Scalability

تشير قابلية التوسع إلى قدرة نظام أو شبكة أو عملية على التعامل مع حجم متزايد من العمل من خلال إضافة الموارد. وفي سياق الذكاء الاصطناعي (AI) وتعلم الآلة (ML)، تصف قابلية التوسع قدرة النموذج أو البنية التحتية على الحفاظ على مستويات الأداء مع زيادة الطلب. ويتجلى هذا الطلب عادةً في مجموعات بيانات أكبر أثناء التدريب، أو ارتفاع حركة المستخدمين أثناء الاستدلال، أو زيادة التعقيد في المهام الحسابية. وتتيح البنية القابلة للتوسع توسعًا سلسًا—سواء عند نشر نموذج الرؤية الحاسوبية على جهاز مضمّن واحد أو تقديم ملايين طلبات API عبر عناقيد سحابية—مع ضمان بقاء زمن استجابة الاستدلال منخفضًا حتى في ظل الأحمال المرتفعة.

أهمية قابلية التوسع في الذكاء الاصطناعي#

يُعد التصميم مع مراعاة قابلية التوسع مكوّنًا أساسيًا لنجاح عمليات تعلم الآلة (MLOps). فقد يعمل نموذج بصورة مثالية في بيئة بحثية خاضعة للرقابة، لكنه قد يفشل عند تعريضه لتدفقات البيانات عالية السرعة الموجودة في بيئة الإنتاج. وتتطلب إدارة البيانات الضخمة بفعالية أنظمة يمكنها التوسع أفقيًا (إضافة المزيد من الأجهزة إلى عنقود) أو رأسيًا (إضافة مزيد من القدرة، مثل RAM أو GPUs، إلى الأجهزة الموجودة).

تشمل المزايا الرئيسية لأنظمة الذكاء الاصطناعي القابلة للتوسع ما يلي:

• الموثوقية: تضمن الأنظمة القابلة للتوسع استمرارية الخدمة بصورة متسقة أثناء الارتفاعات المفاجئة وغير المتوقعة في حركة المرور، مما يمنع تعطل التطبيقات الحيوية.
• الكفاءة من حيث التكلفة: يتيح التوسع الديناميكي تقليص الموارد خلال فترات انخفاض الاستخدام، وهي ميزة تديرها غالبًا منصات الحوسبة السحابية مثل AWS أو Google Cloud.
• الاستعداد للمستقبل: تستوعب البنية التحتية القابلة للتوسع الخوارزميات الأحدث والأكثر تعقيدًا، مثل محولات الرؤية (ViT)، من دون الحاجة إلى إعادة تصميم منظومة الأجهزة بالكامل.

استراتيجيات تحقيق قابلية التوسع#

يتطلب إنشاء حلول ذكاء اصطناعي قابلة للتوسع تحسين كلٍّ من بنية النموذج والبنية التحتية للنشر.

• التدريب الموزع: عندما تصبح مجموعات بيانات التدريب كبيرة جدًا بحيث لا يستطيع معالج واحد التعامل معها، يعمل التدريب الموزع على تقسيم عبء العمل عبر عدة وحدات معالجة الرسومات (GPUs). وتتيح أطر العمل مثل PyTorch Distributed للمطورين إجراء الحسابات بالتوازي، مما يقلل بدرجة كبيرة الوقت المطلوب لتدريب النماذج الأساسية. وتبسط أدوات مثل منصة Ultralytics هذه العملية من خلال إدارة موارد التدريب السحابية تلقائيًا.
• بنى النماذج الفعّالة: يُعد اختيار بنية النموذج المناسبة أمرًا بالغ الأهمية لتحقيق معدل معالجة مرتفع. وقد صُمم Ultralytics YOLO26 الأحدث ليكون أصغر وأسرع من سابقاته، مما يجعله قابلًا للتوسع أصلاً عبر مجموعة متنوعة من الأجهزة، بدءًا من أجهزة الذكاء الاصطناعي الطرفي وصولًا إلى مزارع الخوادم الضخمة.
• الحاويات والتنسيق: يضمن تغليف التطبيقات باستخدام Docker تشغيلها بصورة متسقة عبر البيئات المختلفة. ولإدارة العناقيد الكبيرة من الحاويات، تعمل Kubernetes على أتمتة نشر التطبيقات الموجودة داخل الحاويات وتوسيعها وإدارتها.
• تحسين النموذج: تقلل تقنيات مثل تكميم النموذج والتقليم من البصمة الذاكرية للنموذج وتكلفته الحسابية. ويمكن لأدوات مثل NVIDIA TensorRT تسريع سرعات الاستدلال بدرجة أكبر، مما يتيح تحقيق معدل معالجة أعلى على الأجهزة الموجودة.

