثر من 20 إطار عمل GenAI آخر عبر التتبع التلقائي.

هل MLflow آمنة للاستخدام في الإنتاج؟

تُستخدم MLflow في الإنتاج في الشركات الكبيرة، لكن الأمان يتطلب تكويناً دقيقاً. حدد الكشف الأمني لـ JFrog في ديسمبر 2024 (CVE-2024-27132، CVSS 7.2) ثغرة RCE من جانب العميل عبر XSS في تنفيذ الوصفات غير الموثوقة. أضاف إصدار MLflow 3.11.1 (أبريل 2026) تسلسل النماذج الخالي من Pickle كتحسين أمني. بالنسبة لعمليات النشر في الإنتاج، يجب على الفرق تشغيل أحدث إصدار، وتقييد الوصول إلى خادم التتبع، وتجنب تنفيذ ملفات الوصفات غير الموثوقة في البيئات المشتركة.

هل يمكن لـ MLflow التعامل مع سجل النماذج لمؤسسة كبيرة؟

نعم، خاصة عند تشغيلها على Databricks مع تكامل Unity Catalog، والذي يوفر حوكمة النماذج وتسلسلها والتحكم في الوصول على مستوى المؤسسة عبر مساحات عمل متعددة. أضاف إصدار MLflow 3.10 (فبراير 2026) دعماً لمساحات العمل المتعددة لتنظيم التجارب والنماذج عبر وحدات الأعمال. تُعد مسارات عمل التجهيز في سجل النماذج (None، Staging، Production، Archived)، والأسماء المستعارة للإصدارات، وبوابات الموافقة ناضجة وتُستخدم في الإنتاج في شركات Fortune 500.

ما هي Managed MLflow وكيف تختلف عن الاستضافة الذاتية؟

إن Managed MLflow هي النسخة المُدارة بالكامل من Databricks، والمضمنة في منصة Databricks. فهي تلغي إعداد قاعدة البيانات، وتكوين تخزين العناصر، والمصادقة، وإدارة الترقية. كما تضيف لوحات معلومات مراقبة الإنتاج، وتكامل Unity Catalog لحوكمة النماذج، وتكامل SQL/BI لتحليل بيانات التجارب. تمنحك MLflow ذاتية الاستضافة تحكماً كاملاً في البيانات ولا تعتمد على أي منصة، ولكن على حساب عمل البنية التحتية. يعود الاختيار عادةً إلى ما إذا كانت مؤسستك تستخدم Databricks بالفعل.

MLflow

البيانات

مجاني

MLflow هي منصة هندسة الذكاء الاصطناعي (AI) مفتوحة المصدر التي تستخدمها آلاف الشركات لتتبع التجارب، وإدارة سجلات النماذج، ونشر تطبيقات تعلم الآلة (ML) الكلاسيكية والذكاء الاصطناعي التوليدي (GenAI). مجانية بموجب ترخيص Apache 2.0، مع 30 مليون عملية تنزيل شهرياً.

حالات الاستخدام:علوم البيانات

الميزات:APIOpen Source

تُعد MLflow منصة مفتوحة المصدر لإدارة دورة حياة تعلم الآلة بالكامل، بدءاً من تتبع التجارب وصولاً إلى نشر النماذج ومراقبة الإنتاج. صُممت المنصة في الأصل بواسطة مهندسي Databricks وأُطلقت في يونيو 2018، ثم تم التبرع بها إلى Linux Foundation في يونيو 2020، وتعمل الآن كمشروع محايد مفتوح المصدر بموجب ترخيص Apache 2.0. ومع أكثر من 30 مليون عملية تنزيل شهرياً و20,000 نجمة على GitHub بمساهمة أكثر من 900 مطور، تُعد منصة MLOps الأكثر اعتماداً في بيئات الشركات، حيث تستخدمها شركات Fortune 500 وآلاف المؤسسات التي تبني أنظمة ML للإنتاج.

