Model Card
توثّق بطاقة النموذج الاستخدام المقصود لنموذج مدرّب وبيانات تدريبه ونتائج تقييمه وقيوده، وهو تنسيق اقترحه باحثو Google عام 2018.
بطاقة النموذج وثيقة موجزة تُنشر مع نموذج تعلّم آلي مُدرَّب، وتُسجّل الغرض من النموذج، وكيفية تدريبه وتقييمه، وأداءه لدى مجموعات وظروف مختلفة، ومواطن إخفاقه. اقترح كلٌّ من مارغريت ميتشل وتيمْنيت غيبرو وزملاؤهما في Google هذا التنسيق عام 2018 في الورقة البحثية بطاقات النماذج لإعداد تقارير عن النماذج، التي عُرضت في مؤتمر FAT* لعام 2019. وأصبحت بطاقات النماذج ممارسة معيارية في مجال الشفافية في الذكاء الاصطناعي: يعرض مستودع النماذج على Hugging Face بطاقة النموذج بوصفها صفحته الرئيسية، وتنشر مختبرات الذكاء الاصطناعي بطاقات للإصدارات الرئيسية، مثل بطاقة نموذج Claude 3 التي أصدرتها Anthropic عام 2024.
محتويات بطاقة النموذج#
اقترحت الورقة الأصلية تسعة أقسام:
- تفاصيل النموذج: المطوّر والإصدار والتاريخ والبنية والترخيص والجهة التي تُوجَّه إليها الأسئلة.
- الاستخدام المقصود: الاستخدامات والمستخدمون الأساسيون الذين بُني النموذج من أجلهم، والاستخدامات الخارجة عن نطاقه.
- العوامل: الفئات والأدوات والبيئات التي قد تغيّر الأداء، مثل الفئة العمرية أو نوع الكاميرا أو الإضاءة.
- المقاييس: مقاييس الأداء المُبلّغ عنها، وعتبات القرار المستخدمة، وسبب اختيارها.
- بيانات التقييم: مجموعات البيانات المستخدمة للاختبار وسبب اختيارها.
- بيانات التدريب: البيانات التي تعلّم منها النموذج، مع وصفها بأكبر قدر ممكن من التفصيل.
- التحليلات الكمية: النتائج مفصّلة بحسب كل عامل، منفردًا ومجتمعًا مع العوامل الأخرى.
- الاعتبارات الأخلاقية: البيانات الحساسة والمخاطر على الأشخاص وإجراءات التخفيف المتخذة.
- التحفظات والتوصيات: الثغرات المعروفة، مثل الظروف التي لم تُختبر مطلقًا.
تمثل التحليلات الكمية جوهر الفكرة. تخفي الدرجة الرئيسية المنفردة الإخفاقات المتركزة ضمن مجموعة فرعية، لذا تعرض بطاقة المثال في الورقة، لكاشف الابتسامات المدرّب على مجموعة بيانات الوجوه CelebA، معدلات الخطأ مفصّلةً بحسب العمر والجنس؛ وهذا التقييم المفصّل حسب الفئات يكشف التحيز الخوارزمي وتحيز مجموعة البيانات. وبالنسبة إلى نموذج كشف الأجسام، يعرض القسم نفسه متوسط الدقة المتوسطة (mAP) لكل فئة ولكل حالة، مثل الأجسام الصغيرة أو الصور الليلية أو كل كاميرا، إلى جانب زمن استجابة الاستدلال على العتاد المستهدف.
بطاقات النماذج على Hugging Face#
على Hugging Face Hub، تكون بطاقة النموذج هي README.md الخاصة بالمستودع: أقسام Markdown الموجهة إلى الأشخاص، تسبقها ترويسة بيانات وصفية بصيغة YAML يحللها Hub لفرز النماذج بحسب المهمة والترخيص ومجموعة البيانات، وعرض نتائج التقييم. وتُنشئ مكتبة huggingface_hub الجزأين انطلاقًا من بيانات منظّمة:
from huggingface_hub import EvalResult, ModelCard, ModelCardData
from torchvision.models import ResNet50_Weights
# تتضمن Torchvision دقة ImageNet المنشورة مع كل مجموعة من الأوزان
weights = ResNet50_Weights.IMAGENET1K_V2
top1 = weights.meta["_metrics"]["ImageNet-1K"]["acc@1"]
# بيانات وصفية قابلة للقراءة آليًا: المكتبة وبيانات التدريب ونتائج التقييم
result = EvalResult(
task_type="image-classification",
dataset_type="imagenet-1k",
dataset_name="ImageNet-1K",
metric_type="accuracy",
metric_value=top1,
)
card_data = ModelCardData(
model_name="resnet50", library_name="torchvision", datasets=["imagenet-1k"], eval_results=[result]
)
# املأ القالب الافتراضي: ترويسة YAML تتبعها أقسام Markdown
card = ModelCard.from_template(card_data, model_summary="ResNet-50 image classifier trained on ImageNet-1K.")
