خدمة الطراز

أهمية الخدمة النموذجية

تعتبر خدمة النموذج أساسية لتفعيل نماذج التعلم الآلي. وبدون ذلك، حتى أكثر النماذج دقة، مثل أحدث نماذج Ultralytics YOLO المتطورة، تظل معزولة في بيئات التطوير، وغير قادرة على التأثير على العمليات في العالم الحقيقي. تضمن خدمة النماذج الفعالة إمكانية الوصول إلى الرؤى وقدرات الأتمتة التي تم تطويرها أثناء التدريب وقابليتها للاستخدام. كما أنها تتيح الاستدلال في الوقت الفعلي، مما يسمح للتطبيقات بالاستجابة ديناميكيًا للبيانات الجديدة، وهو أمر بالغ الأهمية للمهام التي تتراوح بين اكتشاف الأشياء في مقاطع الفيديو ومعالجة اللغة الطبيعية (NLP) في روبوتات الدردشة. في النهاية، تُعد خدمة النماذج ضرورية لتحقيق العائد على الاستثمار (ROI ) لمبادرات الذكاء الاصطناعي.

خدمة النموذج مقابل نشر النموذج

على الرغم من استخدامها في كثير من الأحيان بالتبادل، إلا أن خدمة النموذج هي من الناحية الفنية مكون محدد ضمن العملية الأوسع لنشر النموذج. تشمل عملية نشر النموذج جميع الخطوات اللازمة لأخذ نموذج مدرّب وتشغيله في بيئة إنتاج حية، بما في ذلك التغليف وإعداد البنية التحتية والتكامل والمراقبة. تركز خدمة النموذج تحديدًا على البنية التحتية وطبقة البرمجيات التي تستضيف النموذج وتتعامل مع طلبات التنبؤ الواردة، مما يجعل وظائف النموذج متاحة كخدمة، غالبًا عبر بروتوكولات الشبكة مثل REST أو gRPC. اطلع على دليلنا حول خيارات نشر النموذج لمزيد من التفاصيل.

التطبيقات الواقعية

تتيح خدمة النماذج عدداً لا يحصى من الميزات التي تعتمد على الذكاء الاصطناعي التي نتفاعل معها يومياً. إليك مثالين:

• منصات التجارة الإلكترونية: تقدم أنظمة التوصيات اقتراحات منتجات مخصصة للمستخدمين في الوقت الفعلي بناءً على سجل التصفح والتفضيلات الخاصة بهم. وتتعامل البنية التحتية لخدمة النماذج مع ملايين الطلبات، مما يضمن زمن استجابة منخفض للاستدلال.
• تشخيص الرعاية الصحية: في تحليل الصور الطبية، يتم تقديم النماذج المدربة على اكتشاف الحالات الشاذة (مثل الأورام في عمليات المسح الضوئي، انظر استخدام YOLO11 للكشف عن الأورام) عبر نقاط نهاية آمنة. يمكن للأطباء السريريين تحميل الصور وتلقي المساعدة التشخيصية(الأشعة: الذكاء الاصطناعي) بسرعة وكفاءة.

المكونات الرئيسية للخدمة النموذجية

ينطوي تنفيذ نظام خدمة نموذج قوي على عدة مكونات تعمل معاً:

• تنسيق النموذج: يجب تعبئة النماذج بتنسيق مناسب للعرض، مثل ONNXأو تحسينها باستخدام أدوات مثل TensorRT لتحسين الأداء على أجهزة معينة مثل وحدات معالجة الرسوماتNVIDIA .
• إطار الخدمة: تتعامل البرامج المتخصصة مع تحميل النموذج وإدارة الموارد ومعالجة طلبات الاستدلال بكفاءة. ومن الأمثلة على ذلك TensorFlow Serving و TorchServe و NVIDIA Triton Inference Server، والتي تتكامل معها نماذج Ultralytics Triton دليل تكاملTriton ).
• نقطة نهاية واجهة برمجة التطبيقات: واجهة (على سبيل المثال، REST، gRPC) تسمح لتطبيقات العميل بإرسال البيانات وتلقي التوقعات. وغالباً ما تتم إدارة ذلك من خلال بوابة واجهة برمجة التطبيقات (API Gateway ) للأمان وتحديد المعدل والتوجيه.
• البنية التحتية: الأجهزة والبيئة الأساسية التي يتم فيها تقديم النموذج، والتي يمكن أن تكون منصات حوسبة سحابية مثل Amazon SageMaker أو منصة الذكاء الاصطناعي السحابية منGoogle (Vertex AI)، أو خوادم داخل مقر العمل، أو أجهزة حوسبة الحافة(النشر على أجهزة الذكاء الاصطناعي الحافة). وغالبًا ما تُستخدم أدوات الحاويات مثل Docker للتغليف(Docker Quickstart).
• المراقبة والتسجيل: أدوات لتتبع مقاييس الأداء (زمن الاستجابة، والإنتاجية، ومعدلات الخطأ)، واستخدام الموارد، والمشكلات المحتملة مثل انجراف البيانات(دليل مراقبة النماذج).

تهدف منصات مثل Ultralytics HUB إلى تبسيط سير العمل بأكمله، حيث تقدم حلولاً متكاملة للتدريب وإصدار ونشر وخدمة نماذج الرؤية الحاسوبية وتقديمها، بما يتماشى مع أفضل ممارسات عمليات تعلُّم الآلة (MLOps). تشمل الاعتبارات الرئيسية قابلية التوسع للتعامل مع تغييرات الأحمال، والأمان(أمن البيانات)، وقابلية الصيانة.