🤖 تثبيت MindsDB — استعلامات ذكاء اصطناعي على بياناتك بلغة SQL
انشر MindsDB على Ubuntu بـ Docker — منصة تربط نماذج الذكاء الاصطناعي بقواعد بياناتك حتى تشغّل تنبؤات واستعلامات نماذج لغوية كبيرة بلغة SQL عادية، على المنفذ 47334.
📦 الملفات والأكواد المطلوبة
قبل البدء، يرجى التأكد من تحميل الأكواد المطلوبة من مستودعنا على GitHub لتتمكن من تطبيق الخطوات مع الفيديو بسهولة.
التثبيت السريع:
wget https://raw.githubusercontent.com/mhmdali94/Docker/main/ai/mindsdb/mindsdb-ubuntu.sh
chmod +x mindsdb-ubuntu.sh
sudo bash mindsdb-ubuntu.sh
خطوات التنفيذ
1 تحميل السكريبت
wget https://raw.githubusercontent.com/mhmdali94/Docker/main/ai/mindsdb/mindsdb-ubuntu.sh
2 منحه صلاحية التنفيذ
chmod +x mindsdb-ubuntu.sh
3 تشغيل المثبّت
يثبّت السكريبت Docker إن لزم ويشغّل MindsDB مع واجهة الويب وواجهة HTTP على المنفذ 47334 وواجهة MySQL-wire على المنفذ 47335، مع تخزين البيانات في ./data.
sudo bash mindsdb-ubuntu.sh
4 فتح المحرر
تصفّح محرر SQL الخاص بـ MindsDB، اربط مصدر بيانات، ثم أنشئ نموذجاً واستعلم عنه — كل ذلك بلغة SQL:
http://<your-server-ip>:47334
المنافذ المستخدمة
| المنفذ | الغرض |
|---|---|
| 47334 | Web UI + HTTP API (host → container 47334) |
| 47335 | MySQL-wire API for existing SQL clients |
| ./data | Models, connections, and config (holds DB credentials) |
نظرة عامة
MindsDB منصة ذكاء اصطناعي مفتوحة المصدر تربط نماذج التعلم الآلي والنماذج اللغوية الكبيرة مباشرة بقواعد بياناتك الحالية، وتتيح لك الاستعلام عنها بلغة SQL عادية بدلاً من بناء خط أنابيب تعلم آلي منفصل. بدلاً من تصدير البيانات لدفتر ملاحظات أو خدمة تعلم آلي، تنشئ "نموذجاً" داخل MindsDB — متنبئ مدرّب على بياناتك أو اتصال بواجهة نموذج لغوي كبير — وتستعلم عنه تماماً كجدول باستخدام جمل SELECT. يشغّل هذا التثبيت MindsDB في Docker، ويعرض محرر SQL عبر الويب وواجهة HTTP على المنفذ 47334 وواجهة بروتوكول MySQL-wire على المنفذ 47335 التي تتيح لأدوات BI وعملاء SQL الحاليين الاتصال كما لو كانوا يتصلون بسيرفر MySQL.
لماذا تستخدمه
معظم مسارات عمل الذكاء الاصطناعي تتطلب نقل البيانات بين قاعدة بيانات وبيئة تدريب وطبقة تطبيق — يختصر MindsDB كل ذلك إلى SQL تعرفه بالفعل. المحللون الذين يستطيعون كتابة جملة SELECT يمكنهم إنشاء نموذج تنبؤ أو تشغيل تحليل مشاعر أو استعلام نموذج لغوي كبير عن بياناتهم دون تعلم Python أو إطار عمل تعلم آلي منفصل. ولأنه يتصل بقواعد بياناتك الحالية في مكانها، لا يوجد خط أنابيب بيانات مكرر لصيانته، ويمكن الاستعلام عن التنبؤات بنفس طريقة أي جدول آخر.