تغطي المنصة أربعة مجالات أساسية: تتبع التجارب (تسجيل المعلمات والمقاييس والعناصر عبر عمليات التدريب)، وسجل النماذج (تحديد الإصدارات، وتحديد المراحل، ومسارات الموافقة لترقية النماذج)، ونشر النماذج (التعبئة في Docker، و REST APIs، و Kubernetes، والمنصات السحابية مثل AWS SageMaker و Azure ML)، واعتباراً من إصدار MLflow 3، إمكانية المراقبة على مستوى الإنتاج لتطبيقات GenAI. أضاف إصدار MLflow 3 التتبع المستند إلى OpenTelemetry لتطبيقات LLM، وتقييم LLM-as-a-judge، وسجل الأوامر (Prompt Registry) مع مقارنة الإصدارات، ودعم البث عبر فئة ResponsesAgent، وتكاملات التتبع التلقائي لأطر عمل PydanticAI و smolagents وأكثر من 20 إطار عمل GenAI. تدعم المنصة لغات Python و TypeScript و JavaScript و Java و R، وتعمل مع كل مكتبات ML الرئيسية بما في ذلك PyTorch و TensorFlow و scikit-learn و XGBoost و LightGBM. يمكنك إقرانها مع Databricks Mosaic AI للحصول على نشر مُدار بالكامل أو تشغيلها بالاستضافة الذاتية بالكامل على بنيتك التحتية الخاصة.

ما الذي تقدمه MLflow فعلياً في مايو 2026

شكل إصدار MLflow 3، الذي أُطلق في 11 يونيو 2025، نقطة تحول من مجرد سجل للتجارب إلى منصة هندسة AI متكاملة. تحولت البنية الأساسية من نموذج يركز على التشغيل (run-centric) إلى نموذج يركز على LoggedModel، حيث تُعد النماذج كيانات من الدرجة الأولى مرتبطة بعمليات التشغيل والتتبعات والأوامر ومقاييس التقييم التي شكلتها. وهذا يجعل من السهل جداً مقارنة متغيرات النماذج عبر التجارب، وتتبع التسلسل من بيانات التدريب مروراً بالتقييم وصولاً إلى النشر في بيئة الإنتاج، وإدارة سجل إصدارات وكلاء GenAI بنفس الدقة التي كانت مخصصة سابقاً لنماذج ML الكلاسيكية.

على جانب ML الكلاسيكي، يُعد سير العمل راسخاً. يقوم عالم البيانات بتثبيت MLflow بأمر واحد pip install mlflow، ويستدعي mlflow.sklearn.autolog() قبل التدريب، ليتم التقاط كل معلمة فائقة (hyperparameter) ومقياس وعنصر من عملية التشغيل تلك تلقائياً. تتيح واجهة مستخدم التتبع للفرق بعد ذلك مقارنة مئات عمليات التشغيل جنباً إلى جنب، والتصفية حسب حدود المقاييس، وتسجيل أفضل نموذج في سجل النماذج (Model Registry) بنقرة واحدة. ومن هناك، تنتقل النماذج عبر مراحل التجهيز والإنتاج مع بوابات الموافقة، ثم يتم نشرها كـ REST endpoints أو حاويات Docker أو مهام استدلال مجمعة (batch inference jobs).

تعالج إمكانات GenAI المقدمة في MLflow 3 مشكلة لم تتوقعها البنية الأصلية أبداً: تصحيح أخطاء السلوك غير الحتمي للوكلاء على نطاق واسع. يلتقط نظام التتبع، المبني على OpenTelemetry، كل أمر (prompt) واستدعاء للأداة وخطوة استرجاع واستجابة LLM في تتبع منظم. عندما يهلوس الوكيل أو يفشل، يقوم المهندسون بإعادة تشغيل التتبع الكامل في واجهة المستخدم لتحديد الخطوة الدقيقة التي حدث فيها خطأ في السياق. يوفر نظام LLM judge مقيِّمين مدعومين بالأبحاث لقياس جودة النص الحر بشكل منهجي، بما في ذلك تقييم المحادثات متعددة الأدوار الذي تمت إضافته في إصدار MLflow 3.10 (فبراير 2026) والمراقبة المستمرة مع تنبيهات judge-in-the-loop المضافة في الإصدار 3.9 (يناير 2026).

