قياس أداء AI لتقييم أثر ابتكاراتك

استكشفنا سابقًا كيف يمكن استخدام الذكاء الاصطناعي في صناعات مختلفة مثل الرعاية الصحية والتصنيع والسياحة. كما بحثنا في كيفية تحسين الذكاء الاصطناعي لمهام العمل اليومية وناقشنا أفكارًا رائدة للأعمال في مجال الذكاء الاصطناعي. تقود كل هذه النقاشات حتمًا إلى السؤال الأساسي نفسه: كيف يمكننا قياس نجاح تطبيقات الذكاء الاصطناعي هذه؟ إنه سؤال مهم، لأن نشر حلول الذكاء الاصطناعي وحده لا يكفي. فضمان تحقيق هذه الحلول لنتائج فعلية هو ما يجعلها مُحدثةً لتغيير جذري.

يمكننا قياس مقاييس أداء الذكاء الاصطناعي لتحديد ما إذا كان نموذج الذكاء الاصطناعي فعّالًا حقًا 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 والمواضع التي قد تحتاج إلى تحسين.

سنلقي في هذه المقالة نظرة على كيفية قياس نجاح تطبيقات الذكاء الاصطناعي باستخدام مؤشرات الأداء الرئيسية الأكثر صلة. وسنستعرض الفروقات بين مؤشرات الأداء الرئيسية للأعمال ومؤشرات أداء الذكاء الاصطناعي، ونتناول مقاييس رئيسية مثل الدقة والاسترجاع، ونساعدك على اختيار أفضل مؤشرات الأداء الرئيسية لحلول الذكاء الاصطناعي الخاصة بك.

الفرق بين مؤشرات الأداء الرئيسية للأعمال في الذكاء الاصطناعي ومؤشرات أداء الذكاء الاصطناعي#

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

عندما تفكر في مؤشرات الأداء الرئيسية، فمن الطبيعي أن تفترض أنها تركز جميعًا على مقاييس الأعمال، مثل العائد على الاستثمار (ROI)، أو خفض التكاليف، أو الإيرادات المتحققة، لا سيما عند الحديث عن الذكاء الاصطناعي للمؤسسات. تقيس مؤشرات الأداء الرئيسية للأعمال في الذكاء الاصطناعي هذه كيفية تأثير الذكاء الاصطناعي في النجاح العام للشركة، وتتوافق مع أهداف الأعمال الأوسع نطاقًا.

ومع ذلك، تركز مؤشرات أداء الذكاء الاصطناعي على مدى جودة عمل نظام الذكاء الاصطناعي نفسه، باستخدام مقاييس مثل الدقة، والدقة الإيجابية، والاسترجاع. سنتناول تفاصيل هذه المقاييس أدناه، لكن باختصار، في حين تُظهر مؤشرات الأداء الرئيسية للأعمال الفوائد المالية والاستراتيجية للذكاء الاصطناعي، تضمن مؤشرات الأداء أن نموذج الذكاء الاصطناعي يؤدي مهمته بفعالية.

يمكن لبعض المقاييس أن تخدم الغرضين فعلًا. فعلى سبيل المثال، يمكن أن تكون مكاسب الكفاءة، مثل تقليل الوقت أو الموارد اللازمة لإكمال مهمة ما، مؤشر أداء رئيسيًا (يُظهر مدى جودة عمل حل الذكاء الاصطناعي) ومؤشرًا رئيسيًا للأعمال (يقيس خفض التكاليف وتحسين الإنتاجية) في الوقت نفسه. ويُعد رضا العملاء مقياسًا آخر مشتركًا بين المجالين. إذ يمكن أن يعكس نجاح أداة لخدمة العملاء مدعومة بالذكاء الاصطناعي، سواء من حيث أدائها التقني أو تأثيرها في أهداف الأعمال العامة.

فهم مقاييس أداء الذكاء الاصطناعي الرئيسية#

توجد بعض المقاييس الشائعة المستخدمة لقياس مدى جودة أداء نموذج الذكاء الاصطناعي. سنلقي أولًا نظرة على تعريفها وكيفية حسابها، ثم نرى كيف يمكن مراقبة هذه المقاييس.

الدقة الإيجابية#

الدقة الإيجابية هي مقياس يقيس مدى دقة نموذج الذكاء الاصطناعي في تحديد الإيجابيات الحقيقية (وهي الحالات التي يحدد فيها النموذج كائنًا أو حالةً على نحو صحيح كما هو متوقع منه). فعلى سبيل المثال، في نظام للتعرّف على الوجوه، تحدث الإيجابية الحقيقية عندما يتعرف النظام على وجه شخص ويحدده بشكل صحيح، وكان قد دُرّب على اكتشافه.

لحساب الدقة الإيجابية، ابدأ بعدّ عدد الإيجابيات الحقيقية. ثم اقسمه على العدد الإجمالي للعناصر التي صنّفها النموذج على أنها إيجابية. ويشمل هذا الإجمالي كلًا من التحديدات الصحيحة والأخطاء، التي تُسمى الإيجابيات الكاذبة. وبعبارة أساسية، تخبرك الدقة الإيجابية بعدد المرات التي يكون فيها النموذج صحيحًا عندما يدّعي أنه تعرّف على شيء ما.