متى تحتاجه
- فريقك يعرف SQL لكن ليس التعلم الآلي، وتريد إضافة تنبؤات أو مزايا ذكاء اصطناعي دون توظيف مهندسي تعلم آلي
- تريد استعلام نموذج لغوي كبير عن بياناتك المنظمة، مثل تلخيص تذاكر دعم هذا الربع، باستخدام SQL
- تحتاج إضافة تنبؤ أو تصنيف أو كشف شذوذ مباشرة فوق قاعدة بيانات موجودة
- تريد واجهة واحدة لربط مصادر بيانات متعددة (Postgres وMySQL وSnowflake وغيرها) بنماذج الذكاء الاصطناعي
- تريد أن تتمكن أدوات BI وعملاء SQL التي تتحدث بروتوكول MySQL بالفعل من الاستعلام عن تنبؤات الذكاء الاصطناعي مباشرة
من يحتاجه
- محللو البيانات الذين يعرفون SQL لكن ليس Python أو أطر التعلم الآلي ويريدون إضافة مزايا تنبؤية
- فرق BI التي تريد عرض تنبؤات الذكاء الاصطناعي عبر نفس لوحات المعلومات والأدوات التي تستعلم بياناتها بالفعل
- الشركات الناشئة التي تريد بناء نماذج أولية لمزايا ذكاء اصطناعي فوق بيانات إنتاجية دون خط أنابيب تعلم آلي منفصل
- المطورون الذين يبنون تطبيقات تحتاج استدعاء نموذج لغوي كبير باستخدام بيانات موجودة بالفعل في قاعدة بيانات SQL
- مهندسو البيانات الذين يريدون طبقة واحدة تربط عشرات مصادر البيانات بمزودي ذكاء اصطناعي/تعلم آلي متنوعين
- فرق المنتج التي تختبر جدوى ميزة تنبؤية مثل تسرب العملاء أو توقع الطلب قبل بناء بنية تعلم آلي مخصصة
- المؤسسات التي توحّد كيفية وصول فرق مختلفة للنماذج اللغوية الكبيرة ونماذج التعلم الآلي عبر واجهة SQL محكومة واحدة
حالات الاستخدام الشائعة
- أنشئ نموذج توقع مبيعات قابلاً للاستعلام بـ SQL مدرّباً مباشرة على جدول الطلبات الحالي لديك
- اربط نموذجاً لغوياً كبيراً (OpenAI أو نموذجاً محلياً عبر Ollama وغيرها) وشغّل استعلامات بلغة طبيعية عن محتوى قاعدة بياناتك
- ابنِ نموذج تنبؤ بتسرب العملاء يمكن الاستعلام عنه بجملة SELECT بسيطة مقابل بيانات عملائك
- لخّص أو صنّف أعمدة نصية مثل تذاكر الدعم أو المراجعات أو البريد الإلكتروني باستخدام نموذج لغوي كبير عبر SQL
- اكشف الشذوذ في بيانات السلاسل الزمنية مثل قراءات المستشعرات أو سجلات المعاملات بنموذج يُستعلم عنه كجدول
- اربط قواعد بيانات متعددة (Postgres وMySQL وMongoDB) بمجموعة نماذج مشتركة لاستعلامات ذكاء اصطناعي عبر مصادر متعددة
الميزات الرئيسية
- واجهة تعتمد على SQL أولاً — أنشئ ودرّب واستعلم عن نماذج الذكاء الاصطناعي باستخدام جمل CREATE MODEL وSELECT
- قرابة 200 تكامل تشمل قواعد بيانات ومستودعات بيانات ومزودي ذكاء اصطناعي/تعلم آلي بما فيهم OpenAI وHugging Face
- واجهة بروتوكول MySQL-wire حتى تتمكن أدوات BI وعملاء SQL الحاليون من الاستعلام عن النماذج دون تعريفات جديدة
