قياس أداء الذكاء الاصطناعي لوزن تأثير ابتكاراتك

لقد استكشافنا سابقاً كيف يمكن استخدام الذكاء الاصطناعي في قطاعات مختلفة مثل الرعاية الصحية والتصنيع والسياحة. كما نظرنا في كيفية تحسين الذكاء الاصطناعي لمهام العمل اليومية وناقشنا أبرز أفكار أعمال الذكاء الاصطناعي. وجميع هذه النقاشات تقود حتماً إلى السؤال الرئيسي ذاته: كيف يمكننا قياس نجاح عمليات نشر الذكاء الاصطناعي هذه؟ إنه لسؤال مهم لأن مجرد نشر حلول الذكاء الاصطناعي لا يكفي. إن ضمان تقديم هذه الحلول لنتائج فعلية حقاً هو ما يجعلها تحدث تغييراً جذرياً.

يمكننا قياس مقاييس أداء الذكاء الاصطناعي لتحديد ما إذا كان نموذج الذكاء الاصطناعي فعالاً بحق في جعل العمليات أكثر كفاءة، أو تحفيز الابتكار، أو حل المشكلات. ومن خلال التركيز على مؤشرات الأداء الرئيسية (KPIs) المناسبة، يمكننا فهم مدى جودة عمل حل الذكاء الاصطناعي والمجالات التي قد تحتاج إلى تحسين.

في هذه المقالة، سنلقي نظرة على كيفية قياس نجاح عمليات نشر الذكاء الاصطناعي باستخدام مؤشرات الأداء الرئيسية الأكثر صلة. سنغطي الفروق بين مؤشرات الأداء الرئيسية للأعمال ومؤشرات الأداء الرئيسية للذكاء الاصطناعي، ونستعرض مقاييس رئيسية مثل الدقة والاسترجاع، ونساعدك في اختيار أفضل مؤشرات الأداء الرئيسية لحلول الذكاء الاصطناعي الخاصة بك.

الفرق بين مؤشرات الأداء الرئيسية للأعمال ومؤشرات أداء الذكاء الاصطناعي#

شكل 1. مقارنة مؤشرات الأداء الرئيسية للأعمال ومؤشرات أداء الذكاء الاصطناعي.

عندما تفكر في مؤشرات الأداء الرئيسية (KPIs)، فمن الطبيعي أن يفترض المرء أنها تتعلق حصراً بمقاييس الأعمال مثل العائد على الاستثمار (ROI)، أو توفير التكاليف، أو الإيرادات المُحَققَة - لا سيما عند الحديث عن ذكاء الأعمال للمؤسسات. تقيس مؤشرات أداء أعمال الذكاء الاصطناعي هذه مدى تأثير الذكاء الاصطناعي على النجاح الإامجمالي للشركات وتتماشى مع أهداف الأعمال الأوسع.

ومع ذلك، تركز مؤشرات أداء الذكاء الاصطناعي على مدى كفاءة عمل نظام الذكاء الاصطناعي نفسه، باستخدام مقاييس مثل الدقة، والموثوقية، والاسترجاع. سنتعمق في تفاصيل هذه المقاييس أدناه، ولكن باختصار، في حين تعرض مؤشرات أداء الأعمال الفوائد المالية والاستراتيجية للذكاء الاصطناعي، فإن مؤشرات أداء الذكاء الاصطناعي تضمن أن نموذج الذكاء الاصطناعي يؤدي مهمته بفعالية.

يمكن لبعض المقاييس في الواقع أن تخدم الغرضين معاً. على سبيل المثال، يمكن لـ مكاسب الكفاءة، مثل تقليل الوقت أو الموارد اللازمة لإكمال مهمة ما، أن تكون مؤشراً رئيسياً للأداء (يوضح مدى جودة عمل حل الذكاء الاصطناعي) ومؤشراً رئيسياً للأعمال (يقيس توفير التكاليف وتحسينات الإنتاجية). ورضا العميل هو مقياس مشترك آخر. حيث يمكنه عكس نجاح أداة خدمة عملاء مدعومة بالذكاء الاصطناعي سواء من حيث أدائها التقني أو تأثيرها على أهداف الأعمال العامة.

