نقاط نهاية الاستنتاج المخصصة مقابل الاستنتاج المشترك للنشر

مؤخراً، أطلقنا منصة Ultralytics، وهي حل متكامل يجلب سير عمل الرؤية الحاسوبية بالكامل إلى مكان واحد، بدءاً من إعداد البيانات وتدريب النماذج وصولاً إلى الاستنتاج والنشر والمراقبة.

تم تصميم المنصة بناءً على ملاحظات مجتمع الرؤية الحاسوبية، وهي تهدف إلى تبسيط كل مرحلة من مراحل التطوير من خلال توفير ميزات متكاملة تدعم دورة الحياة الكاملة لتطبيقات الذكاء الاصطناعي البصري.

على سبيل المثال، بمجرد تدريب النموذج، تتمثل الخطوة التالية في نشره بحيث يمكن استخدامه لتشغيل الاستنتاج وإجراء التنبؤات في التطبيقات الواقعية. تجعل المنصة هذه العملية مباشرة من خلال تقديم خيارات نشر متعددة.

يمكنك تصدير النماذج لتشغيلها في بيئتك الخاصة، أو استخدام الاستنتاج المشترك للاختبار السريع، أو نشر نقاط نهاية مخصصة للتطبيقات القابلة للتوسع والجاهزة للإنتاج. يسمح لك كل خيار من خيارات النشر هذه بتشغيل استنتاج الذكاء الاصطناعي، ولكنها مصممة لمراحل وحالات استخدام مختلفة.

شكل 1. تتيح منصة Ultralytics نشر نماذج الذكاء الاصطناعي البصري القابلة للتوسع عالمياً (المصدر)

يمنحك تصدير النموذج تحكماً كاملاً لتشغيل النماذج في بنيتك التحتية الخاصة، ويجعل الاستنتاج المشترك من السهل الاختبار والتجربة دون الحاجة إلى إعدادات، بينما تم بناء نقاط النهاية المخصصة لأحمال عمل الإنتاج الموثوقة واسعة النطاق.

للوهلة الأولى، قد يبدو الاستنتاج المشترك ونقاط النهاية المخصصة متشابهين تماماً. كلاهما يمكنك من إرسال طلبات API إلى نموذجك وتلقي تنبؤات منظمة، مما يسهل دمج الذكاء الاصطناعي البصري في التطبيقات.

ومع ذلك، مع نمو أحمال عملك وبدء تطبيقات الرؤية الحاسوبية في معالجة طلبات الاستنتاج في الوقت الفعلي، تصبح الاختلافات بين هذه الخيارات أكثر أهمية. في هذه المقالة، سنلقي نظرة فاحصة على الاستنتاج المشترك ونقاط النهاية المخصصة، وكيفية المقارنة بينهما، ومتى تستخدم كل منهما، ولماذا تصبح نقاط النهاية المخصصة الخيار الأفضل مع توسع تطبيقاتك.

Link to this sectionنظرة عامة على النشر باستخدام الاستنتاجات المشتركة#

الاستنتاج المشترك هو طريقة بسيطة لتشغيل استنتاج الذكاء الاصطناعي على نماذجك دون إعداد أي بنية تحتية أو القلق بشأن أنواع GPU، أو تكامل إطار العمل، أو تكوين وقت التشغيل. بمجرد تدريب نموذجك أو ضبطه بدقة، يمكنك استخدامه لإجراء التنبؤات مباشرة من خلال المنصة.

في هذا الإعداد، يعمل نموذجك على موارد حوسبة مشتركة ومتعددة المستأجرين عبر بضع مناطق أساسية، مثل الولايات المتحدة وأوروبا ومنطقة آسيا والمحيط الهادئ. يتم توجيه الطلبات تلقائياً إلى الخدمات المتاحة، لذا لا تحتاج إلى تكوين مثيلات GPU أو بيئات وقت التشغيل. يتم التعامل مع كل شيء نيابة عنك، مما يجعل البدء أمراً سهلاً.

عند استخدام الاستنتاج المشترك، ترسل طلبات إلى نموذجك عبر REST API باستخدام أدوات مثل Python أو CLI، وتتلقى مخرجات JSON منظمة، مثل الكائنات المكتشفة، ودرجات الثقة، وتفاصيل التنبؤ الأخرى. هذا يجعل اختبار النماذج ودمجها في التطبيقات أمراً سلساً.

نظراً لأن النظام مشترك، فهو مصمم للتطوير والاختبار والاستخدام الخفيف. إنه يعمل بشكل جيد للتحقق من التنبؤات وبناء عمليات التكامل الأولية. في الوقت نفسه، قد يختلف الأداء اعتماداً على حمل النظام، ويخضع الاستخدام لحدود معدل تبلغ 20 طلباً في الدقيقة لكل مفتاح API، مما يجعله أقل ملاءمة لأحمال عمل الإنتاج ذات الإنتاجية العالية.

