نقاط النهاية المخصصة للاستدلال مقابل الاستدلال المشترك في النشر

لقد أطلقنا مؤخرًا Ultralytics وهي حل شامل يجمع كل مراحل سير عمل الرؤية الحاسوبية في مكان واحد، بدءًا من إعداد مجموعات البيانات وتدريب النماذج وصولاً إلى الاستدلال والنشر والمراقبة. 

تم تطوير هذه المنصة استنادًا إلى الملاحظات الواردة من مجتمع الرؤية الحاسوبية، وهي مصممة لتبسيط كل مرحلة من مراحل التطوير من خلال توفير ميزات متكاملة تدعم دورة الحياة الكاملة لتطبيقات الذكاء الاصطناعي في مجال الرؤية.

على سبيل المثال، بمجرد تدريب النموذج، تتمثل الخطوة التالية في نشره حتى يمكن استخدامه لإجراء عمليات الاستدلال ووضع التوقعات في التطبيقات العملية. وتسهل 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. تتيح لك كل خيار من خيارات النشر هذه تشغيل استدلال الذكاء الاصطناعي، إلا أنها مصممة لمراحل وحالات استخدام مختلفة. 

يمنحك "تصدير النماذج" التحكم الكامل في تشغيل النماذج ضمن البنية التحتية الخاصة بك، بينما تسهل ميزة "الاستدلال المشترك" إجراء الاختبارات والتجارب دون الحاجة إلى إعدادات مسبقة، أما "نقاط النهاية المخصصة" فهي مصممة خصيصًا لأحمال العمل الإنتاجية الموثوقة والواسعة النطاق.

للوهلة الأولى، قد يبدو الاستدلال المشترك ونقاط النهاية المخصصة متشابهين إلى حد كبير. فكلاهما يتيح لك إرسال طلبات واجهة برمجة التطبيقات (API) إلى نموذجك وتلقي تنبؤات منظمة، مما يسهل دمج الذكاء الاصطناعي للرؤية في التطبيقات.

ومع ذلك، مع تزايد أحمال العمل وبدء تطبيقات الرؤية الحاسوبية في معالجة طلبات الاستدلال في الوقت الفعلي، تزداد أهمية الفروق بين هذه الخيارات. في هذه المقالة، سنلقي نظرة فاحصة على الاستدلال المشترك ونقاط النهاية المخصصة، وكيفية المقارنة بينهما، ومتى يتم استخدام كل منهما، ولماذا تصبح نقاط النهاية المخصصة الخيار الأفضل مع توسع نطاق تطبيقاتك.

نظرة عامة على عملية النشر باستخدام الاستدلالات المشتركة

يُعد «الاستدلال المشترك» طريقة بسيطة لتشغيل عمليات الاستدلال بالذكاء الاصطناعي على نماذجك دون الحاجة إلى إعداد أي بنية تحتية أو القلق بشأن GPU أو تكامل الأطر البرمجية أو تكوين بيئة التشغيل. وبمجرد الانتهاء من تدريب النموذج أو ضبطه، يمكنك استخدامه لإجراء التنبؤات مباشرةً عبر المنصة.

في هذا الإعداد، يعمل نموذجك على موارد حوسبة مشتركة ومتعددة المستأجرين موزعة على عدد من المناطق الرئيسية، مثل الولايات المتحدة وأوروبا وآسيا والمحيط الهادئ. يتم توجيه الطلبات تلقائيًا إلى الخدمات المتاحة، لذا لن تحتاج إلى تكوين GPU أو بيئات التشغيل. يتم تولي كل شيء نيابة عنك، مما يسهل عليك البدء.

عند استخدام الاستدلال المشترك، تقوم بإرسال الطلبات إلى نموذجك عبر REST API أدوات مثل Python CLI، وتستلم مخرجات JSON منظمة، مثل الكائنات المكتشفة ودرجات الثقة وتفاصيل التنبؤ الأخرى. وهذا يجعل اختبار النماذج ودمجها في التطبيقات عملية سلسة.

نظرًا لأن النظام مشترك، فقد صُمم لأغراض التطوير والاختبار والاستخدام المحدود. وهو مناسب تمامًا للتحقق من صحة التوقعات وإنشاء عمليات تكامل أولية. وفي الوقت نفسه، قد يختلف الأداء حسب حمل النظام، كما أن الاستخدام محدود بمعدل 20 طلبًا في الدقيقة لكل مفتاح واجهة برمجة تطبيقات (API)، مما يجعله أقل ملاءمة لأحمال العمل الإنتاجية عالية الإنتاجية.