print(card.data.to_yaml())
print([line[3:] for line in card.content.splitlines() if line.startswith("## ")])يسرد ناتج YAML مجموعة بيانات التدريب وكتلة model-index التي تسجل دقة top-1 تبلغ 80.858% على ImageNet-1K، ويعرض Hub هذه الدقة كنتيجة تقييم. ويطبع السطر الثاني أقسام القالب، من «تفاصيل النموذج» و«الاستخدامات» إلى «التحيز» و«المخاطر» و«القيود»، ثم «التقييم» و«الأثر البيئي»؛ وهو امتداد مباشر للأقسام التسعة في الورقة الأصلية.
وثائق ذات صلة#
- صحائف بيانات مجموعات البيانات: اقترحها تيمْنيت غيبرو وزملاؤها عام 2018، وهي توثّق طريقة جمع مجموعة البيانات وتصنيفها والغرض المقصود منها. وتشير بطاقة النموذج إلى صحيفة بيانات التدريب بدلًا من تكرار محتواها.
- بطاقات الأنظمة: تصف نظام ذكاء اصطناعي منشورًا يتكون من عدة نماذج وموجّهات ومرشحات أمان وإجراءات بشرية. أدخلت Meta المصطلح عام 2022، وتنشر المختبرات التي تطوّر نماذج اللغة الكبيرة (LLMs)، ومنها OpenAI، بطاقة نظام مع كل إصدار رئيسي للنموذج.
- سجل النماذج: يخزّن ملفات النماذج وإصداراتها وتسلسلها، بينما توضّح البطاقة الغرض الذي يلائم كل إصدار مسجل.
- الذكاء الاصطناعي القابل للتفسير (XAI): يوضح سبب إصدار النموذج تنبؤًا بعينه، بينما تصف البطاقة سلوكه على مجموعة تقييم كاملة.
جعلت اللوائح هذا التنسيق إلزاميًا في بعض الحالات. وبموجب قانون الذكاء الاصطناعي للاتحاد الأوروبي، يتعين على مزودي نماذج الذكاء الاصطناعي للأغراض العامة، اعتبارًا من 2 أغسطس 2025، الاحتفاظ بوثائق فنية عن التدريب والتقييم، وتزويد المطورين الذين يبنون تطبيقات على نماذجهم بمعلومات عن القدرات والقيود. ويوفر مدوّنة ممارسات الذكاء الاصطناعي للأغراض العامة الصادرة عن المفوضية نموذجًا لوثائق النماذج، يتضمن حقولًا شبيهة ببطاقات النماذج، مثل الاستخدامات المقصودة وبيانات التدريب واستهلاك الطاقة. وتُعد البطاقات جزءًا من الممارسات الأوسع نطاقًا في حوكمة الذكاء الاصطناعي والذكاء الاصطناعي المسؤول.
الحفاظ على تحديث البطاقة#
تصف البطاقة إصدارًا واحدًا من النموذج، لذا تتغير كلما تغير النموذج أو بياناته أو ظروف نشره. ويوفر رصد النماذج في بيئة الإنتاج الأدلة اللازمة: إذ يصبح انحراف البيانات أو نمط إخفاق جديد تحفظًا يُضاف إلى بطاقة الإصدار التالي.
يمكن أيضًا تضمين جزء من بطاقة النموذج داخل ملف النموذج. وعندما تكون نماذج Ultralytics YOLO26 قد صُدِّرت إلى تنسيقات مثل ONNX أو OpenVINO، يضمّن المُصدِّر بيانات وصفية تتضمن وصفًا يذكر مجموعة بيانات التدريب والمؤلف وتاريخ التصدير وإصدار الحزمة والترخيص والمهمة وحجم الإدخال وأسماء الفئات، بحيث تظل النسخة المنشورة تحدد هوية النموذج وما يكتشفه.










