نقاط نهاية الاستدلال المخصصة مقابل الاستدلال المشترك للنشر

أطلقنا مؤخرًا منصة Ultralytics، وهي حل متكامل يجمع سير عمل الرؤية الحاسوبية بأكمله في مكان واحد، بدءًا من إعداد مجموعات البيانات وتدريب النماذج، وصولًا إلى الاستدلال والنشر والمراقبة.

صُممت المنصة استنادًا إلى ملاحظات مجتمع الرؤية الحاسوبية لتبسيط كل مرحلة من مراحل التطوير، من خلال توفير ميزات متكاملة تدعم دورة حياة تطبيقات الذكاء الاصطناعي للرؤية بأكملها.

على سبيل المثال، بعد تدريب نموذج، تكون الخطوة التالية هي نشره ليُستخدم في إجراء الاستدلال وإنشاء التنبؤات ضمن تطبيقات العالم الحقيقي. وتبسط المنصة هذه العملية من خلال توفير خيارات نشر متعددة.

يمكنك تصدير النماذج لتشغيلها في بيئتك الخاصة، أو استخدام الاستدلال المشترك لإجراء اختبارات سريعة، أو نشر نقاط نهاية مخصصة لتطبيقات قابلة للتوسع وجاهزة للإنتاج. يتيح لك كل خيار من خيارات النشر هذه إجراء استدلال الذكاء الاصطناعي، لكن كلًا منها مصمم لمراحل وحالات استخدام مختلفة.

الشكل 1. تتيح منصة Ultralytics نشر نماذج الذكاء الاصطناعي للرؤية على نطاق عالمي قابل للتوسع (المصدر)

يمنحك تصدير النموذج تحكمًا كاملًا لتشغيل النماذج على بنيتك التحتية الخاصة، ويسهل الاستدلال المشترك الاختبار والتجربة دون إعداد، بينما صُممت نقاط النهاية المخصصة لأعباء العمل الإنتاجية الموثوقة واسعة النطاق.

للوهلة الأولى، قد يبدو الاستدلال المشترك ونقاط النهاية المخصصة متشابهين إلى حد كبير. فكلاهما يتيح لك إرسال طلبات API إلى نموذجك واستلام تنبؤات منظّمة، ما يسهل دمج الذكاء الاصطناعي للرؤية في التطبيقات.

لكن مع نمو أعباء العمل وبدء تطبيقات الرؤية الحاسوبية في التعامل مع طلبات الاستدلال في الوقت الفعلي، تزداد أهمية الفروق بين هذه الخيارات. في هذه المقالة، سنتناول الاستدلال المشترك ونقاط النهاية المخصصة بمزيد من التفصيل، ونقارن بينهما، ونوضح متى يُستخدم كل منهما، ولماذا تصبح نقاط النهاية المخصصة الخيار الأفضل مع توسع تطبيقاتك.

نظرة عامة على النشر باستخدام الاستدلال المشترك#

الاستدلال المشترك طريقة بسيطة لإجراء الاستدلال باستخدام نماذجك دون إعداد أي بنية تحتية أو القلق بشأن أنواع GPU أو تكامل الأطر أو إعدادات بيئة التشغيل. بعد تدريب النموذج أو ضبطه الدقيق، يمكنك استخدامه لإنشاء التنبؤات مباشرةً عبر المنصة.

في هذا الإعداد، يعمل نموذجك على موارد حوسبة مشتركة متعددة المستأجرين عبر عدد من المناطق الأساسية، مثل الولايات المتحدة وأوروبا ومنطقة آسيا والمحيط الهادئ. وتُوجَّه الطلبات تلقائيًا إلى الخدمات المتاحة، لذا لا تحتاج إلى إعداد مثيلات GPU أو بيئات تشغيل. تتولى المنصة كل شيء، ما يسهل البدء.

عند استخدام الاستدلال المشترك، ترسل الطلبات إلى نموذجك عبر REST API باستخدام أدوات مثل Python أو CLI، وتتلقى مخرجات JSON منظّمة، مثل الكائنات المكتشفة ودرجات الثقة وتفاصيل التنبؤ الأخرى. ويسهل ذلك اختبار النماذج ودمجها في التطبيقات.

لأن النظام مشترك، فهو مصمم للتطوير والاختبار والاستخدام الخفيف. ويعمل جيدًا للتحقق من التنبؤات وإنشاء عمليات التكامل الأولية. في الوقت نفسه، قد يختلف الأداء بحسب حمل النظام، ويقتصر الاستخدام على 20 طلبًا في الدقيقة لكل مفتاح API، ما يجعله أقل ملاءمة لأعباء العمل الإنتاجية ذات معدل النقل العالي.

