Observability

تشير قابلية الرصد إلى القدرة على فهم الحالة الداخلية لنظام معقد بالاعتماد فقط على مخرجاته الخارجية. في المجالين سريعي التطور، الذكاء الاصطناعي (AI) و**التعلم الآلي (ML)**، تتجاوز قابلية الرصد عمليات التحقق البسيطة من الحالة لتوفير رؤى عميقة حول سبب تصرف النموذج بطريقة معينة. ومع ازدياد تطور بنيات التعلم العميق (DL) الحديثة—مثل YOLO26 المتطور—فإنها غالبًا ما تعمل باعتبارها «صناديق سوداء». تنشئ أدوات قابلية الرصد نافذة شفافة إلى هذه الأنظمة، ما يتيح لفرق الهندسة تصحيح السلوكيات غير المتوقعة، وتتبع الأسباب الجذرية للأخطاء، وضمان الموثوقية في بيئات الإنتاج.

قابلية الرصد مقابل المراقبة#

على الرغم من استخدام قابلية الرصد و**مراقبة النموذج** غالبًا بالتبادل، فإنهما تؤديان أغراضًا متميزة لكنها متكاملة ضمن دورة حياة MLOps.

• تتسم مراقبة النموذج بطابع تفاعلي وتركّز على «المجهولات المعروفة». وتشمل تتبع مقاييس محددة مسبقًا مثل زمن استدلال النموذج، أو استخدام CPU، أو معدلات الأخطاء، ومقارنتها بحدود معتمدة. تجيب المراقبة عن السؤال: «هل النظام سليم؟»
• تتسم قابلية الرصد بطابع استباقي وتعالج «المجهولات غير المعروفة». وهي توفر البيانات الدقيقة—السجلات، وعمليات التتبع، والأحداث عالية التعدد—اللازمة للتحقيق في المشكلات الجديدة التي لم تكن متوقعة أثناء إعداد بيانات التدريب. وكما هو موضح في كتاب Google عن هندسة موثوقية المواقع (SRE)، يتيح النظام القابل للرصد فهم السلوكيات الجديدة من دون طرح تعليمات برمجية جديدة. ويجيب عن السؤال: «لماذا يتصرف النظام بهذه الطريقة؟»

الركائز الثلاث لقابلية الرصد#

لتحقيق قابلية رصد حقيقية في مسارات الرؤية الحاسوبية (CV)، تعتمد الأنظمة عادةً على ثلاثة أنواع أساسية من بيانات القياس عن بُعد:

1. السجلات: سجلات غير قابلة للتغيير ومؤرخة زمنيًا للأحداث المنفصلة. في مسار كشف، قد يسجل أحد السجلات دقة صورة الإدخال أو إعداد ضبط المعلمات الفائقة المحدد المستخدم أثناء عملية تشغيل. ويسمح التسجيل المنظم، غالبًا بتنسيق JSON، بإجراء استعلامات وتحليلات معقدة.

2. المقاييس: بيانات رقمية مجمعة تُقاس بمرور الوقت، مثل متوسط الدقة، أو استهلاك الذاكرة، أو استخدام GPU. وتُعد أدوات مثل Prometheus و**Grafana** معيارًا لتخزين بيانات السلاسل الزمنية هذه من أجل تصور الاتجاهات.

3. عمليات التتبع: تتتبع عملية التتبع دورة حياة الطلب أثناء مروره عبر خدمات مصغرة مختلفة. وبالنسبة إلى تطبيقات الذكاء الاصطناعي الموزعة، تساعد معايير مثل OpenTelemetry على رسم مسار الطلب، مع إبراز الاختناقات في محرك الاستدلال أو حالات التأخير في الشبكة. وتساعد أدوات متخصصة مثل Jaeger على تصور هذه المعاملات الموزعة.

تطبيق قابلية الرصد في Python#

يمكنك تعزيز قابلية الرصد في مسارات التدريب باستخدام عمليات الاستدعاء لتسجيل حالات داخلية محددة. يوضح المثال التالي كيفية إضافة عملية استدعاء مخصصة إلى جلسة تدريب YOLO26 لمراقبة مقاييس الأداء في الوقت الفعلي.

from ultralytics import YOLO

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


# Define a custom callback for observability
def on_train_epoch_end(trainer):
    # Access and print specific metrics at the end of each epoch
    map50 = trainer.metrics.get("metrics/mAP50(B)", 0)
    print(f"Observability Log - Epoch {trainer.epoch + 1}: mAP50 is {map50:.4f}")


# Register the callback and start training
model.add_callback("on_train_epoch_end", on_train_epoch_end)
model.train(data="coco8.yaml", epochs=3)

التطبيقات الواقعية#

تُعد قابلية الرصد أمرًا بالغ الأهمية لنشر نماذج عالية الأداء في بيئات ديناميكية قد لا تتطابق فيها بيانات الاختبار تمامًا مع الظروف الواقعية.

• المركبات ذاتية القيادة: في تطوير المركبات ذاتية القيادة، تتيح قابلية الرصد للمهندسين إعادة بناء الحالة الدقيقة للنظام أثناء وقوع حدث فك الارتباط. ومن خلال ربط مخرجات كشف الأجسام بسجلات المستشعرات وأوامر التحكم، تستطيع الفرق تحديد ما إذا كان خطأ الكبح ناجمًا عن ضوضاء المستشعر، أو خلل في تنبؤ النموذج، أو خطأ منطقي في وحدة التخطيط.
• التشخيص الطبي: في مجال الذكاء الاصطناعي في الرعاية الصحية، يُعد ضمان الأداء المتسق أمرًا حيويًا لسلامة المرضى. يمكن لأدوات قابلية الرصد اكتشاف انجراف البيانات إذا تدهور أداء النموذج عند تطبيقه على صور من نوع جديد من أجهزة التصوير بالرنين المغناطيسي. ويمكن لعمليات التتبع أن تكشف ما إذا كانت المشكلة ناجمة عن تغيير في المعالجة المسبقة للبيانات الخاصة بالصور أو عن تحول في توزيع الإدخال، ما يتيح المعالجة السريعة دون المساس بسلامة الذكاء الاصطناعي.

التكامل مع الأدوات الحديثة#

غالبًا ما تدمج مسارات العمل الحديثة قابلية الرصد مباشرةً في منصة التدريب. ويستفيد مستخدمو منصة Ultralytics من التصور المدمج لمنحنيات الخسارة، وأداء النظام، وتحليل مجموعات البيانات. بالإضافة إلى ذلك، تتيح عمليات التكامل القياسية مع أدوات مثل TensorBoard و**MLflow** لعلماء البيانات الحفاظ على تتبع صارم للتجارب وقابلية الرصد عبر دورة حياة النموذج بأكملها.