إمكانية المراقبة

تشير قابلية الملاحظة إلى القدرة على فهم الحالة الداخلية لنظام معقد بناءً على مخرجاته الخارجية فقط. في المجالات سريعة التطور مثل الذكاء الاصطناعي (AI) و التعلم الآلي (ML)، تتجاوز قابلية الملاحظة مجرد عمليات التحقق من الحالة لتوفر رؤى عميقة حول سبب تصرف النموذج بطريقة معينة. مع تطور التعلم العميق (DL) الحديثة، مثل YOLO26، يمكن أن تعمل في كثير من الأحيان كـ "صناديق سوداء". توفر أدوات القابلية للمراقبة نافذة شفافة على هذه الأنظمة، مما يسمح لفرق الهندسة بتصحيح الأخطاء غير المتوقعة، وتتبع الأسباب الجذرية للأخطاء، وضمان الموثوقية في بيئات الإنتاج.

القابلية للمراقبة مقابل الرصد

على الرغم من استخدامهما بشكل متبادل في كثير من الأحيان، فإن قابلية المراقبة ومراقبة النموذج مراقبة النموذج تخدم أغراضًا متميزة ولكنها متكاملة ضمن دورة حياة MLOps .

• مراقبة النموذج تفاعلية وتركز على "المجهول المعروف". وهي تتضمن تتبع مقاييس محددة مسبقًا مثل زمن الاستدلال، CPU ، أو معدلات الخطأ مقابل العتبات المحددة. تراقب الإجابة على السؤال: "هل النظام سليم؟"
• القابلية للمراقبة هي عملية استباقية وتعالج "المجهول المجهول". وهي توفر بيانات تفصيلية —سجلات، آثار، وأحداث عالية الأهمية—ضرورية للتحقيق في المشكلات الجديدة التي لم تكن متوقعة أثناء التدريب بيانات التدريب . كما هو موضح في كتابGoogle ، يتيح لك النظام القابل للمراقبة فهم السلوكيات الجديدة دون الحاجة إلى شحن رمز جديد. إنه يجيب على السؤال: "لماذا يتصرف النظام بهذه الطريقة؟"

الركائز الثلاث للمراقبة

لتحقيق قابلية المراقبة الحقيقية في رؤية الكمبيوتر (CV) ، تعتمد الأنظمة عادةً على ثلاثة أنواع أساسية من بيانات القياس عن بُعد:

1. السجلات: سجلات غير قابلة للتغيير ومؤرخة بختم زمني لأحداث منفصلة. في خط أنابيب الكشف، قد يلتقط السجل دقة الصورة المدخلة أو ضبط المعلمات الفائقة المستخدمة أثناء التشغيل. التسجيل المنظم، غالبًا في تنسيق JSON ، يسمح بإجراء استعلامات وتحليلات معقدة.
2. المقاييس: البيانات الرقمية المجمعة التي يتم قياسها على مدار الوقت، مثل متوسط الدقة، واستهلاك الذاكرة، أو GPU . أدوات مثل Prometheus و Grafana هي أدوات قياسية لتخزين هذه البيانات الزمنية المتسلسلة من أجل تصور الاتجاهات.
3. التتبع: يتتبع التتبع دورة حياة الطلب أثناء مروره عبر مختلف الخدمات الصغيرة. بالنسبة لتطبيقات الذكاء الاصطناعي الموزعة، فإن معايير مثل OpenTelemetry تساعد في تحديد مسار الطلب، وتسليط الضوء على أوجه القصور في محرك الاستدلال أو تأخيرات الشبكة . تساعد الأدوات المتخصصة مثل Jaeger تساعد في تصور هذه المعاملات الموزعة.

تنفيذ قابلية المراقبة في Python

يمكنك تحسين قابلية المراقبة في خطوط أنابيب التدريب الخاصة بك باستخدام عمليات الاستدعاء لتسجيل حالات داخلية محددة. يوضح المثال التالي كيفية إضافة عملية استدعاء مخصصة إلى YOLO26 للمراقبة 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 واقعية

تعد قابلية المراقبة أمرًا بالغ الأهمية لنشر نماذج عالية الأداء في بيئات ديناميكية حيث بيانات الاختبار قد لا تتطابق تمامًا مع الظروف الواقعية.

• المركبات ذاتية القيادة: في تطوير المركبات ذاتية القيادة، تتيح قابلية المراقبة للمهندسين إعادة بناء الحالة الدقيقة للنظام أثناء حدث الانفصال. من خلال ربط كشف الأجسام مع سجلات المستشعرات وأوامر التحكم، يمكن للفرق تحديد ما إذا كان خطأ الكبح ناتجًا عن ضوضاء المستشعر أو خطأ في توقع النموذج أو خطأ منطقي في وحدة التخطيط.
• التشخيصات الطبية: في الذكاء الاصطناعي في الرعاية الصحية، يعد ضمان الأداء المتسق أمرًا حيويًا لسلامة المرضى. يمكن لأدوات المراقبة detect انحراف البيانات إذا انخفض أداء النموذج عند تطبيقه على صور من نوع جديد من أجهزة التصوير بالرنين المغناطيسي. يمكن أن تكشف الآثار ما إذا كانت المشكلة ناتجة عن تغيير في بيانات الصورة أو تحول في توزيع المدخلات، مما يتيح إجراء تصحيح سريع دون المساس سلامة الذكاء الاصطناعي.

التكامل مع الأدوات الحديثة

غالبًا ما تدمج سير العمل الحديثة قابلية المراقبة مباشرة في منصة التدريب. مستخدمو Ultralytics من التصور المدمج لمنحنيات الخسارة وأداء النظام وتحليل مجموعات البيانات. بالإضافة إلى ذلك، التكاملات القياسية مع أدوات مثل TensorBoard و MLflow تسمح لعلماء البيانات بالحفاظ على تتبع دقيق للتجارب وقابلية المراقبة طوال دورة حياة النموذج بأكملها.