قياس أداء الذكاء الاصطناعي لتقييم أثر ابتكاراتك

سبق أن استكشفنا استخدام الذكاء الاصطناعي في قطاعات مختلفة، مثل الرعاية الصحية والتصنيع والسياحة. كما تناولنا كيف يمكن لـالذكاء الاصطناعي تحسين مهام العمل اليومية، وناقشنا أبرز أفكار الأعمال في مجال الذكاء الاصطناعي. وتقودنا هذه النقاشات جميعًا حتمًا إلى السؤال الجوهري نفسه: كيف يمكننا قياس نجاح تطبيقات الذكاء الاصطناعي هذه؟ إنه سؤال مهم، لأن مجرد نشر حلول الذكاء الاصطناعي لا يكفي؛ فجدوى هذه الحلول تتوقف على ضمان تحقيقها نتائج فعلية.

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

سنستعرض في هذا المقال كيفية قياس نجاح تطبيقات الذكاء الاصطناعي باستخدام مؤشرات الأداء الرئيسية الأنسب. وسنتناول الفروق بين مؤشرات الأداء الرئيسية للأعمال ومؤشرات أداء الذكاء الاصطناعي، ونستعرض مقاييس أساسية مثل الدقة والاستدعاء، ونساعدك على اختيار أفضل مؤشرات الأداء الرئيسية لحلول الذكاء الاصطناعي الخاصة بك.

الفرق بين مؤشرات الأداء الرئيسية للأعمال ومؤشرات أداء الذكاء الاصطناعي#

الشكل 1. مقارنة مؤشرات الأداء الرئيسية للأعمال في مجال الذكاء الاصطناعي ومؤشرات أداء الذكاء الاصطناعي.

عندما تفكر في مؤشرات الأداء الرئيسية (KPIs)، فمن الطبيعي أن تفترض أنها تتعلق كلها بمقاييس الأعمال، مثل العائد على الاستثمار (ROI) أو توفير التكاليف أو الإيرادات المحققة، لا سيما عند الحديث عن الذكاء الاصطناعي المؤسسي. وتقيس مؤشرات الأداء الرئيسية للأعمال في مجال الذكاء الاصطناعي أثر الذكاء الاصطناعي في النجاح العام للشركة، ومدى توافقه مع أهداف الأعمال الأوسع.

لكن مؤشرات الأداء الرئيسية لأداء الذكاء الاصطناعي تركز على مدى كفاءة عمل نظام الذكاء الاصطناعي نفسه، باستخدام مقاييس مثل الدقة والإحكام والاستدعاء. سنتناول تفاصيل هذه المقاييس أدناه، لكن مؤشرات الأعمال تُظهر الفوائد المالية والاستراتيجية للذكاء الاصطناعي، في حين تضمن مؤشرات الأداء أن نموذج الذكاء الاصطناعي يؤدي مهمته بفعالية.

يمكن لبعض المقاييس أن تخدم الغرضين بالفعل. فعلى سبيل المثال، يمكن أن تكون مكاسب الكفاءة، مثل تقليل الوقت أو الموارد اللازمة لإنجاز مهمة، مؤشر أداء رئيسيًا للأداء (يوضح مدى كفاءة عمل حل الذكاء الاصطناعي) ومؤشر أداء رئيسيًا للأعمال (يقيس توفير التكاليف وتحسين الإنتاجية) في آن واحد. ويُعد رضا العملاء مقياسًا مشتركًا آخر؛ إذ يمكن أن يعكس نجاح أداة خدمة العملاء المعتمدة على الذكاء الاصطناعي من حيث أدائها التقني وأثرها في أهداف الأعمال العامة.

فهم مقاييس أداء الذكاء الاصطناعي الرئيسية#

تُستخدم عدة مقاييس شائعة لقياس أداء نموذج الذكاء الاصطناعي. أولًا، سنلقي نظرة على تعريفاتها وكيفية حسابها. ثم سنرى كيفية مراقبة هذه المقاييس.

الإحكام#

الإحكام مقياس يقيس مدى دقة تحديد نموذج الذكاء الاصطناعي للإيجابيات الحقيقية (أي الحالات التي يتعرف فيها النموذج على جسم أو حالة كما هو مطلوب). فعلى سبيل المثال، في نظام للتعرف على الوجوه، تتحقق إيجابية حقيقية عندما يتعرف النظام على وجه شخص دُرّب على اكتشافه ويحدده بشكل صحيح.

لحساب الإحكام، احسب أولًا عدد الإيجابيات الحقيقية. ثم اقسم هذا العدد على إجمالي العناصر التي صنّفها النموذج على أنها إيجابية. ويشمل هذا الإجمالي كلًا من التحديدات الصحيحة والأخطاء، التي تُسمى الإيجابيات الكاذبة. وباختصار، يوضح الإحكام عدد المرات التي يكون فيها النموذج صحيحًا عندما يدّعي أنه تعرّف على شيء ما.

الشكل 2. فهم الإحكام.

