Model Deployment

نشر النماذج هو عملية نقل نموذج تعلّم آلي مدرّب إلى بيئة الإنتاج، حيث ترسل التطبيقات إليه بيانات جديدة وتتصرف بناءً على تنبؤاته. وتشمل العملية اختيار مكان تشغيل النموذج، وتحويله إلى تنسيق تنفذه بيئة التشغيل المستهدفة، وربطه بالمدخلات والمخرجات عبر API أو تطبيق، وإصدار إصدارات جديدة بأمان، ومراقبة سلوكه بعد اعتماد المستخدمين الفعليين عليه. فالنموذج الذي يحقق نتائج جيدة في دفتر ملاحظات يظل مجرد تجربة إلى أن يُنشر، والنشر هو مرحلة عمليات التعلّم الآلي (MLOps) التي يلتقي فيها علم البيانات بقيود هندسة البرمجيات، مثل زمن الاستجابة والتكلفة ووقت التشغيل والأمان.

أماكن نشر النماذج#

• النشر السحابي: يعمل النموذج على خوادم خلف نقطة نهاية REST أو gRPC، عادةً عبر نظام لتقديم النماذج يجمع الطلبات في دفعات ويوسع النسخ المتماثلة حسب الطلب. ويناسب النماذج الكبيرة وحركة الزيارات المتغيرة، مع تحمّل زمن ذهاب وإياب عبر الشبكة لكل طلب.
• النشر الطرفي: يعمل النموذج على الجهاز الذي يلتقط البيانات، مثل هاتف أو كاميرا أو روبوت أو وحدة NVIDIA Jetson. ولا تغادر المدخلات الجهاز، ما يحمي الخصوصية، ويظل النموذج يعمل دون اتصال، لكن محدودية الذاكرة والطاقة تستلزم عادةً استخدام نموذج مضغوط.
• النشر دون خوادم: تبدأ المنصة تشغيل النسخ عند الطلب، وتخفض عددها إلى الصفر عند الخمول، مقابل تأخير بدء التشغيل البارد في الطلب الأول، مع عدم دفع أي تكلفة عندما لا ترد طلبات.
• النشر الدفعي: تسجل مهمة مجدولة درجات مجموعة بيانات كبيرة دفعة واحدة، مثل توصيات المنتجات الليلية، حيث تكون الإنتاجية أهم من سرعة معالجة كل طلب.

تنشر Ultralytics Platform نموذج YOLO مدرّبًا على نقطة نهاية مخصصة في أي منطقة من 42 منطقة، ولكل منها عنوان URL ومراقبة خاصة بها، وتتدرج نقاط النهاية ذات حجم الموارد الافتراضي إلى الصفر عند الخمول. وينبع اختيار الهدف من بعض الأسئلة المتعلقة بالتطبيق، ويتناولها بالتفصيل درس Ultralytics Academy اختيار هدف النشر:

إعداد النموذج لبيئة الإنتاج#

صُممت أطر عمل التدريب لتكون مرنة، لذا تُصدّر نماذج الإنتاج عادةً إلى تنسيق يعمل بكفاءة على محرك استدلال، مثل ONNX لضمان قابلية النقل، أو TensorRT لوحدات GPU من NVIDIA، أو OpenVINO لأجهزة Intel، أو LiteRT وCore ML للهواتف. ويقلص تكميم النموذج وتشذيب النموذج حجمه أكثر عندما تكون الوجهة صغيرة. ثم تُحزم الشيفرة الخاصة بالنموذج المصدّر والمعالجة المسبقة مع اعتماديات مثبتة الإصدارات، عادةً في حاوية Docker تعمل بالطريقة نفسها على حاسوب محمول أو خادم أو عنقود Kubernetes. ويبدو تصدير كاشف مدرّب وتحميل الملف المصدّر لإجراء فحص سريع قبل الإصدار على النحو التالي:

from ultralytics import YOLO

# Load a trained model (replace with your own best.pt)
model = YOLO("yolo26n.pt")

# Export to ONNX, a portable format that many inference engines run
path = model.export(format="onnx")
print(f"Deployable model: {path}")

# Smoke-test the exported file with the same API before shipping it
onnx_model = YOLO(path)
results = onnx_model("https://ultralytics.com/images/bus.jpg")
results[0].save(filename="bus_onnx.jpg")

يعيد استدعاء التصدير مسار ملف yolo26n.onnx الجديد، وتؤكد الصورة المحفوظة أن الملف المصدّر يُحمّل وينتج عمليات كشف. كما تقارن الفرق دقة النموذج المصدّر وسرعته بالنموذج الأصلي على مجموعة تحقق، لأن تحويل التنسيق وخفض الدقة قد يغيران المخرجات قليلًا.

إصدار نسخ جديدة من النموذج#

يُخزّن إصدار النموذج الجديد في سجل للنماذج ويُطرح تدريجيًا، لأن المقاييس غير المتصلة لا تشمل جميع ظروف الإنتاج. وفي النشر الظلي، يتلقى النموذج الجديد نسخة من حركة الزيارات الفعلية، بينما يستمر النموذج الحالي في الإجابة عن المستخدمين، ما يتيح مقارنة النموذجين دون مخاطرة. ثم يوجّه الإصدار التجريبي المحدود نسبة صغيرة من حركة الزيارات الفعلية إلى الإصدار الجديد، ولا يزيدها إلا ما دامت معدلات الأخطاء وزمن الاستجابة وجودة التنبؤ سليمة؛ وتقيس اختبارات A/B أثر ذلك على نتائج الأعمال. ويجعل الإبقاء على الإصدار السابق قابلًا للنشر عملية التراجع تغييرًا في الإعدادات بدلًا من إعادة بناء طارئة:

نشر النماذج والمصطلحات ذات الصلة#

• تدريب النموذج: يتعلم أوزان النموذج من مجموعة بيانات. ويبدأ النشر من الأوزان المكتملة.
• تقديم النماذج: طبقة وقت التشغيل التي تستجيب لطلبات التنبؤ. وهي جزء من النشر الذي يشمل أيضًا التغليف والإصدار والمراقبة.
• زمن استدلال النموذج: الوقت الذي يستغرقه النموذج المنشور لحساب كل تنبؤ على حدة، وهو أحد المتطلبات الأساسية التي يجب أن يفي بها النشر.

المراقبة بعد النشر#

يتدهور أداء النموذج المنشور بصمت عندما يتغير العالم. وتتتبع مراقبة النماذج مؤشرات التشغيل، مثل زمن الاستجابة والإنتاجية ومعدلات الأخطاء واستخدام الأجهزة، غالبًا باستخدام أدوات مثل Prometheus وGrafana، إلى جانب إحصاءات المدخلات والتنبؤات. وعندما تكشف المراقبة عن مشكلة، تضع الفرق تسميات لحالات الإخفاق الجديدة، وتعيد التدريب، ثم تمرر الإصدار الجديد عبر عملية الإصدار نفسها. وتوفر إحصاءات المدخلات إنذارًا مبكرًا: إذ يظهر انحراف البيانات، أي التحول في توزيع المدخلات مثل نقل الكاميرا إلى زاوية جديدة أو تغير الإضاءة في الشتاء، قبل أيام أو أسابيع من وصول التسميات الحقيقية لبيانات الإنتاج التي تتيح قياس الدقة.