Model Registry

سجل النماذج هو نظام مركزي لتنظيم نماذج التعلم الآلي وإدارة إصداراتها وحوكمتها واسترجاعها طوال دورة حياتها. وهو يربط ملفات النماذج، مثل أوزان النماذج المتعلَّمة، بالبيانات الوصفية التي تصف كيفية تدريب كل نموذج وتقييمه واعتماده ونشره. وبصفته مكوّنًا أساسيًا من عمليات التعلم الآلي، يوفّر السجل للفرق مصدرًا موثوقًا لاتخاذ القرار بشأن إصدار النموذج الذي ينبغي أن يخدم حركة الإنتاج.

كيفية عمل سجل النماذج#

يبدأ تسجيل النموذج بعد أن ينتج تشغيل التدريب نموذجًا مرشحًا. ينشئ السجل إدخالًا مسمّى، ويعيّن إصدارًا، ويسجّل المعلومات اللازمة لفهم الأثر وإعادة إنتاجه. يتضمن الإدخال النموذجي ما يلي:

• أثر النموذج: الأوزان المتسلسلة، ومنطق المعالجة المسبقة، وملفات التهيئة، أو مرجع إلى موقع تخزينها.
• الإصدار: معرّف غير قابل للتغيير يميّز مرشحًا عن آخر.
• المقاييس والمعلمات: دقة التحقق، والدقة، والاستدعاء، ووقت الاستجابة، وتفاصيل مجموعة البيانات، والمعلمات الفائقة، والقياسات الأخرى.
• النَّسَب: الروابط بين النموذج، وشفرة المصدر، وتشغيل التدريب، والبيانات.
• الحالة: تسميات مثل مرشح، ومعتمد، ومرفوض، ورائد، ومؤرشف.
• معلومات النشر: البيئات ونقاط النهاية التي تستخدم الإصدار حاليًا.

تطبّق المنصات هذه الأفكار بطرق مختلفة. يستخدم سير عمل سجل النماذج MLflow النماذج المسجّلة، والإصدارات، والأسماء المستعارة، والوسوم، بينما يدعم سجل نماذج Amazon SageMaker مجموعات النماذج، وحالات الاعتماد، والنَّسَب، وأتمتة النشر. وتسجّل بعض الأنظمة أيضًا توقيع النموذج: مخطط الإدخال والإخراج المتوقع كما هو موصوف في وثائق توقيع النماذج في Snowflake.

توفّر الأسماء المستعارة مثل champion أو production أسماءً ثابتة يمكن نقلها بين إصدارات غير قابلة للتغيير. وكما هو موضح في دليل الأسماء المستعارة للنماذج في Vertex AI، يمكن للتطبيق طلب اسم مستعار دون تضمين رقم إصدار ثابتًا في الشفرة.

سجل النماذج مقارنةً بالمفاهيم ذات الصلة#

يتداخل سجل النماذج مع العديد من أدوات ML، لكنه يؤدي غرضًا مميزًا:

• تتبّع التجارب يسجّل عمليات تشغيل التدريب، بما في ذلك المعلمات والمقاييس والآثار الوسيطة. ويتلقى السجل مخرجات مختارة من تلك التجارب ويديرها بوصفها مرشحين للإصدار.
• تخزين الآثار يحتفظ بالملفات الكبيرة. وقد يخزّن السجل هذه الملفات مباشرةً، لكنه يمكن أن يعمل أيضًا فهرسًا للبيانات الوصفية يشير إلى تخزين كائنات خارجي. وتوضّح بنية سجل النماذج Kubeflow هذا التصميم المتمحور حول البيانات الوصفية.
• التحكم في المصدر يدير إصدارات الشفرة، بينما يدير سجل النماذج إصدارات الآثار المدرَّبة وبياناتها الوصفية الخاصة بالتعلم الآلي. ويمكن لـ سجل النماذج في GitLab ربط إصدارات النماذج بمهام CI/CD، والسجلات، والمقاييس، والمعلمات.
• نشر النماذج يجعل نموذجًا محددًا متاحًا للاستدلال. ويحدّد السجل الأثر المعتمد، بينما يشغّله نظام النشر.
• مراقبة النماذج ترصد سلوك النموذج في الإنتاج بعد إصداره. ويمكن لنتائج المراقبة أن تطلق التقييم، وإعادة التدريب، والتسجيل، وترقية إصدار بديل.