بشكل عام، يُعد الاستدلال المشترك الخيار الأنسب لمراحل التطوير المبكرة، حيث ينصب التركيز على فهم النموذج وتحسينه قبل الانتقال إلى تطبيقات على نطاق أوسع.

نشر النماذج على نطاق عالمي باستخدام نقاط نهاية مخصصة

نقاط النهاية المخصصة هي خدمات استدلال أحادية المستأجر، حيث تعمل نماذج الذكاء الاصطناعي الخاصة بالرؤية على موارد حوسبة معزولة. وبدلاً من مشاركة البنية التحتية، تتمتع كل نقطة نهاية ببيئة تشغيل خاصة بها مع موارد قابلة للتكوين مثل CPU ذاكرة، مما يمنحك مزيدًا من التحكم في الأداء.

عند نشر نموذج كنقطة نهاية مخصصة، يتم تخصيص عنوان URL فريد لواجهة برمجة التطبيقات (API) له، ويستخدم مفتاح API الخاص بك للمصادقة، مما يسهل دمجه في التطبيقات. ويمكن نشر نقاط النهاية هذه في 43 منطقة حول العالم، مما يتيح لك إجراء عمليات الاستدلال في أماكن أقرب إلى المستخدمين وتقليل زمن الاستجابة.

تعد "التوسع التلقائي" إحدى المزايا الرئيسية. حيث تتكيف نقاط النهاية تلقائيًا وفقًا للطلبات الواردة، فتتوسع لاستيعاب زيادة حركة المرور وتتقلص عند انخفاض الطلب. وبفضل تفعيل ميزة "التوسع إلى الصفر" بشكل افتراضي، يمكن إيقاف تشغيل نقاط النهاية عند عدم استخدامها وإعادة تشغيلها عند الحاجة، مما يساعد على تحسين استخدام الموارد.

بعبارة أخرى، تم تصميم نقاط النهاية المخصصة لأحمال العمل في بيئة الإنتاج. فهي توفر زمن انتقال منخفضًا ثابتًا، وإنتاجية أعلى، وموثوقية أكبر مقارنةً بالاستدلال المشترك. 

كما أن نقاط النهاية المخصصة لا تخضع لحدود معينة على معدل الاستخدام. تصل الطلبات مباشرةً إلى نقطة النهاية الخاصة بك، لذا فإن حجم حركة المرور التي يمكنك التعامل معها يعتمد على إعداداتك وقدرتك على التوسع، وليس على حدود ثابتة.

بالإضافة إلى ذلك، فإن المراقبة المدمجة والسجلات وفحوصات الحالة وسلوك التشغيل والبدء الذي يمكن التنبؤ به، تجعل من السهل track والحفاظ على استقرار عمليات النشر عبر جميع الباقات. في الباقة المجانية، تستغرق عمليات البدء البارد عادةً ما بين 5 و45 ثانية، بينما تظل نقاط النهاية في الباقة الاحترافية في حالة "دافئة"، مما يؤدي إلى أداء استدلالي أسرع وأكثر قابلية للتنبؤ.

ببساطة، تعد الأجهزة الطرفية المخصصة مثالية لتطبيقات الذكاء الاصطناعي البصري في الوقت الفعلي التي تتطلب عمليات استدلال موثوقة وقابلة للتوسع وعالية الأداء.

الاستدلال المشترك مقابل النقاط الطرفية المخصصة: الاختلافات الأساسية

فيما يلي مقارنة تفصيلية بين الاستدلال المشترك ونقاط النهاية المخصصة:

• الزمن المستغرق: قد يختلف الزمن المستغرق في البيئات المشتركة بسبب تقاسم الموارد، في حين توفر النقاط الطرفية المخصصة استجابات أكثر اتساقًا وذات زمن مستغرق أقل.
• المناطق: تتوفر ميزة الاستدلال المشترك في عدد قليل من المناطق (الولايات المتحدة، الاتحاد الأوروبي، AP)، في حين تدعم نقاط النهاية المخصصة النشر عبر 43 منطقة حول العالم.
• قابلية التوسع: لا يمكن تكوين التوسع في الاستدلال المشترك، بينما تتوسع نقاط النهاية المخصصة تلقائيًا استنادًا إلى حجم حركة المرور الواردة.
• حدود الاستخدام: يخضع الاستدلال المشترك لحدود الاستخدام (20 طلبًا أو استدعاءً لواجهة برمجة التطبيقات في الدقيقة لكل مفتاح واجهة برمجة تطبيقات)، في حين لا تخضع نقاط النهاية المخصصة لأي حدود استخدام على مستوى المنصة.
• الأسعار: تتوفر خدمة الاستدلال المشترك مجانًا لأغراض الاختبار والتطوير، بينما توفر نقاط النهاية المخصصة مزيدًا من التحكم وقابلية التوسع، مع اختلاف تكلفة الاستخدام وفقًا لتكوين الموارد واحتياجات النشر.