"كان التتبع في MLflow 3.0 ضرورياً لتوسيع نطاق منصة الأمان المدعومة بالذكاء الاصطناعي الخاصة بنا. فهو يمنحنا رؤية شاملة لكل قرار يتخذه النموذج، مما يساعدنا على تصحيح الأخطاء بشكل أسرع، ومراقبة الأداء، وضمان تطور دفاعاتنا مع تطور التهديدات." - سام تشو، مهندس رئيسي في Barracuda Networks، مدونة Databricks، يونيو 2025

"منحنا MLflow 3.0 الرؤية التي نحتاجها لتصحيح الأخطاء وتحسين وكلاء الأسئلة والأجوبة لدينا بثقة. ما كان يستغرق ساعات من التخمين يمكن الآن تشخيصه في دقائق." - دايسوكي هاشيموتو، قائد تقني في Woven by Toyota، مدونة Databricks، يونيو 2025

موقع MLflow مقارنةً بـ Weights and Biases و Comet ML

تُعد Weights and Biases المنافس المباشر الأبرز لتتبع التجارب، لكن الأداتين متعاكستان معمارياً على محور الاستضافة. W&B هي منصة SaaS سحابية أولاً: تتم مزامنة جميع بيانات التجارب مع خوادم W&B في الوقت الفعلي، مما لا يتطلب أي عمل في البنية التحتية. بينما تعتمد MLflow على الاستضافة الذاتية افتراضياً، مما يعني أن الفرق تمتلك بياناتها بالكامل ولكنها تمتلك أيضاً قاعدة البيانات وتخزين العناصر وإعداد المصادقة ومسار الترقية. كما أن طبقة التصور في W&B أكثر قدرة بشكل كبير: فهي توفر مخططات الإحداثيات المتوازية، وأجهزة عرض التضمين (embedding projectors)، ومصفوفات الارتباك (confusion matrices)، وتقارير قابلة للمشاركة بأسلوب بحثي لأصحاب المصلحة غير التقنيين. بينما توفر واجهة مستخدم MLflow مخططات خطية ومدرجات تكرارية أساسية. بالنسبة لتحسين المعلمات الفائقة، تتضمن W&B نظام Sweeps، وهو نظام تحسين بايزي مدمج؛ بينما لا تمتلك MLflow مكافئاً أصلياً وتعتمد على مكتبات خارجية مثل Optuna أو Ray Tune. المفاضلة في التكلفة مباشرة: تبلغ تكلفة خطة Team في W&B حوالي 50 دولاراً لكل مستخدم شهرياً، بينما MLflow مجانية التشغيل ولكنها تتطلب ميزانية للبنية التحتية وساعات عمل من فرق DevOps. غالباً ما تقوم الفرق التي تستثمر في Databricks بإقران MLflow مع Anyscale لأعباء عمل التدريب الموزعة، مما يحافظ على بيانات التجارب داخل المؤسسة مع توسيع نطاق الحوسبة خارجياً.

تحتل Comet ML حلاً وسطاً. مثل W&B، فهي سحابية أولاً مع لوحات معلومات تفاعلية في الوقت الفعلي، ومخططات إحداثيات متوازية، وأدوات تعاون تفتقر إليها MLflow في نسختها الأساسية. حيث تتميز Comet ميكانيكياً في تسلسل العناصر (artifact lineage): تتتبع طبقة العناصر في Comet بشكل صريح التجارب التي أنتجت واستهلكت كل مجموعة بيانات أو عنصر نموذج، مما يحافظ على المصدر على مستوى العنصر بدلاً من مستوى التشغيل. تسلسل MLflow يكون على مستوى التشغيل؛ للحصول على تسلسل على مستوى العنصر في MLflow، تحتاج إلى تكامل Databricks Unity Catalog، والذي يتطلب الفئة المُدارة. تقدم Comet أيضاً خدمة النماذج المستندة إلى REST API كمسار نشر خفيف الوزن؛ بينما نموذج النشر في MLflow أكثر ثراءً (Docker و Kubernetes و SageMaker و MLServer) ولكنه يتطلب بنية تحتية أثقل. بالنسبة للفرق التي تستكشف خدمة النماذج دون تنسيق كامل، تقدم BentoML طبقة نشر تكميلية تعمل بشكل جيد جنباً إلى جنب مع سجل MLflow. غالباً ما تستخدم الفرق التي تقيم مسارات عمل الضبط الدقيق MLflow جنباً إلى جنب مع Predibase، والتي تتعامل مع الضبط الدقيق المستند إلى LoRA وتدمج تتبع التجارب مرة أخرى في السجلات المتوافقة مع MLflow.