الشكل 2. فهم الدقة الإيجابية.

تكتسب هذه الدقة أهمية خاصة في السيناريوهات التي قد تكون فيها عواقب الإيجابيات الكاذبة مكلفة أو مُعطِّلة. فعلى سبيل المثال، في التصنيع الآلي، يشير ارتفاع معدل الدقة الإيجابية إلى قدرة النظام على تحديد المنتجات المعيبة بدقة أكبر، ومنع التخلص من العناصر السليمة أو إعادة تشغيلها دون داعٍ. ومن الأمثلة الجيدة الأخرى المراقبة الأمنية. تساعد الدقة الإيجابية العالية على تقليل الإنذارات الكاذبة والتركيز على التهديدات الحقيقية التي تتطلب استجابة أمنية فحسب.

الاسترجاع#

يساعد الاسترجاع على قياس قدرة نموذج الذكاء الاصطناعي على تحديد جميع الحالات ذات الصلة، أو الإيجابيات الحقيقية، ضمن مجموعة بيانات. وببساطة، يعبّر عن مدى قدرة نظام الذكاء الاصطناعي على التقاط جميع الحالات الفعلية لحالة أو كائن صُمم لاكتشافه. ويمكن حساب الاسترجاع بقسمة عدد الاكتشافات الصحيحة على العدد الإجمالي للحالات الإيجابية التي كان ينبغي اكتشافها، ويشمل ذلك الحالات التي حددها النموذج بشكل صحيح والحالات التي أخفق في اكتشافها.

لنفكر في نظام تصوير طبي مدعوم بالذكاء الاصطناعي يُستخدم لاكتشاف السرطان. يعكس الاسترجاع في هذا السياق النسبة المئوية لحالات السرطان الفعلية التي يحددها النظام بشكل صحيح. ويُعد الاسترجاع المرتفع أمرًا بالغ الأهمية في مثل هذه السيناريوهات، لأن إغفال تشخيص السرطان قد يؤدي إلى عواقب وخيمة على رعاية المرضى.

الدقة الإيجابية في مقابل الاسترجاع#

تُشبه الدقة الإيجابية والاسترجاع وجهي العملة نفسها عند تقييم أداء نموذج الذكاء الاصطناعي، وغالبًا ما يتطلب الأمر تحقيق توازن بينهما. ويتمثل التحدي في أن تحسين أحد المقياسين قد يأتي غالبًا على حساب الآخر.

لنفترض أنك تسعى إلى دقة إيجابية أعلى. قد يصبح النموذج أكثر انتقائية، ولا يحدد سوى الإيجابيات التي يثق بها بدرجة كبيرة. ومن ناحية أخرى، إذا كنت تهدف إلى تحسين الاسترجاع، فقد يحدد النموذج عددًا أكبر من الإيجابيات، لكن ذلك قد يشمل مزيدًا من الإيجابيات الكاذبة وينتهي إلى خفض الدقة الإيجابية.

يكمن المفتاح في إيجاد التوازن المناسب بين الدقة الإيجابية والاسترجاع بناءً على الاحتياجات المحددة لتطبيقك. ومن الأدوات المفيدة لتحقيق ذلك منحنى الدقة الإيجابية-الاسترجاع، 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 لديك. ويساعد فهم المفاضلة على ضبط نماذج الذكاء الاصطناعي بدقة لتحقيق الأداء الأمثل في حالات الاستخدام المقصودة.

الشكل 3. مثال على منحنى الدقة الإيجابية-الاسترجاع.

متوسط الدقة الإيجابية (mAP)#

متوسط الدقة الإيجابية (mAP) هو مقياس يُستخدم لتقييم أداء نماذج الذكاء الاصطناعي في مهام مثل اكتشاف الكائنات، حيث يحتاج النموذج إلى تحديد كائنات متعددة داخل صورة وتصنيفها. يمنحك mAP درجة واحدة توضح مدى جودة أداء النموذج عبر جميع الفئات المختلفة التي دُرّب على التعرّف عليها. لنرَ كيفية حسابه.

تعطي المساحة الواقعة أسفل منحنى الدقة الإيجابية-الاسترجاع متوسط الدقة (AP) لتلك الفئة. يقيس AP مدى دقة النموذج في إجراء التنبؤات لفئة محددة، مع مراعاة كل من الدقة الإيجابية والاسترجاع عبر مستويات ثقة مختلفة (تشير مستويات الثقة إلى مدى يقين النموذج من تنبؤاته). بعد حساب AP لكل فئة، يُحدد mAP من خلال حساب متوسط قيم AP عبر جميع الفئات.

الشكل 4. متوسط الدقة الإيجابية للفئات المختلفة.