تكتسب هذه المقاييس أهمية خاصة في الحالات التي قد تكون فيها عواقب الإيجابيات الكاذبة مكلفة أو مُعطِّلة. فعلى سبيل المثال، في التصنيع الآلي، يشير ارتفاع معدل الإحكام إلى قدرة النظام على رصد المنتجات المعيبة بدقة أكبر وتجنب التخلص من المنتجات السليمة أو إعادة العمل عليها دون داعٍ. ومن الأمثلة الأخرى المراقبة الأمنية. يساعد الإحكام المرتفع على تقليل الإنذارات الكاذبة والتركيز على التهديدات الحقيقية التي تستدعي استجابة أمنية.

الاستدعاء#

يساعد الاستدعاء على قياس قدرة نموذج الذكاء الاصطناعي على تحديد جميع الحالات ذات الصلة، أو الإيجابيات الحقيقية، ضمن مجموعة بيانات. وببساطة، فهو يوضح مدى قدرة نظام الذكاء الاصطناعي على رصد جميع الحالات الفعلية لحالة أو عنصر صُمم لاكتشافه. ويمكن حساب الاستدعاء بقسمة عدد الاكتشافات الصحيحة على إجمالي الحالات الإيجابية التي كان ينبغي اكتشافها (ويشمل ذلك الحالات التي حددها النموذج على نحو صحيح والحالات التي أخفق في رصدها).

لنفترض وجود نظام تصوير طبي مدعوم بالذكاء الاصطناعي يُستخدم للكشف عن السرطان. في هذا السياق، يعكس الاستدعاء النسبة المئوية لحالات السرطان الفعلية التي يحددها النظام على نحو صحيح. ويُعد الاستدعاء المرتفع أمرًا بالغ الأهمية في مثل هذه الحالات، لأن تفويت تشخيص السرطان قد يؤدي إلى عواقب وخيمة على رعاية المرضى.

الإحكام مقابل الاستدعاء#

الإحكام والاستدعاء وجهان لعملة واحدة عند تقييم أداء نموذج الذكاء الاصطناعي، وغالبًا ما يتطلب الأمر تحقيق توازن بينهما. ويتمثل التحدي في أن تحسين أحد المقياسين قد يكون على حساب الآخر.

لنفترض أنك تسعى إلى رفع الإحكام. قد يصبح النموذج أكثر انتقائية، فلا يحدد إلا الحالات الإيجابية التي يثق بها بدرجة كبيرة. أما إذا سعيت إلى تحسين الاستدعاء، فقد يحدد النموذج عددًا أكبر من الحالات الإيجابية، لكن ذلك قد يشمل مزيدًا من الإيجابيات الكاذبة وينتهي إلى خفض الإحكام.

يكمن الحل في إيجاد التوازن المناسب بين الإحكام والاستدعاء بناءً على الاحتياجات الخاصة بتطبيقك. ومن الأدوات المفيدة لذلك منحنى الإحكام والاستدعاء، الذي يوضح العلاقة بين المقياسين عند عتبات مختلفة. ومن خلال تحليل هذا المنحنى، يمكنك تحديد النقطة المثلى التي يحقق عندها النموذج أفضل أداء لحالة الاستخدام المحددة. ويساعد فهم هذه المفاضلة عند ضبط نماذج الذكاء الاصطناعي بدقة لتحقيق الأداء الأمثل في حالات الاستخدام المقصودة.

الشكل 3. مثال على منحنى الإحكام والاستدعاء.

متوسط متوسط الدقة (mAP)#

يُستخدم متوسط الدقة (mAP) مقياسًا لتقييم أداء نماذج الذكاء الاصطناعي في مهام مثل اكتشاف الأجسام، حيث يحتاج النموذج إلى تحديد أجسام متعددة في الصورة وتصنيفها. ويمنحك mAP درجة واحدة توضح مدى جودة أداء النموذج عبر الفئات المختلفة التي دُرّب على التعرف عليها. لنرَ كيفية حسابه.

تمثل المساحة تحت منحنى الإحكام والاستدعاء متوسط الدقة (AP) لتلك الفئة. ويقيس AP مدى دقة تنبؤات النموذج لفئة معينة، مع مراعاة الإحكام والاستدعاء عند مستويات ثقة متعددة (وتشير مستويات الثقة إلى مدى تأكد النموذج من تنبؤاته). وبعد حساب AP لكل فئة، يُحسب mAP بأخذ متوسط قيم AP عبر جميع الفئات.

الشكل 4. متوسط الدقة لفئات مختلفة.

يفيد mAP في تطبيقات مثل القيادة الذاتية، حيث يلزم اكتشاف أجسام متعددة في الوقت نفسه، مثل المشاة والمركبات وإشارات المرور. وتعني درجة mAP المرتفعة أن النموذج يحقق أداءً جيدًا باستمرار عبر جميع الفئات، ما يجعله موثوقًا ودقيقًا في نطاق واسع من الحالات.

احسب مقاييس الأداء بسهولة#

قد تبدو صيغ وأساليب حساب مقاييس أداء الذكاء الاصطناعي الرئيسية معقدة. لكن أدوات مثل حزمة Ultralytics تجعل الأمر بسيطًا وسريعًا. سواء كنت تعمل على مهام اكتشاف الأجسام أو التجزئة أو التصنيف، توفر Ultralytics الأدوات اللازمة لحساب مقاييس مهمة بسرعة، مثل الإحكام والاستدعاء ومتوسط متوسط الدقة (mAP).