فهم مقاييس أداء الذكاء الاصطناعي الرئيسية#

هناك بعض المقاييس الشائعة المستخدمة لقياس مدى أداء نموذج الذكاء الاصطناعي. أولاً، سنلقي نظرة على تعريفها وكيفية حسابها. ثم سنرى كيف يمكن مراقبة هذه المقاييس.

الدقة (Precision)#

الدقة هي مقياس يقيس مدى دقة نموذج الذكاء الاصطناعي في تحديد الحالات الإيجابية الصحيحة (الحالات التي يحدد فيها النموذج بشكل صحيح كائناً أو شرطاً كما ينبغي). على سبيل المثال، في نظام التعرف على الوجه، تحدث الحالة الإيجابية الصحيحة عندما يتعرف النظام بشكل صحيح على وجه شخص تم تدريبه على اكتشافه ويحدده.

لحساب الدقة، ابدأ بحساب عدد النتائج الإيجابية الصحيحة. يمكنك بعد ذلك قسمة هذا العدد على إجمالي عدد العناصر التي صنفها النموذج على أنها إيجابية. يتضمن هذا الإجمالي كلاً من التحديدات الصحيحة والأخطاء، والتي تسمى النتائج الإيجابية الكاذبة. في الأساس، تخبرك الدقة بمدى تكرار صحة النموذج عندما يدعي أنه تعرف على شيء ما.

الشكل 2. فهم الدقة.

يعد هذا الأمر مهمًا بشكل خاص في السيناريوهات التي قد تكون فيها عواقب النتائج الإيجابية الخاطئة مكلفة أو مزعجة. على سبيل المثال، في التصنيع الآلي، يشير معدل الدقة المرتفع إلى أن النظام يمكنه الإبلاغ بدقة أكبر عن المنتجات المعيبة ومنع التخلص غير الضروري أو إعادة العمل على العناصر السيدة. ومثال جيد آخر هو المراقبة الأمنية. تساعد الدقة العالية في تقليل الإنذارات الكاذبة والتركيز فقط على التهديدات الحقيقية التي تتطلب استجابة أمنية.

الاستدعاء (Recall)#

يساعد الاستدعاء في قياس قدرة نموذج الذكاء الاصطناعي على تحديد جميع الحالات ذات الصلة، أو النتائج الإيجابية الصحيحة، داخل مجموعة البيانات. ببساطة، يمثل مدى قدرة نظام الذكاء الاصطناعي على التقاط جميع الحالات الفعلية لحالة أو كائن صُمم لاكتشافه. يمكن حساب الاستدعاء عن طريق قسمة عدد الاكتشافات الصحيحة على إجمالي عدد الحالات الإيجابية التي كان ينبغي اكتشافها (وهذا يشمل الحالات التي حددها النموذج بشكل صحيح والحالات التي أغفلها).

تخيل نظام تصوير طبي مدعوم بالذكاء الاصطناعي يُستخدم للكشف عن السرطان. يعكس الاسترجاع، في هذا السياق، النسبة المئوية لحالات السرطان الفعلية التي يحددها النظام بشكل صحيح. يعد الاسترجاع المرتفع أمراً بالغ الأهمية في مثل هذه السيناريوهات لأن تفويت تشخيص السرطان يمكن أن يؤدي إلى عواقب وخيمة على رعاية المرضى.

الدقة مقابل الاستدعاء#

الدقة والاسترجاع هما وجهان لنفس العملة عندما يتعلق الأمر بـ تقييم أداء نموذج الذكاء الاصطناعي، وغالباً ما يتطلبان توازناً. التحدي يكمن في أن تحسين أحد المقاييس غالباً ما يكون على حساب المقياس الآخر.

