قياس أداء الذكاء الاصطناعي لوزن تأثير ابتكاراتك

استكشفنا سابقاً كيف يمكن استخدام الذكاء الاصطناعي في قطاعات مختلفة مثل الرعاية الصحية والتصنيع والسياحة. كما بحثنا في كيفية تحسين الذكاء الاصطناعي لمهام العمل اليومية وناقشنا أفكاراً رائدة لأعمال الذكاء الاصطناعي. تؤدي كل هذه المناقشات حتماً إلى السؤال الرئيسي نفسه: كيف يمكننا قياس نجاح عمليات تطبيق الذكاء الاصطناعي هذه؟ إنه سؤال مهم، لأن مجرد نشر حلول الذكاء الاصطناعي ليس كافياً. فالتأكد من أن هذه الحلول تحقق نتائج ملموسة هو ما يجعلها تُحدث فرقاً جوهرياً.

يمكننا قياس مقاييس أداء الذكاء الاصطناعي لتحديد ما إذا كان نموذج الذكاء الاصطناعي فعالاً حقاً في جعل العمليات أكثر كفاءة، أو تحفيز الابتكار، أو حل المشكلات. من 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 تطبيق الذكاء الاصطناعي باستخدام مؤشرات الأداء الرئيسية الأكثر صلة. سنغطي الفروق بين مؤشرات الأداء الرئيسية للأعمال ومؤشرات أداء الذكاء الاصطناعي، ونستعرض مقاييس أساسية مثل الدقة والاستدعاء، ونساعدك في اختيار أفضل مؤشرات الأداء الرئيسية لحلول الذكاء الاصطناعي الخاصة بك.

Link to this sectionالفرق بين مؤشرات الأداء الرئيسية للأعمال ومؤشرات أداء الذكاء الاصطناعي#

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

عند التفكير في مؤشرات الأداء الرئيسية، من الطبيعي افتراض أنها تتعلق بمقاييس الأعمال مثل العائد على الاستثمار (ROI)، أو توفير التكاليف، أو الإيرادات الناتجة - خاصة عند الحديث عن الذكاء الاصطناعي للمؤسسات. تقيس مؤشرات الأداء الرئيسية للأعمال هذه مدى تأثير الذكاء الاصطناعي على النجاح العام للشركة وتتوافق مع أهداف العمل الأوسع.

ومع ذلك، تركز مؤشرات أداء الذكاء الاصطناعي على مدى كفاءة عمل نظام الذكاء الاصطناعي نفسه، باستخدام مقاييس مثل الدقة، والضبط، والاستدعاء. سنتناول تفاصيل هذه المقاييس أدناه، ولكن في الجوهر، بينما تُظهر مؤشرات أداء الأعمال الفوائد المالية والاستراتيجية للذكاء الاصطناعي، تضمن مؤشرات الأداء أن نموذج الذكاء الاصطناعي يؤدي وظيفته بفعالية.

يمكن لبعض المقاييس أن تخدم كلا الغرضين في الواقع. على سبيل المثال، يمكن لـ مكاسب الكفاءة، مثل تقليل الوقت أو الموارد المطلوبة لإكمال مهمة ما، أن تكون مؤشر أداء رئيسي للأداء (تُظهر مدى جودة عمل حل الذكاء الاصطناعي) ومؤشر أداء رئيسي للأعمال (قياس توفير التكاليف وتحسينات الإنتاجية). رضا العملاء هو مقياس آخر مشترك. إذ يمكن أن يعكس نجاح أداة خدمة العملاء المدعومة بالذكاء الاصطناعي من حيث أدائها التقني وتأثيرها على أهداف العمل العامة.

Link to this sectionفهم 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.

Link to this sectionالدقة (Precision)#

الدقة هي مقياس يقيس مدى دقة نموذج الذكاء الاصطناعي في تحديد النتائج الإيجابية الصحيحة (الحالات التي يحدد فيها النموذج كائناً أو حالة بشكل صحيح كما هو مفترض). على سبيل المثال، في نظام التعرف على الوجوه، تحدث النتيجة الإيجابية الصحيحة عندما يتعرف النظام بشكل صحيح على وجه شخص ما تم تدريبه على اكتشافه.

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.

شكل 2. فهم الدقة.

تعد الدقة مهمة بشكل خاص في السيناريوهات التي يمكن أن تكون فيها عواقب النتائج الإيجابية الكاذبة مكلفة أو معطلة. على سبيل المثال، في التصنيع الآلي، يشير معدل الدقة العالي إلى أن النظام يمكنه تحديد المنتجات المعيبة بدقة أكبر ومنع التخلص غير الضروري أو إعادة العمل على العناصر الجيدة. مثال جيد آخر هو المراقبة الأمنية. تساعد الدقة العالية في تقليل الإنذارات الكاذبة والتركيز فقط على التهديدات الحقيقية التي تحتاج إلى استجابة أمنية.

Link to this sectionالاستدعاء (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).

