Scalability

تشير القابلية للتوسع إلى قدرة النظام أو الشبكة أو العملية على التعامل مع كمية متزايدة من العمل عن طريق إضافة الموارد. في سياق الذكاء الاصطناعي (AI) وتعلم الآلة (ML)، تصف القابلية للتوسع قدرة النموذج أو البنية التحتية على الحفاظ على مستويات الأداء مع زيادة الطلب. يظهر هذا الطلب عادةً في صورة مجموعات بيانات أكبر أثناء التدريب، أو حركة مرور مستخدمين أعلى أثناء الاستدلال، أو زيادة في تعقيد المهام الحسابية. تسمح البنية القابلة للتوسع بالتوسع السلس—سواء كان ذلك عند نشر نموذج رؤية حاسوبية على جهاز مدمج واحد أو خدمة ملايين طلبات API عبر مجموعات سحابية—مما يضمن بقاء زمن انتقال الاستدلال منخفضاً حتى في ظل الأحمال الثقيلة.

Link to this sectionأهمية القابلية للتوسع في الذكاء الاصطناعي#

يعد التصميم من أجل القابلية للتوسع مكوناً حاسماً لنجاح عمليات تعلم الآلة (MLOps). قد يفشل النموذج الذي يعمل بشكل مثالي في بيئة بحثية محكومة عند تعرضه لتدفقات البيانات عالية السرعة الموجودة في الإنتاج. تتطلب الإدارة الفعالة لـ البيانات الضخمة (Big Data) أنظمة يمكنها التوسع أفقياً (إضافة المزيد من الأجهزة إلى مجموعة) أو عمودياً (إضافة المزيد من القوة، مثل ذاكرة الوصول العشوائي أو GPUs، 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: يسمح التوسع الديناميكي للموارد بالانخفاض أثناء فترات انخفاض الاستخدام، وهي ميزة تُدار غالباً بواسطة منصات الحوسبة السحابية مثل AWS أو Google Cloud.
• المواكبة المستقبلية: تستوعب البنية التحتية القابلة للتوسع خوارزميات أحدث وأكثر تعقيداً، مثل محولات الرؤية (ViT)، دون الحاجة إلى إصلاح شامل للنظام البيئي للأجهزة.

Link to this sectionاستراتيجيات 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 كبيرة جداً بالنسبة لمعالج واحد، يقوم التدريب الموزع بتقسيم عبء العمل عبر وحدات معالجة الرسومات (GPUs) متعددة. تسمح أطر العمل مثل PyTorch Distributed للمطورين بإنشاء حسابات متوازية، مما يقلل بشكل كبير من الوقت المطلوب لتدريب النماذج الأساسية. تعمل أدوات مثل Ultralytics Platform على تبسيط هذه العملية من خلال إدارة موارد التدريب السحابية تلقائياً.
• بنى نماذج فعالة: يعد اختيار بنية النموذج الصحيحة أمراً بالغ الأهمية للإنتاجية. تم تصميم أحدث إصدار من Ultralytics YOLO26 ليكون أصغر وأسرع من سابقاته، مما يجعله قابلاً للتوسع محلياً عبر أجهزة متنوعة، من أجهزة الذكاء الاصطناعي الطرفي (edge AI) إلى مزارع الخوادم الضخمة.
• الحاويات والتنظيم: يضمن تجميع التطبيقات باستخدام Docker تشغيلها باستمرار عبر بيئات مختلفة. لإدارة مجموعات كبيرة من الحاويات، تقوم Kubernetes بأتمتة نشر وتوسيع وإدارة التطبيقات المعبأة في حاويات.
• تحسين النموذج: تقلل تقنيات مثل تكميم النموذج (model quantization) والتقليم (pruning) من البصمة الذاكرية والتكلفة الحسابية للنموذج. يمكن لأدوات مثل NVIDIA TensorRT تسريع سرعات الاستدلال بشكل أكبر، مما يتيح إنتاجية أعلى على الأجهزة الموجودة.

Link to this sectionمثال 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.")

Link to this sectionتطبيقات العالم الحقيقي#

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

• التصنيع الذكي: في مجال الذكاء الاصطناعي في التصنيع، يجب أن تحلل أنظمة الفحص الآلي آلاف المكونات في الساعة على خطوط التجميع عالية السرعة. يضمن نظام اكتشاف الأشياء (object detection) القابل للتوسع أنه مع زيادة سرعات الإنتاج، تحافظ عملية مراقبة الجودة على دقة عالية دون أن تصبح عنق زجاجة.
• محركات التوصية بالتجزئة: تستخدم منصات التجارة الإلكترونية الكبرى أنظمة التوصية لتقديم ملايين الاقتراحات المخصصة للمنتجات فوراً. تسمح البنية التحتية القابلة للتوسع لهذه المنصات بالتعامل مع أحداث ضخمة مثل الجمعة السوداء، حيث يمكن أن ترتفع حركة المرور بمقدار 100 ضعف، عن طريق توفير عقد خادم إضافية ديناميكياً عبر Microsoft Azure أو مزودين مشابهين.

Link to this sectionالقابلية للتوسع مقابل المفاهيم ذات الصلة#

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

• القابلية للتوسع مقابل الأداء: يشير الأداء عادةً إلى مدى سرعة أو دقة النظام في لحظة معينة (على سبيل المثال، عدد الإطارات في الثانية). تصف القابلية للتوسع 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).
• القابلية للتوسع مقابل المرونة: تسمح المرونة للنظام بالتعامل مع أنواع مختلفة من المهام، مثل YOLO11 الذي يتعامل مع الاكتشاف والتجزئة وتقدير الوضعية. تركز القابلية للتوسع تحديداً على التعامل مع المزيد من نفس المهمة.