- دعم مدمج لربط والاستعلام عن نماذج لغوية كبيرة فوق بياناتك الخاصة (مسارات عمل بأسلوب RAG)
- إعادة تدريب وإصدار تلقائي للنماذج حتى تبقى التنبؤات محدّثة مع تغيّر البيانات الأساسية
- محرر SQL عبر الويب لكتابة واختبار وإدارة النماذج دون بيئة تطوير منفصلة
- خادم MCP (بروتوكول سياق النموذج) مدمج لربط وكلاء الذكاء الاصطناعي بمصادر بياناتك الموحّدة
- يتعامل مع مصادر البيانات ومزودي النماذج عبر طبقة اتصال وصلاحيات موحّدة
كيفية الاستخدام بعد التثبيت
- افتح http://your-server-ip:47334 للوصول لمحرر SQL عبر الويب
- اربط مصدر بيانات (Postgres أو MySQL وغيرهما) باستخدام جملة CREATE DATABASE مع بيانات اتصالك
- اربط محرك ذكاء اصطناعي — مزود نموذج لغوي كبير أو إطار تعلم آلي — باستخدام CREATE ML_ENGINE مع مفتاح API المناسب
- أنشئ نموذجاً بجملة CREATE MODEL يشير لبياناتك المرتبطة والمحرك الذي تريد استخدامه
- استعلم عن النموذج كجدول عادي باستخدام جملة SELECT للحصول على تنبؤات أو نتائج مولّدة بالذكاء الاصطناعي
- اربط أداة BI أو عميل SQL حالي بالمنفذ 47335 باستخدام إعدادات اتصال MySQL القياسية إذا أردت الاستعلام من خارج محرر الويب
أفضل ممارسات الأمان
- يخزّن MindsDB بيانات اعتماد كل قاعدة بيانات مرتبطة وأي مفاتيح API لنماذج لغوية كبيرة في حجم ./data — عامل هذا الحجم كحساس للغاية
- لا تكشف المنفذين 47334 أو 47335 مباشرة للإنترنت العام دون مصادقة وجدار حماية
- استخدم بيانات اعتماد قراءة فقط عند ربط مصدر بيانات يحتاج فقط للاستعلام لا الكتابة
- قيّد الوصول على شبكات موثوقة أو VPN، لأن أي شخص يستطيع الاستعلام عن MindsDB قد يصل لمصادر البيانات المرتبطة
- بدّل مفاتيح API لمزودي النماذج اللغوية الكبيرة المرتبطين دورياً واحذف اتصالات مصادر البيانات غير المستخدمة
- حافظ على تحديث صورة MindsDB Docker لتلقي تصحيحات أمان للمنصة الأساسية والتكاملات
- انسخ حجم ./data احتياطياً بأمان لأنه يحتوي ما يعادل بيانات اعتماد كل قاعدة بيانات مرتبطة
المنافذ وإعدادات جدار الحماية
ينشر MindsDB منفذين: 47334 لمحرر SQL عبر الويب وواجهة HTTP، و47335 لواجهة بروتوكول MySQL-wire التي تتيح لعملاء SQL وأدوات BI الحاليين الاتصال كما لو كانوا يتصلون بسيرفر MySQL. يجب حماية كليهما بجدار حماية من الإنترنت العام، لأن حجم ./data الخاص بـ MindsDB يحمل بيانات اعتماد كل قاعدة بيانات مرتبط بها بالإضافة لأي مفاتيح API مضبوطة لنماذج لغوية كبيرة — كشف أي من المنفذين دون تحكم بالوصول يعرّض كل ذلك للخطر. إذا احتجت وصولاً خارجياً، ضع MindsDB خلف وكيل عكسي مع مصادقة لواجهة الويب، وقيّد المنفذ 47335 على عناوين IP موثوقة محددة أو VPN لاتصالات أدوات BI.