لماذا تُعد النقاط الطرفية المخصصة خيارًا أفضل لأحمال العمل في بيئة الإنتاج

مع انتقال تطبيقات الذكاء الاصطناعي والتعلم الآلي من مرحلة الاختبار إلى الاستخدام الفعلي، أصبحت الأداء وقابلية التوسع والموثوقية عوامل أساسية. ولهذا السبب، توفر نقاط النهاية المخصصة مزايا واضحة مقارنة بالاستدلال المشترك.

بفضل النقاط الطرفية المخصصة، يعمل نموذجك المُدرَّب مسبقًا أو المخصص على موارد حوسبة خاصة به، وبالتالي لا يتأثر الأداء بأداء المستخدمين الآخرين. ويساعد ذلك في الحفاظ على زمن انتقال منخفض وثابت، وهو أمر مهم للتطبيقات التي تعمل في الوقت الفعلي مثل تحليلات الفيديو وأنظمة المراقبة.

على سبيل المثال، تخيل نظامًا لتحليل بيانات تجارة التجزئة يعالج لقطات الكاميرات المباشرة من عدة متاجر. ومن خلال نشر نقاط النهاية في 43 منطقة حول العالم، يمكن تشغيل عمليات الاستدلال في مواقع أقرب إلى كل متجر، مما يقلل من زمن الاستجابة ويحسن أوقات الاستجابة. 

في حالة الاستدلال المشترك، حيث يتم تقاسم الموارد والمناطق محدودة، قد يتفاوت الأداء خلال فترات الذروة.

كما يمكن للنقاط الطرفية المخصصة التعامل مع أحجام حركة مرور أكبر والتوسع تلقائيًا وفقًا للطلب. وبفضل ميزات المراقبة والسجلات وفحوصات الحالة المدمجة، توفر هذه النقاط الطرفية أداءً أكثر قابلية للتنبؤ، مما يجعلها خيارًا مناسبًا لأحمال عمل الذكاء الاصطناعي المستمرة والواسعة النطاق.

مكانة الاستدلال المشترك في سير عمل الذكاء الاصطناعي البصري

أثناء استكشافك للفروق بين الاستدلال المشترك ونقاط النهاية المخصصة، قد تتساءل عن المكانة التي يحتلها الاستدلال المشترك ضمن سير عمل الرؤية الحاسوبية بشكل عام.

لنلقِ نظرة مرة أخرى على مثال تحليلات تجارة التجزئة. قبل نشر حل الرؤية في عدة متاجر، تحتاج الفرق عادةً إلى اختبار أدائه على بيانات حقيقية وصقله بناءً على تلك النتائج.

تسهل تقنية الاستدلال المشترك هذه العملية من خلال تمكينك من إرسال صور عينة أو إطارات فيديو من كاميرات المتجر ومراجعة التوقعات بسرعة دون الحاجة إلى إعداد بنية تحتية. ويعد هذا مفيدًا بشكل خاص لاختبار سلوك النموذج، وتصحيح التوقعات الخاطئة، والتحقق من صحة النتائج في ظل ظروف مختلفة، مثل التغيرات في الإضاءة أو تخطيطات المتجر.

من خلال التكرار بهذه الطريقة، يمكن للفرق تحسين دقة النموذج وموثوقيته قبل الانتقال إلى مرحلة الإنتاج. وبمجرد أن يحقق النموذج أداءً جيدًا في سيناريوهات الاختبار هذه، يمكن عندئذٍ نشره على نقاط طرفية مخصصة للاستخدام في الوقت الفعلي عبر مواقع متعددة.

يمكن أن يكون الاستدلال المشترك فعالاً أيضاً في التطبيقات ذات الاستخدام المحدود أو غير المتكرر. على سبيل المثال، قد يستخدمه متجر تجزئة صغير لتحليل حركة الزوار من حين لآخر أو مراجعة أنشطة العملاء في أوقات محددة، دون الحاجة إلى نشر واسع النطاق. وفي هذه الحالات، يوفر طريقة بسيطة وفعالة من حيث التكلفة لتشغيل عمليات الاستدلال عند الطلب.