إجمالًا، يناسب الاستدلال المشترك مراحل التطوير المبكرة، حيث ينصب التركيز على فهم النموذج وتحسينه قبل الانتقال إلى تطبيقات أوسع نطاقًا.

انشر النماذج عالميًا باستخدام نقاط نهاية مخصصة#

نقاط النهاية المخصصة خدمات استدلال أحادية المستأجر تعمل فيها نماذج الذكاء الاصطناعي للرؤية على موارد حوسبة معزولة. وبدلًا من مشاركة البنية التحتية، تتمتع كل نقطة نهاية ببيئة تشغيل خاصة بها، مع موارد قابلة للضبط مثل CPU والذاكرة، ما يمنحك تحكمًا أكبر في الأداء.

عند نشر نموذج كنقطة نهاية مخصصة، يُخصص له عنوان URL فريد لـ API ويستخدم مفتاح API الخاص بك للمصادقة، ما يسهل دمجه في التطبيقات. ويمكن نشر نقاط النهاية هذه عبر 43 منطقة حول العالم، ما يتيح لك إجراء الاستدلال بالقرب من المستخدمين وتقليل زمن الاستجابة.

الشكل 2. يمكنك نشر نقاط نهاية مخصصة في 43 منطقة حول العالم (المصدر)

يُعد التوسع التلقائي إحدى المزايا الرئيسية. إذ تضبط نقاط النهاية مواردها تلقائيًا وفق الطلبات الواردة، فتتوسع للتعامل مع زيادة حركة المرور وتتقلص عند انخفاض الطلب. وعند تفعيل التوسع إلى الصفر افتراضيًا، يمكن إيقاف نقاط النهاية عند خمولها وإعادة تشغيلها عند الحاجة، ما يساعد على تحسين استخدام الموارد.

بعبارة أخرى، صُممت نقاط النهاية المخصصة لأعباء العمل الإنتاجية. وهي توفر زمن استجابة منخفضًا وثابتًا، ومعدل نقل أعلى، وموثوقية أكبر مقارنةً بالاستدلال المشترك.

كذلك، لا تخضع نقاط النهاية المخصصة لحدود لمعدل الطلبات. إذ تنتقل الطلبات مباشرةً إلى نقطة النهاية، ولذلك يعتمد حجم حركة المرور التي يمكنك التعامل معها على إعدادك والتوسع لديك، لا على حدود ثابتة.

إضافةً إلى ذلك، تجعل المراقبة والسجلات وفحوصات السلامة المدمجة، إلى جانب سلوكَي بيئة التشغيل وبدء التشغيل المتوقعين، تتبّع الأداء والحفاظ على عمليات نشر مستقرة أمرًا مباشرًا في جميع الخطط. في الخطة المجانية، تستغرق عمليات البدء البارد عادةً من 5 إلى 45 ثانية، بينما تظل نقاط النهاية في خطة Pro جاهزة، ما يؤدي إلى أداء استدلال أسرع وأكثر قابلية للتوقع.

باختصار، تُعد نقاط النهاية المخصصة مثالية لتطبيقات الذكاء الاصطناعي للرؤية في الوقت الفعلي التي تتطلب استدلالًا موثوقًا وقابلًا للتوسع وعالي الأداء.

الاستدلال المشترك مقابل نقاط النهاية المخصصة: الفروق الأساسية#

إليك نظرة أقرب على أوجه المقارنة بين الاستدلال المشترك ونقاط النهاية المخصصة:

• زمن الاستجابة: قد يتفاوت زمن الاستجابة في البيئات المشتركة بسبب مشاركة الموارد، بينما توفر نقاط النهاية المخصصة استجابات أكثر ثباتًا وانخفاضًا في زمن الاستجابة.
• المناطق: يتوفر الاستدلال المشترك في عدد محدود من المناطق (الولايات المتحدة والاتحاد الأوروبي وآسيا والمحيط الهادئ)، بينما تدعم نقاط النهاية المخصصة النشر في 43 منطقة حول العالم.
• قابلية التوسع: لا يمكن ضبط التوسع في الاستدلال المشترك، بينما تتوسع نقاط النهاية المخصصة تلقائيًا بحسب حركة المرور الواردة.
• حدود معدل الطلبات: يخضع الاستدلال المشترك لحدود معدل الطلبات (20 طلبًا أو استدعاء API في الدقيقة لكل مفتاح API)، بينما لا تخضع نقاط النهاية المخصصة لحدود معدل الطلبات التي تفرضها المنصة.
• التسعير: يشمل الاستدلال المشترك الاختبار والتطوير دون تكلفة إضافية، بينما توفر نقاط النهاية المخصصة تحكمًا أكبر وقابلية أعلى للتوسع، وتعتمد تكلفتها على إعداد الموارد واحتياجات النشر.