لذلك يعمل السجل كنقطة تحكم بين التجارب والإنتاج، بدلًا من أن يحل محل كل مكوّن من المكوّنات المحيطة به.

التطبيقات الواقعية#

في نظام لفحص المنتجات الصناعية، قد يعيد المهندسون تدريب كاشف العيوب كلما تغيّرت الكاميرات أو المواد أو تصميمات المنتجات. ويمكن للسجل الاحتفاظ بمرجع مجموعة بيانات كل نموذج، ومتوسط الدقة، ووقت استجابة الاستدلال، وتنسيق العتاد المدعوم. وبعد أن تؤكد الاختبارات أن الإصدار 12 يحسّن اكتشاف الخدوش دون زيادة الإنذارات الكاذبة، يمكن للمُعتمِد ترقيته والاحتفاظ بالإصدار 11 للتراجع الفوري.

في تحليل الصور الطبية، قد تقيّم فرق متعددة نماذج مرشحة لاكتشاف الأورام. ويحافظ التسجيل على نتائج التحقق، وتهيئة التدريب، والمالك المسؤول، وسجل الاعتماد لكل إصدار. ويمكن تقييد تطبيقات الإنتاج على النماذج التي خضعت للمراجعة، مع إبقاء الإصدارات الأقدم متاحة لعمليات التدقيق وإعادة الإنتاج. وتساعد عناصر التحكم القائمة على الأدوار، مثل تلك الموضّحة في حوكمة سجل النماذج في Snowflake، على منع الاستبدال أو الفحص غير المصرّح بهما للآثار الحساسة.

تسجيل النماذج في مسارات عمل Ultralytics#

توفر منصة Ultralytics إدارة مركزية للنماذج من أجل وسم مجموعات البيانات، والتدريب، ومقارنة النتائج، والتصدير، والنشر، ومراقبة نماذج الرؤية الحاسوبية. ويدعم سير عمل إدارة النماذج في المنصة الموثّق أوزان .pt التي يحمّلها المستخدم، والنماذج الناتجة عن التدريب السحابي أو البعيد.

يدرّب سير العمل الموثّق التالي Ultralytics YOLO26 محليًا، مع إرسال النموذج الناتج، والتهيئة، والمقاييس، والسجلات إلى مشروع مسمّى على المنصة:

import os

from ultralytics import YOLO

# Authenticate remote training with Ultralytics Platform
os.environ["ULTRALYTICS_API_KEY"] = "YOUR_API_KEY"

model = YOLO("yolo26n.pt")

model.train(
    data="coco8.yaml",
    epochs=3,
    project="username/model-registry-demo",
    name="candidate-001",
)

يجعل اسم المشروع واسم التشغيل المرشح قابلًا للاكتشاف إلى جانب النماذج ذات الصلة. ويمكن للفرق تقييمه، أو استخدام تكامل Ultralytics مع MLflow لتسجيل تجارب إضافية، أو تطبيق تصدير نماذج YOLO عندما يلزم تشغيل نموذج مسجّل على عتاد سحابي أو طرفي محدد.

إرشادات عملية لسجل النماذج#

اعتبر كل إصدار مسجّل غير قابل للتغيير. استخدم أسماء مستعارة سهلة القراءة للنشر، واحتفظ بأدلة التحقق، وحدد متطلبات واضحة للترقية. ويمكن لسياسة تسمية تستند إلى الإصدار الدلالي أن توضّح تغييرات التوافق، مع أن الإصدارات التي تُزاد أرقامها تلقائيًا فعّالة أيضًا.

والأهم من ذلك، سجّل حزم النماذج الكاملة بدلًا من ملفات أوزان غير موضّحة. فقد تجعل قواعد المعالجة المسبقة أو أسماء الفئات أو مخططات الإدخال أو التبعيات أو مراجع مجموعات البيانات المفقودة نموذجًا يبدو صالحًا، لكن يستحيل إعادة إنتاجه أو يصبح غير آمن للنشر. وتحول عناصر التحكم في الوصول، والاختبارات الآلية، وبوابات الاعتماد، وسجلات التدقيق، وإجراءات التراجع، سجل النماذج من فهرس للملفات إلى وسيلة حماية موثوقة للإنتاج.