اكتشف كيف تعزز إمكانية الملاحظة أنظمة الذكاء الاصطناعي/التعلم الآلي مثل Ultralytics YOLO . اكتساب الرؤى وتحسين الأداء وضمان الموثوقية في تطبيقات العالم الحقيقي.
توفر قابلية الملاحظة رؤى حاسمة في سلوك وأداء الأنظمة المعقدة، وهو أمر حيوي بشكل خاص في المجال الديناميكي للذكاء الاصطناعي (AI) والتعلم الآلي (ML). بالنسبة للمستخدمين الذين يعملون مع نماذج متطورة مثل Ultralytics YOLOفإن فهم الحالة الداخلية للتطبيقات التي تم نشرها من خلال مخرجاتها الخارجية هو المفتاح للحفاظ على الموثوقية وتحسين الأداء وضمان الجدارة بالثقة في تطبيقات العالم الحقيقي. فهو يساعد على سد الفجوة بين تطوير النموذج والنجاح التشغيلي.
قابلية المراقبة هي القدرة على قياس وفهم الحالات الداخلية للنظام من خلال فحص مخرجاته، مثل السجلات والمقاييس والتتبعات. على عكس المراقبة التقليدية، والتي تركز عادةً على لوحات المعلومات المحددة مسبقًا وأنماط الفشل المعروفة (على سبيل المثال, CPU استخدام وحدة المعالجة المركزية ومعدلات الخطأ)، فإن إمكانية المراقبة تزوّد الفرق باستكشاف سلوك النظام بشكل استباقي وتشخيص المشكلات الجديدة - حتى تلك التي لم تكن متوقعة أثناء التطوير. في سياق عمليات التعلّم الآلي (MLOps)، تسمح بطرح أسئلة أعمق حول سبب تصرف النظام بطريقة معينة، وهو أمر بالغ الأهمية للطبيعة التكرارية لتطوير نموذج التعلّم الآلي ونشره. يتعلق الأمر باكتساب رؤية واضحة للأنظمة المعقدة، بما في ذلك نماذج التعلم العميق.
إن التعقيد وطبيعة "الصندوق الأسود" لنماذج التعلُّم العميق التي غالبًا ما تكون "صندوقًا أسود" تجعل من إمكانية الملاحظة أمرًا لا غنى عنه. تشمل الأسباب الرئيسية ما يلي:
على الرغم من ارتباطهما ببعضهما البعض، إلا أن المراقبة والرصد يختلفان في النطاق والغرض. تتضمن المراقبة جمع وتحليل البيانات حول مقاييس محددة مسبقًا لتتبع صحة النظام مقابل معايير معروفة (على سبيل المثال، تتبع درجة mAP لنموذج اكتشاف الكائنات المنشورة). وهي تجيب على أسئلة مثل "هل النظام يعمل؟" أو "هل معدل الخطأ أقل من X؟ مراقبة النموذج هو نوع محدد من المراقبة يركز على نماذج تعلّم الآلة في الإنتاج.
ومع ذلك، تستخدم قابلية الملاحظة مخرجات البيانات (السجلات، والمقاييس، والتتبعات - غالبًا ما يطلق عليها"الركائز الثلاث لقابلية الملاحظة") لتمكين التحليل الاستكشافي الأعمق. فهي تسمح لك بفهم "السبب" وراء حالات النظام، خاصة غير المتوقعة منها. فكّر في المراقبة على أنها النظر إلى لوحة معلومات تُبلغ عن المشكلات المعروفة، بينما توفر إمكانية المراقبة الأدوات (مثل الاستعلام عن السجلات أو تتبع الطلبات) للتحقيق في أي حالة شاذة، معروفة أو غير معروفة. وهي تسهل تصحيح أخطاء الأنظمة المعقدة.
تعتمد إمكانية المراقبة على ثلاثة أنواع أساسية من بيانات القياس عن بُعد:
تعتبر ممارسات المراقبة ضرورية في عمليات نشر الذكاء الاصطناعي/التعلم الآلي المتطورة:
غالبًا ما يتضمن تطبيق إمكانية المراقبة أدوات ومنصات متخصصة. تعتبر الحلول مفتوحة المصدر مثل Prometheus (المقاييس) و Grafana (التصور) و Loki (السجلات) و Jaeger أو Zipkin (التتبع) شائعة. ويوفر OpenTelemetry معيارًا محايدًا للبائعين للأجهزة. تقدم المنصات التجارية مثل Datadog وNew Relic وDynatrace حلولاً متكاملة. منصات MLOPS مثل MLflow, Weights & Biasesو ClearML غالبًا ما تتضمن ميزات لتتبع التجارب ومراقبة النماذج، مما يساهم في إمكانية مراقبة النظام بشكل عام. تسهّل منصةUltralytics HUB إدارة عمليات التدريب ومجموعات البيانات والنماذج المنشورة، وتتكامل مع أدوات مثل TensorBoard لتصور المقاييس، وهو جانب أساسي من جوانب إمكانية المراقبة أثناء مرحلة تدريب النموذج.
AR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
TR
VI
