إمكانية المراقبة

المراقبة هي ممارسة تصميم الأنظمة وتجهيزها لتوفير بيانات عالية الدقة حول حالتها الداخلية، مما يسمح للفرق باستكشاف سلوكها وتصحيحه وفهمه بشكل فعال. في سياق الذكاء الاصطناعي (AI) و التعلم الآلي (ML)، فإنه يتجاوز المراقبة البسيطة لتمكين رؤى عميقة في النماذج المعقدة وخطوط أنابيب البيانات. بدلاً من مجرد تتبع مقاييس الأداء المحددة مسبقًا، يوفر نظام المراقبة بيانات غنية وقابلة للاستكشاف تسمح لك بطرح أسئلة جديدة وتشخيص المشكلات غير المعروفة بعد نشر النموذج.

المراقبة مقابل الرصد

في حين يتم استخدامهما معًا غالبًا، إلا أن المراقبة (observability) ومراقبة النماذج (model monitoring) مفهومان متميزان.

• المراقبة هي عملية جمع البيانات وتحليلها لمراقبة أوضاع الفشل المعروفة. يمكنك إعداد تنبيهات لعتبات محددة ومحددة مسبقًا، مثل تجاوز معدل الخطأ 5٪ أو تجاوز زمن الوصول للاستدلال 200 مللي ثانية. تخبرك إذا كان هناك خطأ ما.
• إمكانية المراقبة هي خاصية للنظام تسمح لك بفهم سبب وجود خطأ ما، حتى لو لم تر المشكلة من قبل. وهي تستخدم السجلات التفصيلية والمقاييس والتتبعات للسماح بالتحليل الاستكشافي وتحديد السبب الجذري. النظام القابل للمراقبة هو النظام الذي يمكنك تصحيحه دون الحاجة إلى شحن تعليمات برمجية جديدة لجمع المزيد من المعلومات. هذه القدرة ضرورية لإدارة الطبيعة غير المتوقعة لأنظمة الذكاء الاصطناعي في الإنتاج.

الركائز الثلاث للمراقبة

تعتمد المراقبة عادةً على ثلاثة أنواع أساسية من بيانات القياس عن بعد:

1. السجلات: هذه سجلات غير قابلة للتغيير ومختومة زمنيًا للأحداث. في أنظمة تعلم الآلة، قد تلتقط السجلات طلبات التنبؤ الفردية أو أخطاء التحقق من صحة البيانات أو تغييرات تكوين النظام. في حين أن التسجيل التقليدي يمكن أن يكون نصًا بسيطًا، فإن التسجيل المنظم (على سبيل المثال، بتنسيق JSON) يجعل السجلات أسهل بكثير للاستعلام والتحليل على نطاق واسع.
2. المقاييس: هذه تمثيلات رقمية للبيانات التي يتم قياسها بمرور الوقت. تتضمن المقاييس الرئيسية في أنظمة تعلم الآلة دقة النموذج، وإنتاجية التنبؤ، واستخدام وحدة المعالجة المركزية (CPU)/وحدة معالجة الرسومات (GPU)، واستخدام الذاكرة. تُستخدم قواعد بيانات السلاسل الزمنية مثل Prometheus بشكل شائع لتخزين هذه البيانات والاستعلام عنها.
3. التتبعات (Traces): توفر التتبعات عرضًا تفصيليًا لطلب أو معاملة واحدة أثناء انتقالها عبر جميع مكونات النظام. في خط أنابيب رؤية الكمبيوتر، يمكن أن يتتبع التتبع صورة واحدة من الاستيعاب والمعالجة المسبقة إلى استدلال النموذج والمعالجة اللاحقة، مما يوضح الوقت المستغرق في كل خطوة. وهذا لا يقدر بثمن لتحديد الاختناقات والأخطاء في الأنظمة الموزعة.