حالات الاستخدام العملية لنقاط النهاية المخصصة

مع تجاوز تطبيقات الذكاء الاصطناعي مرحلة الاختبار، يبدأ اختيار طريقة النشر في التأثير بشكل مباشر على الأداء وقابلية التوسع وتجربة المستخدم. ويمكن استخدام النقاط الطرفية المخصصة على نطاق واسع في مختلف القطاعات، لأنها توفر أداءً مستقرًا وزمن استجابة منخفضًا، فضلاً عن القدرة على التعامل مع أحمال العمل الضخمة.

فيما يلي بعض حالات الاستخدام الشائعة التي توضح كيفية استخدام نقاط النهاية المخصصة في التطبيقات العملية:

• التجزئة وتحليلات الفيديو: يمكن لسلسلة متاجر التجزئة استخدام الرؤية الحاسوبية track حركة track ، وتحديد المنتجات الأكثر رواجًا، ومراقبة نشاط المتجر في الوقت الفعلي. تضمن نقاط النهاية المخصصة استنتاجات سريعة ومتسقة عبر مواقع المتاجر المتعددة، حتى خلال ساعات الذروة.
• التصنيع وفحص الجودة: على خط الإنتاج، يمكن للنماذج detect أو الحالات الشاذة أثناء مرور المنتجات عبر النظام. تدعم النقاط الطرفية المخصصة الاستدلال المستمر في الوقت الفعلي، مما يساعد الفرق على اكتشاف المشكلات في وقت مبكر والحفاظ على جودة المنتج دون إبطاء العمليات.
• الرعاية الصحية والتصوير الطبي: يمكن لمقدمي الرعاية الصحية والمختبرات التشخيصية الاعتماد على نماذج الرؤية لتحليل الصور الطبية مثل الأشعة السينية أو الأشعة المقطعية. توفر النقاط الطرفية المخصصة أداءً موثوقًا ومتسقًا، وهو أمر بالغ الأهمية عند التعامل مع البيانات الحساسة والتشخيصات التي تتطلب سرعة في الإنجاز.
• أتمتة المستودعات والخدمات اللوجستية: غالبًا ما تستخدم المستودعات الكبيرة عدة أنظمة متطابقة، مثل سيور النقل وخطوط الفرز، والتي تعمل فعليًّا كنسخ متماثلة لنفس التجهيزات. ويمكن لنماذج الرؤية الحاسوبية مراقبة كل نسخة من هذه النسخ المتماثلة detect مثل الانسدادات أو الطرود التي تم توجيهها إلى مسار خاطئ. وتضمن نقاط النهاية المخصصة استنتاجات متسقة عبر جميع النسخ المتماثلة في الوقت الفعلي.

الانتقال من الاستدلال المشترك إلى نقاط النهاية المخصصة

تتمثل إحدى المزايا الرئيسية Ultralytics في سهولة الانتقال من الاستدلال المشترك إلى نقاط النهاية المخصصة مع نمو تطبيقك. فبدلاً من تغيير الأدوات أو إعادة بناء الإعدادات، يمكنك الانتقال إلى نشر جاهز للإنتاج ضمن البيئة نفسها.

بعد اختبار نموذجك باستخدام الاستدلال المشترك، فإن الانتقال إلى نقطة نهاية مخصصة هو الخطوة التالية البسيطة. يمكنك نشر النموذج نفسه على نقطة نهاية، واختيار المنطقة وموارد الحوسبة المفضلة لديك، وتحديث عنوان URL الخاص بنقطة النهاية في تطبيقك. ويظل التكامل العام كما هو، لذا لن يكون هناك تغيير يذكر في طريقة إرسال الطلبات أو التعامل مع الردود.

وهذا يعني أنه يمكنك الانتقال من مرحلة الاختبار إلى مرحلة الإنتاج ببضع نقرات. ومع تزايد حجم العمل أو احتياج تطبيقك إلى أداء أكثر ثباتًا، يمكنك الانتقال إلى نقاط نهاية مخصصة دون تعطيل سير العمل الحالي.

لمعرفة المزيد عن نشر النماذج باستخدام نقاط نهاية مخصصة على Ultralytics يرجى الاطلاع على الوثائق الرسمية Ultralytics .

النقاط الرئيسية

يُعد الاستدلال المشترك نقطة انطلاق رائعة للاختبار والتجريب، لكن أحمال العمل في بيئة الإنتاج تتطلب مزيدًا من الاتساق وقابلية التوسع. ومع نمو التطبيقات، توفر نقاط النهاية المخصصة الأداء والموثوقية اللازمين لدعم الاستخدام الفعلي. وهذا يجعلها الخيار الأمثل لمعظم عمليات النشر في بيئة 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 مجال الروبوتات على صفحات الحلول الخاصة بنا. اطلع على خيارات الترخيص المتاحة لدينا وابدأ في استخدام الذكاء الاصطناعي للرؤية.