# بناء API ذكاء اصطناعي ببايثون وFastAPI جاهز للإنتاج

> دليل هندسي لنشر نماذج الذكاء الاصطناعي عبر FastAPI بأداء إنتاجي يشمل إدارة دورة الحياة Lifespan والتحقق بـ Pydantic وتفادي حظر الخادم.

- **الناشر**: منصة إيجي مونيتور | EgyMonitor (https://egymonitor.com)
- **الرابط الأصلي**: [https://egymonitor.com/posts/production-ai-api-python-fastapi-guide](https://egymonitor.com/posts/production-ai-api-python-fastapi-guide)
- **القسم**: [الذكاء الاصطناعي](https://egymonitor.com/categories/artificial-intelligence)
- **الكاتب**: عبدالرحمن شوقي
- **تاريخ النشر**: 2026-11-19 22:09
- **الكلمات المفتاحية**: الذكاء الاصطناعي, API, بايثون, FastAPI, MLOps

---

**لتحويل نموذج ذكاء اصطناعي إلى خدمة API جاهزة للإنتاج عبر FastAPI، يجب تحميل النموذج مرة واحدة فقط عند إقلاع الخادم باستخدام أحداث دورة الحياة (Lifespan)، والتحقق من المدخلات عبر Pydantic، وتفادي حظر حلقة الأحداث أثناء الاستدلال الحسابي الثقيل.**

## أخطاء شائعة تسقط خوادم الذكاء الاصطناعي

يعمل النموذج بسلاسة في دفتر Jupyter، لكنه ينهار تحت ضغط المستخدمين عند نشره بطريقة بدائية. إليك القواعد الأساسية للاستقرار الإنتاجي:

- **التحميل المسبق (Lifespan):** تحميل ملف أوزان النموذج داخل المسار البرمجي لكل طلب يضاعف زمن الاستجابة ويستنفد الذاكرة؛ لذا يُحمّل مرة واحدة عند بدء التشغيل.
- **فصل الاستدلال الثقيل عن خيط الحدث:** لأن حسابات التنبؤ تستهلك المعالج (CPU-Bound)، فإن تعريف المسار كدالة عادية `def` في FastAPI يمرره لمجمع خيوط تلقائياً دون تجميد بقية الطلبات.
- **نقاط فحص الصحة (Health Checks):** إضافة مسار `/health` لمراقبة جاهزية النموذج من قبل Kubernetes أو Docker.

## مكونات بنية الـ API الإنتاجي

المكوّنالأداة القياسيةالهدف الإنتاجيالتحقق من المخططPydantic v2منع البيانات المشوهة قبل وصولها للنموذجإدارة دورة الحياة`lifespan` في FastAPIتحميل النموذج وإغلاق الاتصالات بأمانخادم التطبيقاتUvicorn + Gunicorn / Workersتوزيع الطلبات على أنوية المعالجالتغليف والنشرDockerتوحيد البيئة والاعتماديات

## نموذج كود FastAPI احترافي لخدمة التنبؤ

```
from contextlib import asynccontextmanager
from fastapi import FastAPI
from pydantic import BaseModel, Field
import joblib

ml_models = {}

@asynccontextmanager
async def lifespan(app: FastAPI):
    ml_models["classifier"] = joblib.load("model.joblib")
    yield
    ml_models.clear()

app = FastAPI(lifespan=lifespan)

class PredictRequest(BaseModel):
    features: list[float] = Field(min_length=4, max_length=4)

@app.post("/predict")
def predict(payload: PredictRequest):
    prediction = ml_models["classifier"].predict([payload.features])
    return {"prediction": int(prediction[0])}
```

> لا يكفي أن يكون نموذجك دقيقاً؛ القيمة الحقيقية تبدأ عندما يستهلكه تطبيقك بزمن استجابة ثابت وتحت مراقبة مستمرة.

### أسئلة شائعة

- **السؤال:** لماذا استخدمنا `def predict` بدلاً من `async def predict` هنا؟ **الإجابة:** لأن `model.predict()` عملية حسابية متزامنة، وتشغيلها داخل `def` يضعها FastAPI في Threadpool خارجي فلا تعطل بقية الطلبات.
- **السؤال:** كيف أحمي واجهة الذكاء الاصطناعي من الاستخدام المفرط؟ **الإجابة:** بتطبيق تحديد المعدل (Rate Limiting) ومفاتيح المصادقة (API Keys) عبر Middlewares أو بوابة API Gateway.
- **السؤال:** متى أحتاج إلى Batching للطلبات؟ **الإجابة:** عند تشغيل نماذج ثقيلة على GPU، حيث يرفع تجميع عدة طلبات في دفعة واحدة الإنتاجية بشكل كبير.