بشكل عام، يعد الاستنتاج المشترك هو الأنسب للتطوير في المرحلة المبكرة، حيث ينصب التركيز على فهم نموذجك وتحسينه قبل الانتقال إلى تطبيقات أوسع نطاقاً.

Link to this sectionنشر النماذج عالمياً باستخدام نقاط النهاية المخصصة#

نقاط النهاية المخصصة هي خدمات استنتاج أحادية المستأجر حيث تعمل نماذج الذكاء الاصطناعي البصري الخاصة بك على موارد حوسبة معزولة. بدلاً من مشاركة البنية التحتية، تمتلك كل نقطة نهاية وقت تشغيل خاص بها مع موارد قابلة للتكوين مثل CPU والذاكرة، مما يمنحك تحكماً أكبر في الأداء.

عندما تقوم بنشر نموذج كنقطة نهاية مخصصة، يتم تعيين عنوان URL فريد لـ API له ويستخدم مفتاح API الخاص بك للمصادقة، مما يسهل دمجه في التطبيقات. يمكن نشر نقاط النهاية هذه عبر 43 منطقة عالمية، مما يسمح لك بتشغيل الاستنتاج بالقرب من المستخدمين وتقليل وقت الاستجابة.

شكل 2. يمكنك نشر نقاط النهاية المخصصة في 43 منطقة عالمية (المصدر)

إحدى المزايا الرئيسية هي القياس التلقائي. تتكيف نقاط النهاية تلقائياً بناءً على الطلبات الواردة، حيث تتوسع للتعامل مع حركة المرور الأعلى وتتقلص عندما ينخفض الطلب. مع تمكين ميزة القياس إلى الصفر افتراضياً، يمكن لنقاط النهاية إيقاف التشغيل عندما تكون خاملة وإعادة التشغيل عند الحاجة، مما يساعد في تحسين استخدام الموارد.

بعبارة أخرى، تم تصميم نقاط النهاية المخصصة لأحمال عمل الإنتاج. فهي توفر وقت استجابة منخفضاً ثابتاً، وإنتاجية أعلى، وموثوقية أكبر مقارنة بالاستنتاج المشترك.

أيضاً، لا تحتوي نقاط النهاية المخصصة على حدود للمعدل. تنتقل الطلبات مباشرة إلى نقطة النهاية الخاصة بك، لذا فإن حجم حركة المرور التي يمكنك التعامل معها يعتمد على إعدادك وتوسعك بدلاً من الحدود الثابتة.

بالإضافة إلى ذلك، فإن المراقبة المدمجة، والسجلات، وفحوصات السلامة، وسلوك وقت التشغيل والبدء المتوقع تجعل من السهل تتبع الأداء والحفاظ على عمليات نشر مستقرة عبر جميع الخطط. في الخطة المجانية، تستغرق عمليات البدء البارد عادةً ما بين 5 و45 ثانية، بينما تظل نقاط النهاية في خطة Pro دافئة، مما يؤدي إلى أداء استنتاج أسرع وأكثر قابلية للتنبؤ.

ببساطة، تعد نقاط النهاية المخصصة مثالية لتطبيقات الذكاء الاصطناعي البصري في الوقت الفعلي التي تتطلب استنتاجاً موثوقاً وقابلاً للتوسع وعالي الأداء.

Link to this sectionالاستنتاج المشترك مقابل نقاط النهاية المخصصة: الاختلافات الجوهرية#

إليك نظرة فاحصة على كيفية المقارنة بين الاستنتاج المشترك ونقاط النهاية المخصصة:

• وقت الاستجابة: يمكن أن يختلف وقت الاستجابة في البيئات المشتركة بسبب مشاركة الموارد، بينما توفر نقاط النهاية المخصصة استجابات أكثر اتساقاً ومنخفضة وقت الاستجابة.
• المناطق: يتوفر الاستنتاج المشترك في بضع مناطق (الولايات المتحدة، الاتحاد الأوروبي، آسيا والمحيط الهادئ)، بينما تدعم نقاط النهاية المخصصة النشر عبر 43 منطقة عالمية.
• القابلية للتوسع: لا يمكن تكوين القياس في الاستنتاج المشترك، بينما تتوسع نقاط النهاية المخصصة تلقائياً بناءً على حركة المرور الواردة.
• حدود المعدل: يخضع الاستنتاج المشترك لحدود المعدل (20 طلباً أو استدعاء API في الدقيقة لكل مفتاح API)، بينما لا تحتوي نقاط النهاية المخصصة على حدود معدل للمنصة.
• التسعير: يتم تضمين الاستنتاج المشترك بدون تكلفة إضافية للاختبار والتطوير، بينما توفر نقاط النهاية المخصصة تحكماً وقابلية توسع أكبر، مع اعتماد الاستخدام على تكوين الموارد واحتياجات النشر.

