Scalability

تشير قابلية التوسع إلى قدرة النظام أو الشبكة أو العملية على التعامل مع كمية متزايدة من العمل عن طريق إضافة الموارد. في سياق Artificial Intelligence (AI) و Machine Learning (ML)، توصف قابلية التوسع بأنها قدرة النموذج أو البنية التحتية على الحفاظ على مستويات الأداء مع زيادة الطلب. عادةً ما يظهر هذا الطلب في صورة مجموعات بيانات أكبر أثناء التدريب، أو حركة مرور أعلى للمستخدمين أثناء الاستدلال، أو تعقيد متزايد في المهام الحسابية. تتيح البنية القابلة للتوسع إمكانية التوسع السلس—سواء أكان نشر نموذج computer vision على جهاز مدمج واحد أم خدمة ملايين طلبات API عبر مجموعات السحابة—مما يضمن بقاء inference latency منخفضاً حتى في ظل الأحمال الثقيلة.

أهمية القابلية للتوسع في الذكاء الاصطناعي#

يُعد التصميم من أجل قابلية التوسع عنصراً حاسماً لنجاح Machine Learning Operations (MLOps). النموذج الذي يعمل بشكل مثالي في بيئة بحثية خاضعة للرقابة قد يفشل عند تعرضه لتدفقات البيانات عالية السرعة الموجودة في بيئة الإنتاج. تتطلب الإدارة الفعالة لـ Big Data أنظمة قادرة على التوسع أفقياً (إضافة المزيد من الأجهزة إلى مجموعة) أو عمودياً (إضافة المزيد من القوة، مثل الذاكرة العشوائية أو وحدات GPU، إلى الأجهزة الموجودة).

تشمل المزايا الرئيسية لأنظمة الذكاء الاصطناعي القابلة للتوسع ما يلي:

• الموثوقية: تضمن الأنظمة القابلة للتوسع توافر الخدمة بشكل ثابت أثناء طفرات حركة المرور غير المتوقعة، مما يمنع حدوث أعطال في التطبيقات الحرجة.
• كفاءة التكلفة: يتيح التوسع الديناميكي للموارد إمكانية التقليص أثناء فترات الاستخدام المنخفض، وهي ميزة غالباً ما تتم إدارتها بواسطة منصات cloud computing مثل AWS أو Google Cloud.
• إعداد النظام للمستقبل: تستوعب البنية التحتية القابلة للتوسع الخوارزميات الأحدث والأكثر تعقيداً، مثل vision transformers (ViT)، دون الحاجة إلى إصلاح شامل للنظام البيئي للأجهزة.

استراتيجيات تحقيق القابلية للتوسع#

يتضمن إنشاء حلول ذكاء اصطناعي قابلة للتوسع تحسين كل من بنية النموذج وبنية النشر التحتية.

• التدريب الموزع: عندما تصبح مجموعات بيانات التدريب أكبر من أن يتعامل معها معالج واحد، يقسّم distributed training عبء العمل عبر عدة Graphics Processing Units (GPUs). تتيح أطر العمل مثل PyTorch Distributed للمطورين إجراء الحسابات بالتوازي، مما يقلل بشكل كبير من الوقت, المطلوبة لتدريب النماذج الأساسية. تعمل الأدوات مثل Ultralytics Platform على تبسيط هذه العملية من خلال إدارة موارد التدريب السحابية تلقائياً.
• هندسات النماذج الفعالة: يُعد اختيار بنية النموذج المناسبة أمراً بالغ الأهمية لإنتاجية النظام. تم تصميم أحدث إصدار من Ultralytics YOLO26 ليكون أصغر وأسرع من سابقيه، مما يجعله قابلاً للتوسع بشكل أصلي عبر مختلف الأجهزة، بدءاً من أجهزة edge AI وصولاً إلى مزارع الخوادم الضخمة.
• الحاويات والتنسيق: يضمن تجميع التطبيقات باستخدام Docker تشغيلها بشكل متسق عبر مختلف البيئات. ولإدارة مجموعات كبيرة من الحاويات، يعمل Kubernetes على أتمتة نشر التطبيقات المعبأة في حاويات وتوسيع نطاقها وإدارتها.
• تحسين النموذج: تقلل تقنيات مثل model quantization و pruning من بصمة الذاكرة والتكلفة الحسابية للنموذج. يمكن لأدوات مثل NVIDIA TensorRT تسريع سرعات الاستدلال بشكل أكبر، مما يتيح إنتاجية أعلى على الأجهزة الحالية.

