قابلية الملاحظة

إمكانية المراقبة هي ممارسة تصميم الأنظمة وأجهزتها لتوفير بيانات عالية الدقة عن حالتها الداخلية، مما يسمح للفرق باستكشاف سلوكها وتصحيحه وفهمه بفعالية. في سياق الذكاء الاصطناعي والتعلم الآلي ( AI) والتعلم الآلي (ML)، فهي تتجاوز المراقبة البسيطة لتمكين الرؤى العميقة في النماذج المعقدة وخطوط أنابيب البيانات. فبدلاً من مجرد تتبع مقاييس الأداء المحددة مسبقًا، يوفر النظام القابل للمراقبة بيانات غنية وقابلة للاستكشاف تتيح لك طرح أسئلة جديدة وتشخيص المشاكل غير المعروفة بعد نشر النموذج.

قابلية الملاحظة مقابل المراقبة

على الرغم من استخدامهما معًا في كثير من الأحيان، إلا أن قابلية الملاحظة ومراقبة النموذج مفهومان مختلفان.

• المراقبة هي عملية جمع البيانات وتحليلها لمراقبة أوضاع الفشل المعروفة. تقوم بإعداد تنبيهات لعتبات محددة ومعرّفة مسبقًا، مثل تجاوز معدل الخطأ نسبة 5% أو تجاوز زمن الاستنتاج 200 مللي ثانية. يخبرك إذا كان هناك خطأ ما.
• قابلية الملاحظة هي خاصية للنظام تسمح لك بفهم سبب وجود خطأ ما، حتى لو لم تكن قد رأيت المشكلة من قبل. وهي تستخدم سجلات ومقاييس وتتبعات مفصلة للسماح بالتحليل الاستكشافي وتحديد السبب الجذري. النظام القابل للملاحظة هو النظام الذي يمكنك تصحيحه دون الحاجة إلى شحن كود جديد لجمع المزيد من المعلومات. هذه القدرة بالغة الأهمية لإدارة الطبيعة غير المتوقعة لأنظمة الذكاء الاصطناعي في الإنتاج.

الأركان الثلاثة للملاحظة

تُبنى قابلية المراقبة عادةً على ثلاثة أنواع أساسية من بيانات القياس عن بُعد:

1. السجلات: وهي سجلات ثابتة ومختومة زمنياً للأحداث. في أنظمة التعلم الآلي، 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، إلا أن التسجيل المنظم (على سبيل المثال، بتنسيق JSON ) يجعل السجلات أسهل بكثير في الاستعلام عن السجلات وتحليلها على نطاق واسع.
2. المقاييس: وهي تمثيلات رقمية للبيانات التي يتم قياسها بمرور الوقت. وتتضمن المقاييس الرئيسية في أنظمة تعلّم الآلة دقة النموذج، وإنتاجية التنبؤ، واستخدام وحدة المعالجةالمركزية/وحدة المعالجة المركزية، واستخدام الذاكرة. تُستخدم قواعد بيانات السلاسل الزمنية مثل Prometheus بشكل شائع لتخزين هذه البيانات والاستعلام عنها.
3. التتبع: توفر التتبعات عرضًا تفصيليًا لطلب أو معاملة واحدة أثناء انتقالها عبر جميع مكونات النظام. في خط أنابيب الرؤية الحاسوبية، يمكن أن يتتبع التتبع صورة واحدة من الاستيعاب والمعالجة المسبقة إلى الاستدلال النموذجي والمعالجة اللاحقة، مع إظهار الوقت المستغرق في كل خطوة. وهذا أمر لا يقدر بثمن لتحديد الاختناقات والأخطاء في الأنظمة الموزعة.

لماذا تعتبر قابلية الملاحظة أمرًا بالغ الأهمية لأنظمة الذكاء الاصطناعي

يمكن أن تكون نماذج التعلم العميق معقدة ومبهمة للغاية، مما يجعل من الصعب فهم سلوكها في العالم الحقيقي. إن قابلية الملاحظة ضرورية من أجل:

• تصحيح الأخطاء واستكشاف الأخطاء وإصلاحها: عندما يقوم نموذج مثل Ultralytics YOLO11 بتنبؤ غير صحيح، يمكن أن تساعد أدوات الملاحظة في تتبع بيانات الإدخال وتفعيلات النموذج لفهم السبب.
• اكتشاف الانجراف: يمكن لنماذج الذكاء الاصطناعي أن تتدهور بمرور الوقت بسبب انجراف البيانات (عندما يتغير توزيع بيانات الإنتاج عن بيانات التدريب) أو انجراف المفهوم. تساعد إمكانية المراقبة على اكتشاف هذه التحولات من خلال مراقبة توزيعات البيانات وأداء النموذج.
• ضمان الثقة والإنصاف: في التطبيقات الحساسة مثل الذكاء الاصطناعي في مجال الرعاية الصحية، تدعم قابلية الملاحظة الذكاء الاصطناعي القابل للتفسير والشفافية في الذكاء الاصطناعي من خلال توفير مسار تدقيق واضح لقرارات النموذج. وهذا أمر 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 لعمليات التشغيل الآلي.

التطبيقات الواقعية

1. المركبات ذاتية القيادة: تستخدم المركبة ذاتية القيادة نموذج إدراك لاكتشاف الأجسام في الوقت الفعلي. تتتبّع أدوات إمكانية الملاحظة إطار الكاميرا عبر النظام بأكمله، بدءاً من المستشعر وحتى اتخاذ القرار. إذا فشلت المركبة في اكتشاف أحد المشاة عند الغسق، يمكن للمهندسين استخدام التتبع لمعرفة ما إذا كان التأخير في خطوة المعالجة المسبقة للصور هو السبب. ويمكنهم أيضاً تحليل مقاييس درجات الثقة في الكشف عبر أوقات مختلفة من اليوم لتحديد المشكلات النظامية.
2. إدارة مخزون التجزئة: يستخدم نظام البيع بالتجزئة الذكي الكاميرات لمراقبة مخزون الرفوف. تقوم منصة المراقبة بتتبع عدد المنتجات المكتشفة لكل رف، وتكرار مكالمات واجهة برمجة التطبيقات، وزمن انتقال التنبؤات. إذا قام النظام بالإبلاغ عن مستويات مخزون غير صحيحة لمنتج معين، يمكن للمطورين تصفية آثار وحدة تخزين ذلك المنتج، وفحص الصور المسجلة ودرجات التنبؤ، وتحديد ما إذا كانت الإضاءة الضعيفة أو التغليف غير المعتاد هو سبب المشكلة. يسمح ذلك بالتشخيص السريع وإعادة التدريب مع زيادة البيانات بشكل أفضل.

الأدوات والمنصات

غالبًا ما يتضمن تنفيذ إمكانية المراقبة أدوات ومنصات متخصصة. تحظى الحلول مفتوحة المصدر مثل Grafana (التصور) و Loki (السجلات) و Jaeger (التتبع) بشعبية كبيرة. يوفر OpenTelemetry معيارًا محايدًا للبائعين للأجهزة. تقدم المنصات التجارية مثل Datadog وNew Relic وDynatrace حلولاً متكاملة. غالبًا ما تتضمن منصات MLOps مثل MLflow و Weights & Biases و ClearML ميزات لتتبع التجارب ومراقبة النماذج. تسهّل منصة Ultralytics HUB إدارة عمليات التدريب والنماذج المنشورة، وتتكامل مع أدوات مثل TensorBoard لتصور المقاييس، وهو جانب أساسي من جوانب إمكانية المراقبة أثناء مرحلة تدريب النموذج.