Observability

تشير المراقبة إلى قدرة فهم الحالة الداخلية لنظام معقد بناءً بشكل حصري على مخرجاته الخارجية. في مجالات Artificial Intelligence (AI) و Machine Learning (ML) المتطورة بسرعة، تتجاوز المراقبة الفحوصات البسيطة للحالة لتوفير رؤى عميقة حول سبب سلوك النموذج بطريقة معينة. مع ازدياد تعقيد بنيات Deep Learning (DL) الحديثة—مثل YOLO26 المتطور—غالبًا ما يمكنها العمل كـ "صناديق سوداء". تنشئ أدوات المراقبة نافذة شفافة على هذه الأنظمة، مما يسمح فرق الهندسة بتصحيح السلوكيات غير المتوقعة، وتتبع الأسباب الجذرية للأخطاء، وضمان الموثوقية في بيئات الإنتاج.

القابلية للملاحظة مقابل المراقبة#

على الرغم من أنه غالباً ما يتم استخدامهما بالتبادل، إلا أن المراقبة و model monitoring تخدمان أغراضًا مميزة ولكنها متكاملة ضمن دورة حياة MLOps.

• Model Monitoring هو إجراء تفاعلي ويركز على "المجاهيل المعروفة". يتضمن تتبع المقاييس المحددة مسبقًا مثل inference latency، أو استخدام وحدة المعالجة المركزية CPU، أو معدلات الأخطاء مقارنةً بالعتبات المحددة. يجيب الرصد على السؤال: "هل النظام في حالة سليمة؟"
• المراقبة استباقية وتتناول "المجاهيل غير المعروفة". توفر البيانات المفصلة—السجلات، والتتبعات، والأحداث عالية الكاردينالية—اللازمة التحقيق في المشكلات الجديدة التي لم تكن متوقعة أثناء إعداد training data. كما هو موضح في Google SRE Book، يمكن للنظام القابل للمراقبة من فهم السلوكيات الجديدة دون إرسال رمز جديد. وهو يجيب على السؤال: "لماذا يتصرف النظام بهذه الطريقة؟"

الركائز الثلاث للقابلية للملاحظة#

لتحقيق مراقبة حقيقية في خطوط أنابيب Computer Vision (CV)، تعتمد الأنظمة عادةً على ثلاثة أنواع أساسية من بيانات القياس عن بعد:

1. Logs: سجلات مختومة زمنياً وغير قابلة للتغيير للأحداث المنفصلة. في خط أنابيب الكشف، قد يلتقط السجل دقة الصورة المدخلة أو تكوين hyperparameter tuning المحدد المستخدم أثناء التشغيل. يتيح التسجيل المنظم، وغالبًا ما يكون بتنسيق JSON، إمكانية الاستعلام والتحليل المعقدين.

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

3. التتبعات: تتبع دورة حياة الطلب أثناء تدفقه عبر مختلف الخدمات المصغرة. بالنسبة لتطبيقات الذكاء الاصطناعي الموزعة، تساعد المعايير مثل OpenTelemetry في تخطيط مسار الطلب، وتسلط الضوء على الاختناقات في inference engine أو تأخيرات الشبكة. تساعد الأدوات المتخصصة مثل Jaeger في تصور هذه المعاملات الموزعة.

تنفيذ القابلية للملاحظة في Python#

يمكنك تحسين المراقبة في خطوط أنابيب التدريب الخاصة بك باستخدام ردود النداء (callbacks) لتسجيل حالات داخلية محددة. يوضح المثال التالي كيفية إضافة رد نداء 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)

تطبيقات العالم الحقيقي#

تعد المراقبة أمرًا بالغ الأهمية لنشر النماذج عالية الأداء في البيئات الديناميكية حيث قد لا تتطابق test data تمامًا مع ظروف العالم الحقيقي.

• المركبات ذاتية القيادة: في تطوير autonomous vehicles، تتيح المراقبة للمهندسين إعادة بناء الحالة الدقيقة للنظام أثناء حدث الانفصال. من خلال ربط مخرجات object detection بسجلات المستشعرات وأوامر التحكم، يمكن للفريق تحديد ما إذا كان خطأ الكبح ناتجًا عن ضوضاء المستشعر، أو خطأ في تنبؤ النموذج، أو خطأ منطقي في وحدة التخطيط.
• تشخيص الرعاية الصحية: في AI in healthcare، يعد ضمان الأداء المتسق أمرًا حيويًا لسلامة المرضى. يمكن لأدوات المراقبة اكتشاف data drift إذا تدهور أداء النموذج عند تطبيقه على صور من نوع جديد من ماسح التصوير بالرنين المغناطيسي. يمكن أن تكشف التتبعات ما إذا كانت المشكلة تنبع من تغيير في data preprocessing للصور أو تحول في توزيع المدخلات، مما يتيح العلاج السريع دون المساس بـ AI safety.

التكامل مع الأدوات الحديثة#

غالبًا ما تدمج سير العمل الحديثة المراقبة مباشرة في منصة التدريب. يستفيد مستخدمو Ultralytics Platform من العرض 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 دارم صارم ومراقبة عبر دورة حياة النموذج بأكملها.