لماذا تُعد نقاط النهاية المخصصة أفضل لأعباء العمل الإنتاجية#

مع انتقال تطبيقات الذكاء الاصطناعي والتعلم الآلي من الاختبار إلى الاستخدام في العالم الحقيقي، يصبح الأداء وقابلية التوسع والموثوقية أمورًا أساسية. ولهذا توفر نقاط النهاية المخصصة مزايا واضحة مقارنةً بالاستدلال المشترك.

باستخدام نقاط النهاية المخصصة، يعمل نموذجك المدرب مسبقًا أو المخصص على موارده الحاسوبية الخاصة، فلا يتأثر أداء النموذج بالمستخدمين الآخرين. ويساعد ذلك على إبقاء زمن الاستجابة منخفضًا وثابتًا، وهو أمر مهم للتطبيقات في الوقت الفعلي، مثل تحليلات الفيديو وأنظمة المراقبة.

الشكل 3. نظرة على النشر باستخدام نقطة نهاية استدلال مخصصة (المصدر)

على سبيل المثال، تخيل نظامًا لتحليلات البيع بالتجزئة يعالج بث الكاميرات المباشر عبر متاجر متعددة. يتيح نشر نقاط النهاية في 43 منطقة حول العالم إجراء الاستدلال بالقرب من كل متجر، ما يقلل زمن الاستجابة ويحسن سرعة الاستجابة.

أما مع الاستدلال المشترك، حيث تتشارك الجهات الموارد وتكون المناطق محدودة، فقد يتفاوت الأداء خلال فترات الانشغال.

يمكن لنقاط النهاية المخصصة أيضًا التعامل مع حركة مرور أكبر والتوسع تلقائيًا بحسب الطلب. وبفضل المراقبة والسجلات وفحوصات السلامة المدمجة، توفر أداءً أكثر قابلية للتوقع، ما يجعلها مناسبة لأعباء عمل الذكاء الاصطناعي الكبيرة والمتواصلة.

موضع الاستدلال المشترك في سير عمل الذكاء الاصطناعي للرؤية#

أثناء استكشافك للفروق بين الاستدلال المشترك ونقاط النهاية المخصصة، قد تتساءل عن موضع الاستدلال المشترك في سير عمل الرؤية الحاسوبية عمومًا.

لنعد إلى مثال تحليلات البيع بالتجزئة. قبل نشر حل للرؤية في متاجر متعددة، تحتاج الفرق عادةً إلى اختبار أدائه على بيانات حقيقية وتحسينه استنادًا إلى النتائج.

يبسط الاستدلال المشترك هذه العملية، إذ يتيح لك إرسال صور نموذجية أو إطارات فيديو من كاميرات المتاجر ومراجعة التنبؤات بسرعة دون إعداد بنية تحتية. ويفيد ذلك على وجه الخصوص في اختبار سلوك النموذج، وتصحيح التنبؤات غير الصحيحة، والتحقق من النتائج في ظروف مختلفة، مثل تغير الإضاءة أو تخطيطات المتاجر.

من خلال التكرار بهذه الطريقة، تستطيع الفرق تحسين دقة النموذج وموثوقيته قبل الانتقال إلى الإنتاج. وبعد أن يحقق النموذج أداءً جيدًا في سيناريوهات الاختبار هذه، يمكن نشره على نقاط نهاية مخصصة للاستخدام في الوقت الفعلي عبر مواقع متعددة.

يمكن أن يكون الاستدلال المشترك مناسبًا أيضًا للتطبيقات ذات الاستخدام المنخفض أو المتقطع. فعلى سبيل المثال، قد يستخدمه متجر صغير للبيع بالتجزئة لتحليل حركة الزوار من حين إلى آخر أو مراجعة نشاط العملاء في أوقات محددة، دون الحاجة إلى نشر واسع النطاق. وفي هذه الحالات، يوفر طريقة بسيطة وفعالة من حيث التكلفة لإجراء الاستدلال عند الطلب.

حالات استخدام نقاط النهاية المخصصة في العالم الحقيقي#

مع تجاوز تطبيقات الذكاء الاصطناعي مرحلة الاختبار، يبدأ اختيار طريقة النشر بالتأثير مباشرةً في الأداء وقابلية التوسع وتجربة المستخدم. ويمكن استخدام نقاط النهاية المخصصة على نطاق واسع في مختلف القطاعات، لأنها توفر أداءً مستقرًا وزمن استجابة منخفضًا وقدرة على التعامل مع أعباء العمل الكبيرة.