النسخ الاحتياطي والصيانة
- انسخ احتياطياً حجم ./data الذي يحمل نماذجك واتصالات مصادر البيانات وبيانات الاعتماد والإعدادات
- انسخ احتياطياً docker-compose.yml أو أمر التشغيل حتى تتمكن من إعادة إنشاء الحاوية بشكل مطابق على مضيف جديد
- بما أن ./data يحتوي بيانات اعتماد اتصال لكل قاعدة بيانات مرتبطة، عامل النسخ الاحتياطية بنفس أمان أسرار الإنتاج
- وثّق مصادر البيانات ومحركات الذكاء الاصطناعي المرتبطة حتى يمكن إعادة تهيئتها بسرعة إذا احتجت استعادة
- اختبر الاستعادة دورياً بتحميل النسخة الاحتياطية في حاوية جديدة والتأكد أن النماذج والاتصالات لا تزال تُستعلَم بشكل صحيح
الأخطاء الشائعة
- كشف المنفذين 47334 أو 47335 مباشرة للإنترنت دون أي مصادقة أو قاعدة جدار حماية
- تخزين النسخة الاحتياطية لحجم ./data في مكان غير آمن، ونسيان أنه يحتوي بيانات اعتماد كل قاعدة بيانات مرتبطة
- ربط مصدر بيانات ببيانات اعتماد قراءة/كتابة كاملة بينما كان وصول القراءة فقط كافياً
- عدم فهم أن جودة التنبؤات مرتبطة مباشرة بجودة البيانات الأساسية — معاملة نماذج MindsDB كأنها معصومة من الخطأ
- نسيان إزالة اتصالات مصادر البيانات القديمة أو مفاتيح API غير المستخدمة، ما يوسّع سطح الهجوم دون داعٍ
- تشغيل استعلامات نموذج لغوي كبير مكلفة في حلقة دون تحديد معدل، ما يولّد تكاليف API غير متوقعة من المزود المرتبط
- افتراض أن MindsDB يخزّن بيانات المصدر لديك — إنه يستعلم قواعد البيانات المرتبطة مباشرة ولا يكرر محتواها افتراضياً
استكشاف الأخطاء وإصلاحها
- لا يمكن الاتصال بمحرر الويب — تحقق أن الحاوية تعمل وأن المنفذ 47334 غير محظور بواسطة UFW أو قاعدة جدار حماية أخرى
- فشل CREATE DATABASE — تحقق مرتين من بيانات اعتماد الاتصال وتأكد أن حاوية MindsDB تستطيع الوصول لقاعدة البيانات الهدف عبر الشبكة
- إنشاء النموذج بطيء أو تنتهي مهلته — مجموعات بيانات التدريب الكبيرة قد تستغرق وقتاً طويلاً؛ تحقق من سجلات الحاوية لمتابعة التقدم
- استعلامات النموذج اللغوي الكبير تعيد أخطاء مصادقة — تحقق أن مفتاح API المضبوط في CREATE ML_ENGINE صالح ولم تنتهِ صلاحيته
- أداة BI لا تتصل عبر بروتوكول MySQL — تأكد أنها موجّهة للمنفذ 47335، وليس 47334، ببيانات اعتماد MySQL القياسية
- التنبؤات تبدو غير دقيقة — راجع جودة بيانات التدريب وفكّر بإعادة تدريب النموذج ببيانات أكثر أو أنظف
- إعادة تشغيل الحاوية تفقد الإعدادات — تحقق أن حجم ./data مربوط بشكل صحيح ويستمر بين عمليات إعادة التشغيل
البدائل
إذا احتجت قاعدة بيانات متجهات مخصصة للتمثيلات العددية والبحث بالتشابه بدلاً من تنبؤات قائمة على SQL، فـ Milvus أو Qdrant مصممتان خصيصاً لذلك. AnythingLLM ومنصات RAG المشابهة تركّز على واجهات محادثة فوق المستندات بدلاً من استعلامات SQL على بيانات منظمة. للفرق المرتاحة بكتابة Python، استخدام scikit-learn أو Pandas أو إطار عمل مثل LangChain مباشرة يقدّم مرونة أكبر من تجريد SQL في MindsDB على حساب كود أكثر. أدوات BI التقليدية مع إضافات ذكاء اصطناعي تضيف مزايا محدودة دون منصة مخصصة. مجال MindsDB المحدد هو تحديداً الذكاء الاصطناعي الأصلي عبر SQL — إذا كان فريقك يفكّر بالفعل بلغة SQL وبياناتك موجودة بالفعل في قاعدة بيانات، فإنه يزيل أكبر قدر من الاحتكاك.