لنقل إنك تسعى لتحقيق دقة أعلى. قد يصبح النموذج أكثر انتقائية ويكون قادراً على تحديد النتائج الإيجابية التي هو متأكد منها جداً فقط. من ناحية أخرى، إذا كنت تهدف إلى تحسين الاستدعاء، فقد يحدد النموذج عدداً أكبر من النتائج الإيجابية، ولكن قد يتضمن ذلك المزيد من النتائج الإيجابية الكاذبة وينتهي به الأمر إلى خفض الدقة.

المفتاح هو إيجاد التوازن الصحيح بين الدقة والاسترجاع بناءً على الاحتياجات الخاصة بتطبيقك. ومن الأدوات المفيدة لذلك منحنى الدقة-الاسترجاع (Precision-Recall curve)، والذي يوضح العلاقة بين المقياسين عند عتبات مختلفة. من خلال تحليل هذا المنحنى، يمكنك تحديد النقطة المثلى حيث يؤدي النموذج بأفضل شكل ممكن لحالة الاستخدام الخاصة بك. يساعد فهم المقايضة عند ضبط نماذج الذكاء الاصطناعي بدقة لتعمل بالشكل الأمثل لـ حالات الاستخدام الخاصة بها.

الشكل 3. مثال على منحنى الدقة-الاسترجاع.

متوسط الدقة (mAP)#

متوسط الدقة المتوسطة (mAP) هو مقياس يُستخدم لتقييم أداء نماذج الذكاء الاصطناعي لمهام مثل اكتشاف الكائنات، حيث يحتاج النموذج إلى تحديد وتصنيف كائنات متعددة داخل الصورة. يمنحك mAP درجة واحدة توضح مدى جودة أداء النموذج عبر جميع الفئات المختلفة التي تم تدريبه على التعرف عليها. دعونا نرى كيف يتم حسابه.

تعطي المساحة تحت منحنى الدقة-الاستدعاء متوسط الدقة (AP) لتلك الفئة. يقيس AP مدى دقة النموذج في إجراء التنبؤات لفئة معينة، مع مراعاة كل من الدقة والاستدعاء عبر مستويات ثقة مختلفة (تشير مستويات الثقة إلى مدى تأكد النموذج من تنبؤاته). بمجرد حساب AP لكل فئة، يتم تحديد mAP عن طريق حساب متوسط قيم AP هذه عبر جميع الفئات.

الشكل 4. متوسط الدقة لمختلف الفئات.

يُعد mAP مفيداً في تطبيقات مثل القيادة الذاتية، حيث يجب اكتشاف عناصر متعددة، مثل المشاة والمركبات وإشارات المرور، في نفس الوقت. تعني درجة mAP العالية أن النموذج يعمل باستمرار بشكل جيد عبر جميع الفئات، مما يجعله موثوقاً ودقيقاً في مجموعة واسعة من السيناريوهات.

احسب مقاييس الأداء بسهولة#

قد تبدو الصيغ وطرق حساب مقاييس أداء الذكاء الاصطناعي الرئيسية مخيفة. ومع ذلك، فإن أدوات مثل حزمة Ultralytics يمكن أن تجعل الأمر بسيطاً وسريعاً. وسواء كنت تعمل على مهام اكتشاف الكائنات، أو التجزئة، أو التصنيف، فإن Ultralytics توفر الأدوات المساعدة اللازمة لحساب المقاييس المهمة بسرعة مثل الدقة، والاسترجاع، ومتوسط الدقة المتوسطة (mAP).

للبدء في حساب مقاييس الأداء باستخدام Ultralytics، يمكنك تثبيت حزمة Ultralytics كما هو موضح أدناه.

لهذا المثال، سنقوم بتحميل نموذج YOLOv8 مدرب مسبقاً واستخدامه للتحقق من صحة مقاييس الأداء، ولكن يمكنك تحميل أي من النماذج التي توفرها Ultralytics المدعومة. إليك كيف يمكنك القيام بذلك:

بمجرد تحميل النموذج، يمكنك إجراء التحقق من الصحة على مجموعة البيانات الخاصة بك. سيساعدك مقتطف الكود التالي في حساب مقاييس الأداء المختلفة، بما في ذلك الدقة، والاسترجاع، وmAP:

استخدام أدوات مثل Ultralytics يجعل حساب مقاييس الأداء أسهل بكثير، لذا يمكنك قضاء المزيد من الوقت في تحسين نموذجك ووقت أقل في القلق بشأن تفاصيل عملية التقييم.