إليك بعض حالات الاستخدام الشائعة التي توضح كيفية الاستفادة من نقاط النهاية المخصصة في تطبيقات العالم الحقيقي:

• البيع بالتجزئة وتحليلات الفيديو: يمكن لسلسلة متاجر استخدام الرؤية الحاسوبية لتتبّع حركة العملاء، وتحديد المنتجات الرائجة، ومراقبة نشاط المتاجر في الوقت الفعلي. وتحافظ نقاط النهاية المخصصة على سرعة الاستدلال وثباته عبر مواقع المتاجر المتعددة، حتى في ساعات الذروة.
• التصنيع وفحص الجودة: تستطيع النماذج على خط الإنتاج اكتشاف العيوب أو الحالات الشاذة أثناء انتقال المنتجات عبر النظام. وتدعم نقاط النهاية المخصصة الاستدلال المتواصل في الوقت الفعلي، ما يساعد الفرق على اكتشاف المشكلات مبكرًا والحفاظ على جودة المنتجات دون إبطاء العمليات.
• الرعاية الصحية والتصوير الطبي: يمكن لمقدمي الرعاية الصحية ومختبرات التشخيص الاعتماد على نماذج الرؤية لتحليل الصور الطبية، مثل صور الأشعة السينية أو صور المسح. وتوفر نقاط النهاية المخصصة أداءً موثوقًا وثابتًا، وهو أمر بالغ الأهمية عند التعامل مع البيانات الحساسة والتشخيصات التي تتطلب سرعة.
• أتمتة المستودعات والخدمات اللوجستية: غالبًا ما تشغّل المستودعات الكبيرة أنظمة متطابقة متعددة، مثل السيور الناقلة وخطوط الفرز، وتعمل هذه الأنظمة فعليًا بوصفها نسخًا متماثلة من الإعداد نفسه. ويمكن لنماذج الرؤية الحاسوبية مراقبة كل نسخة لاكتشاف مشكلات مثل الانسدادات أو توجيه الطرود إلى مسارات خاطئة. وتضمن نقاط النهاية المخصصة اتساق الاستدلال عبر جميع النسخ في الوقت الفعلي.

الانتقال من الاستدلال المشترك إلى نقاط النهاية المخصصة#

من أبرز مزايا منصة Ultralytics سهولة الانتقال من الاستدلال المشترك إلى نقاط النهاية المخصصة مع نمو تطبيقك. فبدلًا من تبديل الأدوات أو إعادة بناء إعداداتك، يمكنك الانتقال إلى نشر جاهز للإنتاج ضمن البيئة نفسها.

بعد اختبار نموذجك باستخدام الاستدلال المشترك، يكون الانتقال إلى نقطة نهاية مخصصة خطوة تالية سهلة. يمكنك نشر النموذج نفسه على نقطة نهاية، واختيار المنطقة وموارد الحوسبة التي تفضلها، وتحديث عنوان URL لنقطة النهاية في تطبيقك. ويظل التكامل العام مشابهًا، لذا لن تحتاج إلا إلى تغييرات طفيفة أو لن تحتاج إلى أي تغيير في طريقة إرسال الطلبات أو معالجة الاستجابات.

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

وهذا يعني أنه يمكنك الانتقال من الاختبار إلى الإنتاج ببضع نقرات. ومع ازدياد عبء العمل أو حاجة تطبيقك إلى أداء أكثر ثباتًا، يمكنك الانتقال إلى نقاط نهاية مخصصة دون تعطيل سير عملك الحالي.

لمعرفة المزيد عن نشر النماذج باستخدام نقاط النهاية المخصصة على منصة Ultralytics، اطّلع على وثائق منصة Ultralytics الرسمية.

أبرز النقاط#

يُعد الاستدلال المشترك نقطة انطلاق رائعة للاختبار والتجريب، لكن أعباء العمل الإنتاجية تتطلب قدرًا أكبر من الثبات وقابلية التوسع. ومع نمو التطبيقات، توفر نقاط النهاية المخصصة الأداء والموثوقية اللازمين لدعم الاستخدام في العالم الحقيقي. وهذا ما يجعلها الخيار الأفضل لمعظم عمليات النشر الإنتاجية.

انضم إلى مجتمعنا واستكشف مستودع GitHub لمعرفة المزيد عن نماذج الرؤية الحاسوبية. اقرأ عن تطبيقات مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الروبوتات في صفحات حلولنا. اطّلع على خيارات الترخيص وابدأ باستخدام الذكاء الاصطناعي للرؤية.