متى لا تستخدمه
إذا كان فريقك مرتاحاً بـ Python ويحتاج تحكماً كاملاً في بنية النموذج والتدريب، فإطار تعلم آلي مباشر مثل scikit-learn أو PyTorch يمنح مرونة أكبر من تجريد SQL في MindsDB. إذا احتجت قاعدة بيانات متجهات مخصصة للبحث الدلالي والتمثيلات العددية بدلاً من تنبؤات على بيانات منظمة، فأدوات مثل Milvus أو Qdrant أنسب. وإذا لم تكن بياناتك في قاعدة بيانات قابلة للاستعلام أصلاً — مثلاً موزّعة عبر مستندات غير منظمة — فمنصة مركّزة على RAG ومصممة لاستيعاب المستندات قد تخدمك أفضل من نهج MindsDB القائم على قواعد البيانات.
هل تحتاج مساعدة احترافية؟
توفر PrismaTechWork خدمات بنية تحتية شاملة — من النشر الأولي وتصليب الأمان إلى المراقبة المستمرة والنسخ الاحتياطي التلقائي والدعم المخصص. سواء كنت تحتاج إعداد سيرفر واحد أو شبكة متعددة المواقع، يضمن فريقنا بناء بنيتك التحتية بشكل صحيح وتأمينها بالشكل المناسب وصيانتها باستمرار.
- التثبيت وتجهيز السيرفر
- الإعداد المتقدم وإعداد التوجيه
- تصليب الأمان وتحسين جدار الحماية
- إعداد شهادات SSL/TLS مع Let's Encrypt
- ربط النطاق المخصص والوكيل العكسي
- جدولة النسخ الاحتياطي التلقائي والتعافي من الكوارث
- المراقبة الفورية وتنبيهات الجاهزية
- الترحيل من المنصات القائمة
- استكشاف مشكلات الاتصال والأداء وإصلاحها
- سكريبتات أتمتة مخصصة وعقود دعم مستمر
الأسئلة الشائعة
ما الذي تفعله MindsDB؟
تربط نماذج الذكاء الاصطناعي بقواعد بياناتك حتى تستخدمها عبر SQL. تنشئ نماذج — متنبئات تعلم آلي أو اتصالات LLM — تستعلم عنها مثل الجداول، فتصبح مهام التنبؤ والتصنيف والنصوص عبارات SELECT بدلاً من خط أنابيب تعلم آلي منفصل.
ما المنافذ التي تستخدمها؟
منفذان: واجهة الويب وHTTP API على المنفذ 47334، وواجهة MySQL wire على المنفذ 47335 تتيح لعملاء SQL وأدوات BI الاتصال كما لو كانت تتصل بسيرفر MySQL. أبقِ كلا المنفذين محميين بجدار الحماية، إذ تخزّن MindsDB بيانات اعتماد كل قاعدة بيانات متصلة ومفاتيح API الخاصة بنماذج LLM.
هل تخزّن بياناتي؟
ليس بياناتك المصدرية — تلك تبقى في قواعد البيانات التي تتصل بها. تخزّن MindsDB تفاصيل الاتصال ونماذجك والإعدادات في حجم ./data الخاص بها، وتستعلم عن مصادر بياناتك مباشرة.
هل أحتاج معرفة بالتعلم الآلي؟
لا — هذا هو الهدف. إذا كنت تستطيع كتابة SQL، تستطيع إنشاء النماذج والاستعلام عنها في MindsDB. تتصل بمصدر بيانات، تنشئ نموذجاً بعبارة SQL، وتستعلم عنه بـ SELECT. تُخفي التعقيد التقني لخط أنابيب التعلم الآلي، وهذا ما يجعل الذكاء الاصطناعي متاحاً للمحللين والتطبيقات التي لا تتحدث سوى SQL.
ما الفرق بينها وبين قاعدة بيانات متجهات مثل Milvus؟
تحلّان مشكلتين مختلفتين. قاعدة بيانات المتجهات مثل Milvus تخزّن التضمينات (embeddings) وتُجري بحث تشابه — طبقة الاسترجاع في تطبيقات الذكاء الاصطناعي. بينما تربط MindsDB النماذج ببياناتك العلائقية الموجودة وتتيح لك تشغيل التنبؤات واستعلامات LLM عليها عبر SQL.