مثال برمجي: الاستدلال بالدفعة القابل للتوسع#

تعد معالجة المدخلات على دفعات بدلاً من معالجتها تسلسلياً إحدى الطرق الفعالة لتحسين القابلية للتوسع أثناء الاستدلال. وهذا يزيد من استخدام GPU ويحسن الإنتاجية الإجمالية.

from ultralytics import YOLO

# Load a scalable YOLO26 model (smaller 'n' version for speed)
model = YOLO("yolo26n.pt")

# Define a batch of images (URLs or local paths)
# Processing multiple images at once leverages parallel computation
batch_images = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]

# Run inference on the batch
results = model(batch_images)

# Print the number of detections for the first image
print(f"Detected {len(results[0].boxes)} objects in the first image.")

تطبيقات العالم الحقيقي#

تمكن القابلية للتوسع تقنيات الذكاء الاصطناعي من الانتقال من البحوث النظرية إلى الأدوات الصناعية العالمية.

• التصنيع الذكي: في مجال AI in manufacturing، يجب أن تحلل أنظمة الفحص الآلي آلاف المكونات في الساعة على خطوط التجميع عالية السرعة. يضمن نظام object detection القابل للتوسع أنه مع زيادة سرعات الإنتاج، تحافظ عملية مراقبة الجودة على accuracy عالية دون أن تصبح عنق زجاجة.
• محركات التوصيات في قطاع التجزئة: تستخدم منصات التجارة الإلكترونية الكبرى recommendation systems لتقديم ملايين اقتراحات المنتجات المخصصة فوراً. تتيح البنية التحتية القابلة للتوسع لهذه المنصات التعامل مع الأحداث الضخمة مثل الجمعة السوداء، حيث يمكن أن ترتفع حركة المرور بمقدار 100 ضعف، عن طريق توفير عقد خوادم إضافية ديناميكياً عبر Microsoft Azure أو موفرين مشابهين.

القابلية للتوسع مقابل المفاهيم ذات الصلة#

على الرغم من استخدامهما بالتبادل بشكل متكرر، فإن القابلية للتوسع تختلف عن الأداء والكفاءة.

• قابلية التوسع مقابل الأداء: يشير Performance عادةً إلى مدى سرعة أو دقة النظام في لحظة محددة (مثل الإطارات في الثانية). وتصف قابلية التوسع قدرة النظام على الحفاظ على هذا الأداء مع زيادة عبء العمل.
• القابلية للتوسع مقابل الكفاءة: تقيس الكفاءة الموارد المستخدمة لإكمال مهمة محددة (على سبيل المثال، استهلاك الطاقة لكل استدلال). يمكن أن يكون النظام فعالاً ولكن ليس قابلاً للتوسع (إذا كان لا يستطيع التعامل مع مهام متوازية)، أو قابلاً للتوسع ولكنه غير فعال (إذا كان يستخدم موارد مفرطة للتعامل مع النمو).
• قابلية التوسع مقابل المرونة: تتيح المرونة للنظام التعامل مع أنواع مختلفة من المهام، مثل YOLO11 الذي يتعامل مع الاكتشاف والتجزئة وتقدير الوضعية. وتركز قابلية التوسع بشكل خاص على التعامل مع المزيد من نفس المهمة.