فكر في نظام تصوير طبي مدعوم بالذكاء الاصطناعي يستخدم للكشف عن السرطان. يعكس الاستدعاء، في هذا السياق، النسبة المئوية لحالات السرطان الفعلية التي يحددها النظام بشكل صحيح. يعد الاستدعاء العالي أمراً حيوياً في مثل هذه السيناريوهات لأن إغفال تشخيص السرطان يمكن أن يؤدي إلى عواقب وخيمة على رعاية المرضى.

Link to this sectionالدقة مقابل الاستدعاء#

الدقة والاستدعاء مثل وجهين لعملة واحدة عندما يتعلق الأمر بـ تقييم أداء نموذج الذكاء الاصطناعي، وغالباً ما يتطلبان توازناً. التحدي هو أن تحسين مقياس واحد غالباً ما يأتي على حساب 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 والاستدعاء بناءً على احتياجات تطبيقك المحددة. أداة مفيدة لهذا هي منحنى الدقة-الاستدعاء، والذي يوضح العلاقة بين المقياسين عند عتبات مختلفة. من خلال تحليل هذا المنحنى، يمكنك تحديد النقطة المثلى التي يعمل عندها النموذج بشكل أفضل لحالة استخدامك المحددة. يساعد فهم المقايضة عند ضبط نماذج الذكاء الاصطناعي بدقة لتعمل بشكل مثالي لـ حالات الاستخدام المقصودة منها.

شكل 3. مثال لمنحنى الدقة-الاستدعاء.

Link to this sectionمتوسط الدقة (mAP)#

متوسط الدقة (mAP) هو مقياس يُستخدم لتقييم أداء نماذج الذكاء الاصطناعي لمهام مثل اكتشاف الكائنات، حيث يحتاج النموذج إلى تحديد تصنيف كائنات متعددة داخل صورة. يمنحك mAP درجة واحدة توضح مدى أداء النموذج عبر جميع الفئات المختلفة التي تم تدريبه على التعرف عليها. دعنا 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.

شكل 4. متوسط الدقة للفئات المتنوعة.

يعتبر mAP مفيداً في تطبيقات مثل القيادة الذاتية، حيث يلزم اكتشاف كائنات متعددة، مثل المشاة والمركبات وإشارات المرور في وقت واحد. تعني درجة mAP العالية أن النموذج يعمل باستمرار بشكل جيد عبر جميع الفئات، مما يجعله موثوقاً ودقيقاً في مجموعة واسعة من السيناريوهات.

Link to this sectionاحسب مقاييس الأداء بسهولة#

قد تبدو صيغ وطرق حساب مقاييس أداء الذكاء الاصطناعي الرئيسية شاقة. ومع ذلك، فإن أدوات مثل حزمة Ultralytics يمكن أن تجعل الأمر بسيطاً وسريعاً. سواء كنت تعمل على مهام اكتشاف الكائنات، أو التقسيم، أو التصنيف، توفر Ultralytics الأدوات اللازمة لحساب المقاييس المهمة بسرعة مثل الدقة، والاستدعاء، ومتوسط الدقة (mAP).

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

في هذا المثال، سنقوم بتحميل نموذج YOLOv8 مدرب مسبقاً واستخدامه للتحقق من مقاييس الأداء، ولكن يمكنك تحميل أي من النماذج التي توفرها Ultralytics. إليك كيفية القيام بذلك:

بمجرد تحميل النموذج، يمكنك إجراء التحقق على مجموعة البيانات الخاصة بك. سيساعدك مقتطف التعليمات البرمجية التالي في حساب مقاييس أداء متنوعة، بما في ذلك الدقة، والاستدعاء، 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.

Link to this sectionكيف 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، يمكن أن 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 الجديدة أو التعديلات. سيسمح لك هذا بتقييم التحسينات أو الانحدارات في سلوك النموذج كمياً.
• توثيق وتدقيق الأداء: احتفظ بسجلات مفصلة لمقاييس الأداء والتغييرات التي تم إجراؤها على نظام الذكاء الاصطناعي الخاص بك. يعد هذا أمراً بالغ الأهمية لعمليات التدقيق، والامتثال، وتحسين بنية نموذجك بمرور الوقت.

Link to this sectionاختيار مؤشرات الأداء الرئيسية المثلى للذكاء الاصطناعي هو مجرد البداية#

يعتمد نشر وإدارة حل الذكاء الاصطناعي بنجاح على اختيار مؤشرات الأداء الرئيسية المناسبة وإبقائها محدثة. بشكل عام، يعد اختيار المقاييس التي تسلط الضوء على مدى جودة عمل حل الذكاء الاصطناعي تقنياً ومن حيث تأثير الأعمال أمراً حيوياً. مع تغير الأمور، سواء كان ذلك بفضل التطورات التكنولوجية أو التحولات في استراتيجية عملك، من المهم إعادة النظر في مؤشرات الأداء الرئيسية هذه 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 تطوراتنا في مجال الذكاء الاصطناعي. تعرف على كيفية إعادة تشكيلنا للصناعات مثل التصنيع والرعاية الصحية بتقنية الذكاء الاصطناعي الرائدة. 🚀