كيف يبدو واقع سير عمل MLflow

بالنسبة لفريق يبدأ من الصفر، يُعد إعداد تتبع التجارب سريعاً حقاً: التثبيت، وتكوين URI للتتبع يشير إلى قاعدة بيانات PostgreSQL وحاوية S3، وتبدأ عمليات التشغيل الأولى في الظهور في واجهة المستخدم في غضون دقائق. تبدأ الصعوبات عند التوسع وعلى حواف مجموعة الميزات.

تُعد تعقيدات الاستضافة الذاتية نقطة الاحتكاك الأكثر ثباتاً. فإلى جانب المتتبع المحلي المستند إلى الملفات، يتطلب إعداد MLflow على مستوى الإنتاج خلفية قاعدة بيانات علائقية (PostgreSQL أو MySQL)، وتخزين كائنات (object storage) للعناصر، وتكوين شبكة للوصول متعدد المستخدمين، وشكلاً من أشكال المصادقة. لا يحتوي الإصدار مفتوح المصدر على RBAC مدمج؛ وصول فريق متعدد المستخدمين إما أن يكون مفتوحاً افتراضياً أو يتطلب وكيلاً مخصصاً للمصادقة. غالباً ما تجد الفرق التي ليس لديها مهندسو بنية تحتية مخصصون نفسها تقضي أياماً في ما توقعت أن يستغرق ساعات.

واجهة المستخدم هي اختبار واقعي آخر. إنها عملية وكافية لمقارنة التجارب الفردية، لكنها لا تدعم تعليقات الفريق، أو التقارير المشتركة، أو نوع التوثيق السردي الذي تتيحه ميزة التقارير في W&B. سيحتاج فريق علوم البيانات الذي يقدم تقييم النموذج لأصحاب المصلحة غير التقنيين إلى تصدير النتائج إلى مكان آخر. في غضون ذلك، كانت واجهة برمجة تطبيقات الاستعلام (query API) شكوى متكررة: لا يمكن الاستعلام عن التجارب المخزنة في خلفية SQL باستخدام SQL مباشرة، مما يحبط المهندسين الذين يتوقعون وصولاً أصلياً لقاعدة البيانات إلى بياناتهم الخاصة.

بمجرد تجاوز عقبات الإعداد هذه، يصعب مضاهات عمق MLflow كمنصة لدورة الحياة في المصادر المفتوحة. إن انتقالات التجهيز والإنتاج في سجل النماذج مع مسارات الموافقة، جنباً إلى جنب مع إضافة MLflow 3.11.1 (أبريل 2026) للتعرف التلقائي على المشكلات لاكتشاف تراجعات الجودة في الوكلاء المنشورين، يمنح فرق المؤسسات حوكمة نماذج جاهزة للتدقيق دون تكاليف اشتراك الموردين. تقدم كل من AWS SageMaker و Azure ML و Google Vertex AI تكاملاً أصلياً مع MLflow للتتبع المُدار، مما يزيل معظم أعباء الاستضافة الذاتية للفرق الموجودة بالفعل على منصات ML السحابية.

