Model Deployment

نشر النموذج هو المرحلة الحاسمة التي يُدمج فيها نموذج تعلّم آلي مُدرَّب في بيئة إنتاج، لاتخاذ قرارات أو إجراء تنبؤات عملية استنادًا إلى بيانات جديدة. ويمثل ذلك الانتقال من بيئة بحثية أو تجريبية—غالبًا ما تُنفَّذ في دفاتر ملاحظات معزولة—إلى تطبيق حي يتفاعل فيه النموذج مع المستخدمين والأنظمة في العالم الحقيقي. وتحول هذه العملية ملفًا ثابتًا يضم الأوزان والبنية إلى وكيل ذكاء اصطناعي نشط قادر على تحقيق قيمة، مثل تحديد الأجسام في بث فيديو أو التوصية بالمنتجات على موقع إلكتروني.

يتطلب النشر الفعّال معالجة تحديات تختلف عن تحديات تدريب النموذج، بما في ذلك زمن الاستجابة وقابلية التوسع وتوافق العتاد. وغالبًا ما تستخدم المؤسسات منصة Ultralytics لتبسيط دورة الحياة هذه، بما يضمن تسليم النماذج المُدرَّبة في السحابة بسلاسة إلى بيئات متنوعة، بدءًا من الخوادم القوية ووصولًا إلى أجهزة الحافة محدودة الموارد.

مشهد النشر#

تنقسم استراتيجيات النشر عمومًا إلى فئتين: النشر السحابي والنشر الطرفي. ويعتمد الاختيار بدرجة كبيرة على المتطلبات المحددة للسرعة والخصوصية والاتصال.

• النشر السحابي: يقيم النموذج على خوادم مركزية، تديرها غالبًا خدمات مثل AWS SageMaker أو Google Vertex AI. وترسل التطبيقات البيانات عبر الإنترنت إلى النموذج من خلال REST API، الذي يعالج الطلب ويعيد النتيجة. وتوفر هذه الطريقة قدرة حوسبية غير محدودة تقريبًا، ما يجعلها مثالية للنماذج الكبيرة والمعقدة، لكنها تعتمد على اتصال مستقر بالإنترنت.
• النشر الطرفي: يعمل النموذج محليًا على الجهاز الذي تُنشأ فيه البيانات، مثل هاتف ذكي أو طائرة مسيّرة أو كاميرا مصنع. ويقلل هذا النهج، المعروف باسم الحوسبة الطرفية، زمن الاستجابة ويعزز خصوصية البيانات، لأن المعلومات لا تغادر الجهاز. وتُستخدم أدوات مثل TensorRT كثيرًا لتحسين النماذج لهذه البيئات.

إعداد النماذج للإنتاج#

قبل نشر النموذج، يخضع عادةً للتحسين لضمان عمله بكفاءة على العتاد المستهدف. وتتضمن هذه العملية تصدير النموذج، حيث يُحوَّل تنسيق التدريب، مثل PyTorch، إلى تنسيق ملائم للنشر، مثل ONNX (تبادل الشبكات العصبية المفتوح) أو OpenVINO.

تعمل تقنيات التحسين، مثل التكميم، على تقليل حجم النموذج وبصمته في الذاكرة دون التضحية بدرجة الدقة بدرجة كبيرة. ولضمان الاتساق عبر بيئات الحوسبة المختلفة، يستخدم المطورون غالبًا أدوات الحاويات مثل Docker، التي تجمع النموذج مع جميع تبعياته البرمجية اللازمة.

فيما يلي مثال على تصدير نموذج YOLO26 إلى تنسيق ONNX، وهي خطوة شائعة في الاستعداد للنشر:

from ultralytics import YOLO

# Load the YOLO26 nano model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format for broad compatibility
# This creates a file suitable for various inference engines
path = model.export(format="onnx")

print(f"Model successfully exported to: {path}")

التطبيقات الواقعية#

يشغّل نشر النماذج أنظمة الرؤية الحاسوبية واسعة الاستخدام في مختلف الصناعات.

• مراقبة الجودة في التصنيع: في التصنيع الذكي، تراقب النماذج المنشورة سيور النقل في الوقت الفعلي. ويمكن لنظام كاميرا يشغّل نموذجًا محسنًا لأجهزة NVIDIA Jetson اكتشاف العيوب في المنتجات فورًا، مما يؤدي إلى تشغيل ذراع آلية لإزالة العناصر المعيبة. ويتطلب ذلك زمن استجابة فائق الانخفاض لا يستطيع توفيره إلا نشر الذكاء الاصطناعي الطرفي.
• تحليلات تجارة التجزئة: تستخدم المتاجر النماذج المنشورة لتحليل حركة الزوار وسلوك العملاء. ومن خلال دمج نماذج تتبع الأجسام في بث كاميرات المراقبة، يستطيع تجار التجزئة إنشاء خرائط حرارية للممرات الأكثر شيوعًا. وتساعد هذه الرؤى على تحسين تصميمات المتاجر وتعزيز إدارة المخزون، مع الاستفادة غالبًا من النشر السحابي لتجميع البيانات من مواقع متعددة.

النشر مقابل الاستدلال مقابل التدريب#

من المهم التمييز بين نشر النموذج والمصطلحات ذات الصلة في دورة حياة تعلّم الآلة:

• تدريب النموذج هو المرحلة التعليمية التي تتعلم فيها الخوارزمية الأنماط من مجموعة بيانات.
• نشر النموذج هو مرحلة الدمج التي يُثبَّت فيها النموذج المُدرَّب ضمن بنية تحتية للإنتاج، مثل الخوادم أو التطبيقات أو الأجهزة.
• الاستدلال هو المرحلة التشغيلية—أي العملية الفعلية التي يعالج فيها النموذج المنشور البيانات الحية لإنتاج تنبؤ. فعلى سبيل المثال، ينفّذ محرك الاستدلال العمليات الحسابية التي يحددها النموذج المنشور.

المراقبة والصيانة#

النشر ليس نهاية المطاف. فبعد تشغيل النماذج، تتطلب مراقبة مستمرة للنموذج لاكتشاف مشكلات مثل انجراف البيانات، حيث تبدأ بيانات العالم الحقيقي في التباعد عن بيانات التدريب. وغالبًا ما تُدمج أدوات مثل Prometheus أو Grafana لتتبع مقاييس الأداء، بما يضمن بقاء النظام موثوقًا بمرور الوقت. وعند انخفاض الأداء، قد يحتاج النموذج إلى إعادة التدريب وإعادة النشر، وبذلك تكتمل دورة MLOps.