Link to this sectionلماذا تعد نقاط النهاية المخصصة أفضل لأحمال عمل الإنتاج#

مع انتقال تطبيقات الذكاء الاصطناعي وتعلم الآلة من الاختبار إلى الاستخدام الواقعي، يصبح الأداء والقابلية للتوسع والموثوقية أموراً ضرورية. ولهذا السبب توفر نقاط النهاية المخصصة مزايا واضحة على الاستنتاج المشترك.

مع نقاط النهاية المخصصة، يعمل نموذجك المدرب مسبقاً أو المخصص على موارد الحوسبة الخاصة به، لذا لا يتأثر الأداء بالمستخدمين الآخرين. يساعد هذا في الحفاظ على وقت استجابة منخفض وثابت، وهو أمر مهم للتطبيقات في الوقت الفعلي مثل تحليلات الفيديو وأنظمة المراقبة.

شكل 3. نظرة على النشر باستخدام نقطة نهاية استنتاج مخصصة (المصدر)

على سبيل المثال، فكر في نظام تحليلات التجزئة الذي يعالج موجزات الكاميرا الحية عبر متاجر متعددة. من خلال نشر نقاط نهاية عبر 43 منطقة عالمية، يمكن تشغيل الاستنتاج بالقرب من كل متجر، مما يقلل من وقت الاستجابة ويحسن أوقات الاستجابة.

مع الاستنتاج المشترك، حيث يتم مشاركة الموارد وتكون المناطق محدودة، يمكن أن يختلف الأداء خلال فترات الازدحام.

يمكن لنقاط النهاية المخصصة أيضاً التعامل مع حركة مرور أعلى والتوسع تلقائياً بناءً على الطلب. مع المراقبة المدمجة، والسجلات، وفحوصات السلامة، فإنها توفر أداءً أكثر قابلية للتنبؤ، مما يجعلها مناسبة لأحمال عمل الذكاء الاصطناعي واسعة النطاق والمستمرة.

Link to this sectionأين يتناسب الاستنتاج المشترك في سير عمل الذكاء الاصطناعي البصري#

أثناء استكشاف الاختلافات بين الاستنتاج المشترك ونقاط النهاية المخصصة، قد تتساءل عن مكان تناسب الاستنتاج المشترك في سير عمل الرؤية الحاسوبية العام.

دعونا نلقي نظرة على مثال تحليلات التجزئة مرة أخرى. قبل نشر حل بصري عبر متاجر متعددة، تحتاج الفرق عادةً إلى اختبار كيفية أدائه على بيانات حقيقية وتحسينه بناءً على تلك النتائج.

يجعل الاستنتاج المشترك هذه العملية بسيطة من خلال السماح لك بإرسال صور نموذجية أو إطارات فيديو من كاميرات المتجر ومراجعة التنبؤات بسرعة دون إعداد البنية التحتية. هذا مفيد بشكل خاص لاختبار سلوك النموذج، وتصحيح التنبؤات غير الصحيحة، والتحقق من النتائج في ظل ظروف مختلفة، مثل التغيرات في الإضاءة أو تصميمات المتجر.

من خلال التكرار بهذه الطريقة، يمكن للفرق تحسين دقة النموذج وموثوقيته قبل الانتقال إلى الإنتاج. بمجرد أن يعمل النموذج بشكل جيد في سيناريوهات الاختبار هذه، يمكن بعد ذلك نشره في نقاط نهاية مخصصة للاستخدام في الوقت الفعلي عبر مواقع متعددة.

يمكن أن يعمل الاستنتاج المشترك أيضاً بشكل جيد للتطبيقات ذات الاستخدام المنخفض أو غير المتكرر. على سبيل المثال، قد يستخدمه متجر تجزئة صغير لتحليل حركة المشاة أو مراجعة نشاط العملاء في أوقات محددة، دون الحاجة إلى نشر كامل النطاق. في هذه الحالات، فإنه يوفر طريقة بسيطة وفعالة من حيث التكلفة لتشغيل الاستنتاج عند الطلب.

Link to this sectionحالات الاستخدام الواقعية لنقاط النهاية المخصصة#

مع انتقال تطبيقات الذكاء الاصطناعي إلى ما هو أبعد من الاختبار، يبدأ اختيار النشر في التأثير بشكل مباشر على الأداء والقابلية للتوسع وتجربة المستخدم. يمكن استخدام نقاط النهاية المخصصة على نطاق واسع عبر الصناعات لأنها توفر أداءً مستقراً، ووقت استجابة منخفضاً، والقدرة على التعامل مع أحمال العمل واسعة النطاق.