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

pip install ultralytics

في هذا المثال، سنحمّل نموذج YOLOv8 مدرّبًا مسبقًا ونستخدمه للتحقق من مقاييس الأداء، لكن يمكنك تحميل أي من النماذج التي توفرها Ultralytics والمدعومة. إليك الطريقة:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv8 مدرّب مسبقًا⁩
model = YOLO("yolov8n.pt")

بعد تحميل النموذج، يمكنك إجراء التحقق على مجموعة بياناتك. سيساعدك مقطع الشيفرة التالي على حساب مقاييس أداء مختلفة، منها الإحكام والاستدعاء وmAP:

# ⁨التحقق من صحة النموذج على مجموعة بيانات (COCO8 مجموعة بيانات صغيرة للعينة)⁩
metrics = model.val(data="coco8.yaml")

print(metrics.box.mp)  # ⁨متوسط الإحكام⁩
print(metrics.box.mr)  # ⁨متوسط الاستدعاء⁩
print(metrics.box.map50)  # ⁨mAP عند IoU يساوي 0.5⁩
print(metrics.box.map)  # mAP50-95

تُسهّل أدوات مثل Ultralytics حساب مقاييس الأداء كثيرًا، لتتمكن من قضاء وقت أطول في تحسين نموذجك ووقت أقل في الانشغال بتفاصيل عملية التقييم.

كيف يُقاس أداء الذكاء الاصطناعي بعد النشر؟#

من السهل اختبار أداء نموذج الذكاء الاصطناعي في بيئة مضبوطة أثناء تطويره. لكن الأمور قد تصبح أكثر تعقيدًا بعد نشر النموذج. لحسن الحظ، توجد أدوات وأفضل ممارسات تساعدك على مراقبة حل الذكاء الاصطناعي بعد نشره.

صُممت أدوات مثل Prometheus وGrafana وEvidently AI لتتبّع أداء نموذجك باستمرار. ويمكنها تقديم معلومات آنية، واكتشاف الحالات الشاذة، وتنبيهك إلى أي مشكلات محتملة. وتتجاوز هذه الأدوات أساليب المراقبة التقليدية بتوفير حلول مؤتمتة وقابلة للتوسع تتكيف مع الطبيعة الديناميكية لنماذج الذكاء الاصطناعي في بيئة الإنتاج.

لقياس نجاح نموذج الذكاء الاصطناعي بعد نشره، إليك بعض أفضل الممارسات التي ينبغي اتباعها:

• حدّد مقاييس أداء واضحة: اختر مقاييس رئيسية مثل الدقة والإحكام ووقت الاستجابة، للتحقق بانتظام من مدى جودة أداء نموذجك.
• تحقّق بانتظام من انجراف البيانات: راقب التغييرات في البيانات التي يعالجها نموذجك، إذ قد تؤثر هذه التغييرات في تنبؤاته إذا لم تُدار على نحو سليم.
• أجرِ اختبارات A/B: استخدم اختبارات A/B لمقارنة أداء نموذجك الحالي بإصدارات جديدة أو تعديلات عليه. وسيسمح لك ذلك بتقييم التحسينات أو التراجعات في سلوك النموذج كميًا.
• توثيق الأداء ومراجعته: احتفظ بسجلات مفصلة لمقاييس الأداء والتغييرات التي أُجريت على نظام الذكاء الاصطناعي. وهذا أمر بالغ الأهمية لأغراض التدقيق والامتثال وتحسين بنية النموذج بمرور الوقت.

اختيار مؤشرات الأداء الرئيسية المثلى للذكاء الاصطناعي ليس سوى البداية#

يعتمد نشر حل الذكاء الاصطناعي وإدارته بنجاح على اختيار مؤشرات الأداء الرئيسية المناسبة وتحديثها باستمرار. ومن الضروري اختيار مقاييس تبرز مدى جودة أداء حل الذكاء الاصطناعي من الناحيتين التقنية وتأثيره في الأعمال. ومع تغير الظروف، سواء بسبب التقدم التكنولوجي أو التحولات في استراتيجية أعمالك، من المهم إعادة النظر في مؤشرات الأداء الرئيسية هذه وتعديلها.

من خلال جعل مراجعات الأداء ديناميكية، يمكنك الحفاظ على أهمية نظام الذكاء الاصطناعي وفعاليته. وستكتسب، عبر المتابعة المستمرة لهذه المقاييس، رؤى قيّمة تساعد على تحسين عملياتك. ويساعد النهج الاستباقي على ضمان أن جهودك في الذكاء الاصطناعي تحقق قيمة حقيقية وتدفع أعمالك إلى الأمام!

انضم إلى مجتمعنا وابتكر معنا! استكشف مستودعنا على GitHub للاطلاع على تطوراتنا في الذكاء الاصطناعي. تعرّف على كيفية إحداثنا تحولًا في قطاعات مثل التصنيع والرعاية الصحية باستخدام الذكاء الاصطناعي البصري.