كيف يتم قياس أداء الذكاء الاصطناعي بعد النشر؟#

عند تطوير نموذج الذكاء الاصطناعي الخاص بك، من السهل اختبار أدائه في بيئة خاضعة للرقابة. ومع ذلك، بمجرد نشر النموذج، تصبح الأمور أكثر تعقيداً. لحسن الحظ، هناك أدوات وأفضل ممارسات يمكن أن تساعدك في مراقبة حل الذكاء الاصطناعي الخاص بك بعد النشر.

تم تصميم أدوات مثل Prometheus وGrafana وEvidently AI لتتبع أداء نموذجك باستمرار. يمكنها توفير رؤى في الوقت الفعلي، واكتشاف الشذوذ، وتنبيهك بأي مشكلات محتملة. تتجاوز هذه الأدوات المراقبة التقليدية من خلال تقديم حلول آلية وقابلة للتطوير تتكيف مع الطبيعة الديناميكية لنماذج الذكاء الاصطناعي في الإنتاج.

لقياس نجاح نموذج الذكاء الاصطناعي الخاص بك بعد النشر، إليك بعض أفضل الممارسات التي يجب اتباعها:

• حدد مقاييس أداء واضحة: قرر المقاييس الرئيسية مثل الدقة، والضبط، ووقت الاستجابة للتحقق بانتظام من مدى جودة أداء نموذجك.
• تحقق بانتظام من انحراف البيانات: راقب التغييرات في البيانات التي يتعامل معها نموذجك، حيث يمكن أن يؤثر ذلك على تنبؤاته إذا لم تتم إدارتها بشكل صحيح.
• إجراء اختبار A/B: استخدم اختبار A/B لمقارنة أداء نموذجك الحالي مقابل الإصدارات أو التعديلات الجديدة. سيتيح لك ذلك تقييم التحسينات أو التراجعات كمياً في سلوك النموذج.
• توثيق الأداء ومراجعته: احتفظ بسجلات مفصلة لمقاييس الأداء والتغييرات التي تم إجراؤها على نظام الذكاء الاصطناعي الخاص بك. إنه أمر بالغ الأهمية لعمليات التدقيق، والامتثال، وتحسين بنية نموذجك بمرور الوقت.

اختيار مؤشرات الأداء الرئيسية المثلى للذكاء الاصطناعي هو مجرد البداية#

يعتمد نشر وإدارة حل الذكاء الاصطناعي بنجاح على اختيار مؤشرات الأداء الرئيسية المناسبة والحفاظ عليها محدثة. بشكل عام، يُعد اختيار المقاييس التي تسلط الضوء على مدى جودة أداء حل الذكاء الاصطناعي من الناحية التقنية ومن حيث تأثير الأعمال أمراً بالغ الأهمية. مع تغير الأمور، سواء كانت تطورات تكنولوجية أو تحولات في استراتيجية عملك، من المهم إعادة زيارة هذه المؤشرات الرئيسية وتعديلها.

من خلال الحفاظ على ديناميكية مراجعات أدائك، يمكنك إبقاء نظام الذكاء الاصطناعي الخاص بك ملائماً وفعالاً. من خلال البقاء على اطلاع بهذه المقاييس، ستكتسب رؤى قيمة تساعد في تحسين عملياتك. يضمن النهج الاستباقي أن جهود الذكاء الاصطناعي الخاصة بك ذات قيمة حقاً وتساعد في دفع أعمالك إلى الأمام!

انضم إلى مجتمعنا وابتكر معنا! استكشف مستودع GitHub الخاص بنا لرؤية تقدمنا في مجال الذكاء الاصطناعي. وتعرف على كيف نعيد تشكيل صناعات مثل التصنيع والرعاية الصحية باستخدام تقنية الذكاء الاصطناعي الرائدة. 🚀