Observability

تشير القابلية للملاحظة إلى القدرة على فهم الحالة الداخلية لنظام معقد استنادًا فقط إلى مخرجاته الخارجية. في مجالات الذكاء الاصطناعي (AI) و**تعلم الآلة (ML)** التي تتطور بسرعة، تتجاوز القابلية للملاحظة مجرد فحص الحالة لتقدم رؤى عميقة حول سبب سلوك النموذج بطريقة معينة. مع ازدياد تعقيد بنيات التعلم العميق (DL) الحديثة - مثل نموذج YOLO26 المتطور - فإنها غالبًا ما تعمل كـ "صناديق سوداء". تخلق أدوات القابلية للملاحظة نافذة شفافة داخل هذه الأنظمة، مما يسمح لفرق الهندسة بتصحيح السلوكيات غير المتوقعة، وتتبع الأسباب الجذرية للأخطاء، وضمان الموثوقية في بيئات الإنتاج.

Link to this sectionالقابلية للملاحظة مقابل المراقبة#

على الرغم من أنه غالبًا ما يتم استخدامهما بالتبادل، إلا أن القابلية للملاحظة و**مراقبة النموذج** تخدم أغراضًا متميزة ولكنها متكاملة ضمن دورة حياة MLOps.

• مراقبة النموذج هي عملية تفاعلية تركز على "المجاهيل المعروفة". وهي تتضمن تتبع مقاييس محددة مسبقًا مثل زمن انتقال الاستدلال، أو استخدام CPU، أو معدلات الخطأ مقابل عتبات محددة. تجيب المراقبة على السؤال: "هل النظام سليم؟"
• القابلية للملاحظة هي عملية استباقية تعالج "المجاهيل المجهولة". إنها توفر بيانات دقيقة - سجلات، وتتبعات، وأحداث عالية التكرار - ضرورية للتحقيق في المشكلات الجديدة التي لم يتم توقعها أثناء إعداد بيانات التدريب. كما هو موضح في كتاب Google SRE، يُمكّنك النظام القابل للملاحظة من فهم السلوكيات الجديدة دون الحاجة إلى إصدار تعليمات برمجية جديدة. إنها تجيب على السؤال: "لماذا يتصرف النظام بهذه الطريقة؟"

Link to this sectionالركائز الثلاث للقابلية للملاحظة#

لتحقيق قابلية ملاحظة حقيقية في خطوط أنابيب رؤية الحاسوب (CV)، تعتمد الأنظمة عادةً على ثلاثة أنواع رئيسية من بيانات القياس عن بعد:

1. السجلات: سجلات طابع زمني غير قابلة للتغيير لأحداث منفصلة. في خط أنابيب الكشف، قد تلتقط السجلات دقة الصورة المدخلة أو تكوين ضبط المعلمات الفائقة المحدد المستخدم أثناء التشغيل. يسمح التسجيل المنظم، وغالبًا ما يكون بتنسيق JSON، بإجراء استعلامات وتحليلات معقدة.

2. المقاييس: بيانات رقمية مجمعة يتم قياسها بمرور الوقت، مثل متوسط الدقة، أو استهلاك الذاكرة، أو استخدام GPU. تعد أدوات مثل Prometheus و**Grafana** معيارية لتخزين بيانات السلاسل الزمنية هذه لتصور الاتجاهات.

3. التتبعات: يتابع التتبع دورة حياة الطلب أثناء تدفقه عبر خدمات مصغرة مختلفة. بالنسبة لتطبيقات الذكاء الاصطناعي الموزعة، تساعد معايير مثل OpenTelemetry في رسم مسار الطلب، وتسليط الضوء على الاختناقات في محرك الاستدلال أو تأخيرات الشبكة. تساعد أدوات متخصصة مثل Jaeger في تصور هذه المعاملات الموزعة.

Link to this sectionتنفيذ القابلية للملاحظة في Python#

يمكنك تحسين القابلية للملاحظة في خطوط أنابيب التدريب الخاصة بك باستخدام عمليات الاستدعاء لتسجيل حالات داخلية محددة. يوضح المثال التالي كيفية إضافة استدعاء مخصص 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)

Link to this sectionتطبيقات العالم الحقيقي#

تعد القابلية للملاحظة أمرًا بالغ الأهمية لنشر نماذج عالية الأداء في بيئات ديناميكية حيث قد لا تتطابق بيانات الاختبار تمامًا مع ظروف العالم الحقيقي.

• المركبات ذاتية القيادة: في تطوير المركبات ذاتية القيادة، تسمح القابلية للملاحظة للمهندسين بإعادة بناء الحالة الدقيقة للنظام أثناء حدث فك الارتباط. من خلال ربط مخرجات كشف الأشياء بسجلات المستشعرات وأوامر التحكم، يمكن للفرق تحديد ما إذا كان خطأ الكبح ناتجًا عن ضوضاء المستشعر، أو خطأ في تنبؤ النموذج، أو خطأ منطقي في وحدة التخطيط.
• تشخيصات الرعاية الصحية: في مجال الذكاء الاصطناعي في الرعاية الصحية، يعد ضمان الأداء المتسق أمرًا حيويًا لسلامة المرضى. يمكن لأدوات القابلية للملاحظة اكتشاف انحراف البيانات إذا تدهور أداء النموذج عند تطبيقه على صور من نوع جديد من ماسحات التصوير بالرنين المغناطيسي. يمكن أن تكشف التتبعات عما إذا كانت المشكلة تنبع من تغيير في معالجة البيانات للصور أو تحول في توزيع المدخلات، مما يتيح المعالجة السريعة دون المساس بـ سلامة الذكاء الاصطناعي.

Link to this sectionالتكامل مع الأدوات الحديثة#

غالبًا ما تدمج سير العمل الحديثة القابلية للملاحظة مباشرة في منصة التدريب. يستفيد مستخدمو منصة Ultralytics من التصور المدمج لمنحنيات الخسارة، وأداء النظام، وتحليل مجموعات البيانات. بالإضافة إلى ذلك، تسمح عمليات التكامل القياسية مع أدوات مثل TensorBoard و**MLflow** لعلماء البيانات بالحفاظ على تتبع دقيق للتجارب وقابلية الملاحظة عبر دورة حياة النموذج بالكامل.