يُعد mAP مفيدًا في تطبيقات مثل القيادة الذاتية، حيث يلزم اكتشاف كائنات متعددة، مثل المشاة والمركبات وإشارات المرور، في الوقت نفسه. وتعني الدرجة المرتفعة لـ mAP أن النموذج يحقق أداءً جيدًا باستمرار عبر جميع الفئات، مما يجعله موثوقًا ودقيقًا في مجموعة واسعة من السيناريوهات.

احسب مقاييس الأداء بسهولة#

قد تبدو صيغ وأساليب حساب مقاييس أداء الذكاء الاصطناعي الرئيسية شاقة. ومع ذلك، يمكن لأدوات مثل حزمة Ultralytics أن تجعل الأمر بسيطًا وسريعًا. سواء كنت تعمل على مهام اكتشاف الكائنات أو التجزئة أو التصنيف، توفر Ultralytics الأدوات اللازمة لحساب مقاييس مهمة بسرعة، مثل الدقة الإيجابية والاسترجاع ومتوسط الدقة الإيجابية (mAP).

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

في هذا المثال، سنحمّل نموذج YOLOv8 مدرّبًا مسبقًا ونستخدمه للتحقق من مقاييس الأداء، ولكن يمكنك تحميل أي من النماذج المدعومة التي توفرها Ultralytics. إليك كيفية القيام بذلك:

بعد تحميل النموذج، يمكنك إجراء التحقق على مجموعة بياناتك. سيساعدك مقتطف التعليمات البرمجية التالي على حساب مقاييس أداء متنوعة، بما في ذلك الدقة الإيجابية والاسترجاع وmAP:

تجعل أدوات مثل Ultralytics حساب مقاييس الأداء أسهل بكثير، حتى تتمكن من تخصيص وقت أكبر لتحسين نموذجك ووقت أقل للقلق بشأن تفاصيل عملية التقييم.

كيف يُقاس أداء الذكاء الاصطناعي بعد النشر؟#

عند تطوير نموذج الذكاء الاصطناعي، من السهل اختبار أدائه في بيئة خاضعة للتحكم. لكن بعد نشر النموذج، قد تصبح الأمور أكثر تعقيدًا. ولحسن الحظ، توجد أدوات وأفضل ممارسات يمكن أن تساعدك على مراقبة حل الذكاء الاصطناعي بعد النشر.

صُممت أدوات مثل Prometheus وGrafana وEvidently AI لتتبع أداء نموذجك باستمرار. ويمكنها توفير رؤى فورية، واكتشاف الحالات الشاذة، وتنبيهك إلى أي مشكلات محتملة. وتتجاوز هذه الأدوات المراقبة التقليدية من خلال تقديم حلول مؤتمتة وقابلة للتوسع تتكيف مع الطبيعة الديناميكية لنماذج الذكاء الاصطناعي في بيئات الإنتاج.

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

• حدّد مقاييس أداء واضحة: قرّر المقاييس الرئيسية، مثل الدقة والدقة الإيجابية ووقت الاستجابة، للتحقق بانتظام من مدى جودة أداء نموذجك.
• تحقق بانتظام من انحراف البيانات: راقب التغييرات في البيانات التي يتعامل معها نموذجك، إذ يمكن أن يؤثر ذلك في تنبؤاته إذا لم يُدار بشكل صحيح.
• أجرِ اختبار A/B: استخدم اختبار A/B لمقارنة أداء نموذجك الحالي بالإصدارات الجديدة أو التعديلات. وسيتيح لك ذلك تقييم التحسينات أو التراجعات في سلوك النموذج كميًا.
• وثّق الأداء ودقّقه: احتفظ بسجلات مفصلة لمقاييس الأداء والتغييرات التي أُجريت على نظام الذكاء الاصطناعي. فهذا أمر بالغ الأهمية لعمليات التدقيق والامتثال وتحسين بنية نموذجك 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 والحفاظ على تحديثها. وبوجه عام، من الضروري اختيار المقاييس التي توضح مدى جودة أداء حل الذكاء الاصطناعي من الناحيتين التقنية وتأثير الأعمال. ومع تغير الأمور، سواء بسبب التقدم التكنولوجي أو التحولات في استراتيجية أعمالك، من المهم إعادة النظر في مؤشرات الأداء الرئيسية هذه وتعديلها.

من خلال الحفاظ على ديناميكية مراجعات الأداء، يمكنك إبقاء نظام الذكاء الاصطناعي لديك ملائمًا وفعّالًا. وبمتابعة هذه المقاييس، ستحصل على رؤى قيّمة تساعدك على تحسين عملياتك. ويضمن النهج الاستباقي أن تكون جهودك في مجال الذكاء الاصطناعي ذات قيمة حقيقية وأن تساعد على دفع أعمالك إلى الأمام!

انضم إلى مجتمعنا وابتكر معنا! استكشف مستودعنا على GitHub للاطلاع على تطوراتنا في مجال الذكاء الاصطناعي. تعرّف على كيفية إعادة تشكيلنا لصناعات مثل التصنيع والرعاية الصحية باستخدام تقنيات الذكاء الاصطناعي الرائدة. 🚀