إليك بعض حالات الاستخدام الشائعة التي توضح كيفية استخدام نقاط النهاية المخصصة في التطبيقات الواقعية:

• التجزئة وتحليلات الفيديو: يمكن لسلسلة متاجر التجزئة استخدام الرؤية الحاسوبية لتتبع حركة العملاء، وتحديد المنتجات الشائعة، ومراقبة نشاط المتجر في الوقت الفعلي. تحافظ نقاط النهاية المخصصة على سرعة واتساق الاستنتاج عبر مواقع متاجر متعددة، حتى خلال ساعات الذروة.
• التصنيع وفحص الجودة: على خط الإنتاج، يمكن للنماذج اكتشاف العيوب أو الشذوذ أثناء تحرك المنتجات عبر النظام. تدعم نقاط النهاية المخصصة الاستنتاج المستمر في الوقت الفعلي، مما يساعد الفرق على اكتشاف المشكلات مبكراً والحفاظ على جودة المنتج دون إبطاء العمليات.
• الرعاية الصحية والتصوير الطبي: يمكن لمقدمي الرعاية الصحية ومختبرات التشخيص الاعتماد على نماذج الرؤية لتحليل الصور الطبية مثل الأشعة السينية أو الأشعة المقطعية. توفر نقاط النهاية المخصصة أداءً موثوقاً ومتسقاً، وهو أمر بالغ الأهمية عند التعامل مع البيانات الحساسة والتشخيصات ذات الأهمية الزمنية.
• أتمتة المستودعات والخدمات اللوجستية: غالباً ما تقوم المستودعات الكبيرة بتشغيل أنظمة متعددة متطابقة، مثل أحزمة النقل وخطوط الفرز، والتي تعمل بفعالية كنسخ متماثلة لنفس الإعداد. يمكن لنماذج الرؤية الحاسوبية مراقبة كل نسخة متماثلة لاكتشاف مشكلات مثل الانحشارات أو الطرود الموجهة بشكل خاطئ. تضمن نقاط النهاية المخصصة استنتاجاً متسقاً عبر جميع النسخ المتماثلة في الوقت الفعلي.

Link to this sectionالانتقال من الاستنتاج المشترك إلى نقاط النهاية المخصصة#

إحدى المزايا الرئيسية لمنصة Ultralytics هي مدى بساطة الانتقال من الاستنتاج المشترك إلى نقاط النهاية المخصصة مع نمو تطبيقك. بدلاً من تبديل الأدوات أو إعادة بناء إعداداتك، يمكنك الانتقال إلى نشر جاهز للإنتاج داخل نفس البيئة.

بعد اختبار نموذجك باستخدام الاستنتاج المشترك، يعد الانتقال إلى نقطة نهاية مخصصة خطوة تالية مباشرة. يمكنك نشر نفس النموذج في نقطة نهاية، واختيار المنطقة وموارد الحوسبة المفضلة لديك، وتحديث عنوان URL لنقطة النهاية في تطبيقك. يظل التكامل العام متشابهاً، لذا لا يوجد تغيير يذكر في كيفية إرسال الطلبات أو معالجة الاستجابات.

شكل 4. عرض عنوان URL لنقطة نهاية مخصصة على منصة Ultralytics (المصدر)

وهذا يعني أنه يمكنك التوسع من الاختبار إلى الإنتاج ببضع نقرات. مع زيادة عبء عملك أو احتياج تطبيقك إلى أداء أكثر اتساقاً، يمكنك الانتقال إلى نقاط النهاية المخصصة دون تعطيل سير عملك الحالي.

لمعرفة المزيد حول نشر النماذج باستخدام نقاط النهاية المخصصة على منصة Ultralytics، تحقق من وثائق منصة Ultralytics الرسمية.

Link to this sectionأبرز النقاط#

يعد الاستنتاج المشترك نقطة انطلاق رائعة للاختبار والتجربة، ولكن أحمال عمل الإنتاج تتطلب المزيد من الاتساق والقابلية للتوسع. مع نمو التطبيقات، توفر نقاط النهاية المخصصة الأداء والموثوقية اللازمين لدعم الاستخدام الواقعي. وهذا يجعلها الخيار الأفضل لمعظم عمليات نشر الإنتاج.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن نماذج الرؤية الحاسوبية. اقرأ عن تطبيقات مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الروبوتات على صفحات حلولنا. تحقق من خيارات الترخيص الخاصة بنا وابدأ في استخدام الذكاء الاصطناعي البصري.