لماذا تعتبر إمكانية المراقبة ضرورية لأنظمة الذكاء الاصطناعي؟

يمكن أن تكون نماذج التعلم العميق معقدة للغاية وغير شفافة، مما يجعل من الصعب فهم سلوكها في العالم الحقيقي. تعد إمكانية المراقبة ضرورية من أجل:

• تصحيح الأخطاء واستكشاف الأخطاء وإصلاحها: عندما يقوم نموذج مثل Ultralytics YOLO11 بإجراء تنبؤ غير صحيح، يمكن لأدوات المراقبة أن تساعد في تتبع بيانات الإدخال وتنشيطات النموذج لفهم السبب.
• اكتشاف الانحراف: يمكن أن تتدهور نماذج الذكاء الاصطناعي بمرور الوقت بسبب انحراف البيانات (عندما يتغير توزيع بيانات الإنتاج عن بيانات التدريب) أو انحراف المفهوم. تساعد المراقبة في اكتشاف هذه التحولات من خلال مراقبة توزيعات البيانات وأداء النموذج.
• ضمان الثقة والإنصاف: في التطبيقات الحساسة مثل الذكاء الاصطناعي في الرعاية الصحية، تدعم إمكانية المراقبة الذكاء الاصطناعي القابل للتفسير (XAI) والشفافية في الذكاء الاصطناعي من خلال توفير مسار تدقيق واضح لقرارات النموذج. يعد هذا أمرًا بالغ الأهمية للامتثال التنظيمي وبناء الثقة مع أصحاب المصلحة.
• تحسين الأداء: من خلال تتبع استخدام الموارد ووقت الاستجابة، يمكن للفرق تحسين كفاءة النموذج وتقليل التكاليف التشغيلية، وهو هدف رئيسي لـ MLOps.

تطبيقات واقعية

1. المركبات ذاتية القيادة: تستخدم مركبة ذاتية القيادة نموذج إدراك لـ اكتشاف الأجسام في الوقت الفعلي. تتعقب أدوات المراقبة إطار كاميرا عبر النظام بأكمله، من المستشعر إلى القرار. إذا فشلت السيارة في اكتشاف أحد المشاة عند الغسق، فيمكن للمهندسين استخدام عمليات التتبع لمعرفة ما إذا كان زمن الانتقال في خطوة المعالجة المسبقة للصور هو السبب. يمكنهم أيضًا تحليل المقاييس المتعلقة بعلامات الثقة في الاكتشاف عبر أوقات مختلفة من اليوم لتحديد المشكلات المنهجية.
2. إدارة مخزون البيع بالتجزئة: يستخدم نظام البيع بالتجزئة الذكي الكاميرات لمراقبة مخزون الرفوف. تتتبع منصة المراقبة عدد المنتجات المكتشفة لكل رف، وتكرار استدعاءات واجهة برمجة التطبيقات (API)، ووقت استجابة التنبؤات. إذا أبلغ النظام عن مستويات مخزون غير صحيحة لمنتج معين، فيمكن للمطورين تصفية التتبعات لوحدة حفظ المخزون (SKU) الخاصة بهذا المنتج، وفحص الصور المسجلة ونتائج التنبؤ، وتحديد ما إذا كانت الإضاءة السيئة أو التعبئة والتغليف غير العادية تسبب المشكلة. وهذا يسمح بالتشخيص السريع وإعادة التدريب باستخدام زيادة بيانات أفضل.

الأدوات والمنصات

غالبًا ما يتضمن تطبيق إمكانية المراقبة أدوات ومنصات متخصصة. الحلول مفتوحة المصدر مثل Grafana (التصور) و Loki (السجلات) و Jaeger (التتبع) شائعة. يوفر OpenTelemetry معيارًا محايدًا للبائع للأجهزة. تقدم المنصات التجارية مثل Datadog و New Relic و Dynatrace حلولاً متكاملة. غالبًا ما تتضمن منصات MLOps مثل MLflow و Weights & Biases و ClearML ميزات لتتبع التجارب ومراقبة النماذج. يسهل Ultralytics HUB إدارة عمليات التدريب والنماذج المنشورة، والتكامل مع أدوات مثل TensorBoard لتصور المقاييس، وهو جانب رئيسي في إمكانية المراقبة خلال مرحلة تدريب النموذج.