مثال على التعليمات البرمجية: الاستدلال الدفعِي القابل للتوسع#

تتمثل إحدى الطرق الفعّالة لتحسين قابلية التوسع أثناء الاستدلال في معالجة المدخلات على دفعات بدلًا من معالجتها بالتتابع. ويؤدي ذلك إلى زيادة الاستفادة من GPU ورفع معدل المعالجة الإجمالي.

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.")

التطبيقات الواقعية#

تُمكّن قابلية التوسع تقنيات الذكاء الاصطناعي من الانتقال من البحث النظري إلى أدوات صناعية عالمية.

• التصنيع الذكي: في مجال الذكاء الاصطناعي في التصنيع، يجب أن تحلل أنظمة الفحص الآلية آلاف المكوّنات في الساعة على خطوط التجميع عالية السرعة. ويضمن نظام قابل للتوسع لاكتشاف الأجسام أن تحافظ عملية مراقبة الجودة على مستوى عالٍ من الدقة مع زيادة سرعات الإنتاج، من دون أن تصبح عنق زجاجة.
• محركات التوصية في قطاع التجزئة: تستخدم منصات التجارة الإلكترونية الكبرى أنظمة التوصية لتقديم ملايين الاقتراحات الشخصية للمنتجات فورًا. وتتيح البنية التحتية القابلة للتوسع لهذه المنصات التعامل مع فعاليات ضخمة مثل الجمعة السوداء، حيث قد ترتفع حركة المرور بمقدار 100 ضعف، من خلال توفير عُقد خوادم إضافية ديناميكيًا عبر Microsoft Azure أو مزودين مماثلين.

قابلية التوسع مقارنةً بالمفاهيم ذات الصلة#

رغم استخدام قابلية التوسع والأداء والكفاءة بصورة متبادلة في كثير من الأحيان، فإنها مفاهيم متميزة.

• قابلية التوسع مقارنةً بالأداء: يشير الأداء عادةً إلى مدى سرعة النظام أو دقته في لحظة معينة (مثل عدد الإطارات في الثانية). أما قابلية التوسع فتصف قدرة النظام على الحفاظ على ذلك الأداء مع زيادة عبء العمل.
• قابلية التوسع مقارنةً بالكفاءة: تقيس الكفاءة الموارد المستخدمة لإكمال مهمة محددة (مثل استهلاك الطاقة لكل عملية استدلال). وقد يكون النظام فعّالًا لكنه غير قابل للتوسع (إذا لم يتمكن من التعامل مع المهام المتوازية)، أو قابلًا للتوسع لكنه غير فعّال (إذا استخدم موارد مفرطة للتعامل مع النمو).
• قابلية التوسع مقارنةً بالمرونة: تتيح المرونة للنظام التعامل مع أنواع مختلفة من المهام، مثل تعامل YOLO11 مع اكتشاف الأجسام والتجزئة وتقدير الوضعية. بينما تركز قابلية التوسع تحديدًا على التعامل مع عدد أكبر من المهمة نفسها.