لمن صُممت MLflow

تناسب MLflow الفرق التي تعتبر فيها ملكية البيانات والتحكم في البنية التحتية أمراً غير قابل للتفاوض: الصناعات الخاضعة للتنظيم (الرعاية الصحية، والتمويل، والدفاع) التي لا يمكنها إرسال بيانات التدريب إلى منصات SaaS تابعة لجهات خارجية، والمؤسسات التي قامت بالفعل ببناء قدرة DevOps لتشغيل خدماتها الخاصة. إنها الخيار الافتراضي لأي فريق يعمل على Databricks، حيث يتم تضمين Managed MLflow ويوفر Unity Catalog حوكمة النماذج دون أدوات إضافية. تستفيد الفرق التي تبني كلاً من مسارات ML الكلاسيكية وتطبيقات GenAI من منصة MLflow 3 الموحدة: نفس الأداة التي تتتبع بحث المعلمات الفائقة لنموذج معزز بالتدرج (gradient-boosted) يمكنها الآن تتبع وكيل LLM متعدد الخطوات وتقييم جودة مخرجاته باستخدام مقاييس judge. سيجد الباحثون ومهندسو ML في الشركات التي لديها استثمارات في Databricks أيضاً أنها تتكامل بشكل طبيعي مع Databricks Mosaic AI للضبط الدقيق للنماذج الأساسية ومسارات عمل الخدمة.

تروي أرقام الاعتماد قصة متماسكة. ثلاثون مليون عملية تنزيل شهرياً ليست صدفة؛ فهي تعكس مدى عمق دمج MLflow لنفسها في سلسلة أدوات Python ML كمسار أقل مقاومة لتسجيل التجارب. الجامعات التي تُدرّس دورات MLOps، ومقدمو الخدمات السحابية الذين يبنون منصات ML مُدارة، وفرق بيانات المؤسسات التي توحد معاييرها على Databricks، جميعهم يعتمدون افتراضياً على MLflow كسجل مشترك وطبقة تتبع. هذا الجذب التثاقلي يجعلها خياراً افتراضياً معقولاً حتى للفرق التي قد تفضل واجهة مستخدم W&B، لأن التوافق التنظيمي والتكاملات الحالية غالباً ما تفوق تفضيل المنتج. تحصل الفرق التي تقرن MLflow بمنصة ضبط دقيق مثل Predibase على قصة دورة حياة كاملة من الضبط الدقيق المستند إلى LoRA وصولاً إلى سجل الإنتاج دون مغادرة النظام البيئي مفتوح المصدر. يمكن لأولئك الذين يقومون بتحسين كفاءة خدمة LLM جنباً إلى جنب مع حوكمة التجارب الجمع بين سجل MLflow و BentoML للحصول على حزمة نشر ذاتية الاستضافة تظل تحت سيطرتهم بالكامل.

ما لا تقدمه MLflow

لا تُعد MLflow حلاً جاهزاً للفرق الصغيرة التي تفتقر إلى موارد البنية التحتية. إذا كان فريقك يريد أن يعمل تتبع التجارب في عشر دقائق دون تكوين قواعد البيانات وتخزين الكائنات، فإن Weights and Biases أو Comet ML ستخدمك بشكل أفضل. إنها ليست أداة لتحسين المعلمات الفائقة: لا يوجد مكافئ مدمج لـ W&B Sweeps، والتكامل مع المحسنات الخارجية يتطلب إعداداً إضافياً. إنها ليست منسق مسارات (pipeline orchestrator): لا تقوم MLflow بجدولة مهام التدريب، أو إدارة مسارات البيانات، أو تنسيق مسارات العمل متعددة الخطوات بالطريقة التي تقوم بها Airflow أو Prefect. ستصاب الفرق التي تتوقع طبقة تعاون كاملة الميزات مع تقارير قابلة للمشاركة وتعليقات الفريق بخيبة أمل من واجهة المستخدم مفتوحة المصدر. وعلى الرغم من إضافات GenAI في MLflow 3، فإن الفرق التي تبني تطبيقات LLM بشكل أساسي دون أي أعباء عمل ML الكلاسيكية قد تجد Langfuse أو أدوات مراقبة LLM المماثلة المصممة لهذا الغرض أكثر ملاءمة وتركيزاً. كما سلط الكشف الأمني لـ JFrog في ديسمبر 2024 (CVE-2024-27132، CVSS 7.2) الضوء على أن مثيلات MLflow ذاتية الاستضافة التي تُشغّل وصفات غير موثوقة يمكن أن تتعرض لتنفيذ تعليمات برمجية عن بُعد من جانب العميل عبر XSS، وهو مصدر قلق للفرق التي تقبل عمليات إرسال النماذج الخارجية أو تُشغّل بيئات دفاتر ملاحظات مشتركة.