Gözlemlenebilirliğin Ultralytics YOLO gibi AI/ML sistemlerini nasıl geliştirdiğini keşfedin. Gerçek dünya uygulamalarında içgörü kazanın, performansı optimize edin ve güvenilirlik sağlayın.
Gözlemlenebilirlik, özellikle Yapay Zeka (AI) ve Makine Öğrenimi (ML) dinamik alanında hayati önem taşıyan karmaşık sistemlerin davranışı ve performansı hakkında kritik bilgiler sağlar. Ultralytics YOLO gibi sofistike modellerle çalışan kullanıcılar için, dağıtılan uygulamaların iç durumunu harici çıktıları aracılığıyla anlamak, güvenilirliği korumak, performansı optimize etmek ve güvenilirliği sağlamak için çok önemlidir.
Gözlemlenebilirlik, günlükler, metrikler ve izler gibi çıktılarını inceleyerek bir sistemin iç durumlarını ölçme ve anlama yeteneğidir. Tipik olarak önceden tanımlanmış gösterge tablolarına ve bilinen arıza modlarına (örneğin CPU kullanımı, hata oranları) odaklanan geleneksel izlemenin aksine, gözlemlenebilirlik ekipleri sistem davranışını proaktif olarak keşfetmeye ve geliştirme sırasında öngörülmeyenler de dahil olmak üzere yeni sorunları teşhis etmeye hazırlar. MLOps bağlamında, bir sistemin neden belirli bir şekilde davrandığına dair daha derin sorular sorulmasına olanak tanır; bu da ML model geliştirme ve dağıtımının yinelemeli doğası için çok önemlidir.
Derin öğrenme modellerinin karmaşıklığı ve genellikle "kara kutu" niteliği, gözlemlenebilirliği vazgeçilmez kılmaktadır. Temel nedenler şunlardır:
Birbirleriyle ilişkili olsalar da, gözlemlenebilirlik ve izleme kapsam ve amaç bakımından farklılık gösterir. İzleme, sistem sağlığını bilinen ölçütlere göre takip etmek için önceden tanımlanmış metriklerle ilgili verilerin toplanmasını ve analiz edilmesini içerir. Gözlemlenebilirlik ise veri çıktılarını (loglar, metrikler, izler - genellikle"gözlemlenebilirliğin üç ayağı" olarak adlandırılır) kullanarak daha derin, keşifsel analizler yapılmasını sağlar ve sistem durumlarının, özellikle de beklenmedik durumların arkasındaki 'neden'i anlamanıza olanak tanır. İzlemeyi bir gösterge tablosuna bakmak olarak düşünün, gözlemlenebilirlik ise bu gösterge tablosunda veya başka bir yerde gösterilen herhangi bir anormalliği araştırmak için araçlara sahip olmaktır.
Gözlemlenebilirliğin uygulanması genellikle çeşitli araçların entegre edilmesini gerektirir. Datadog, Grafana ve Prometheus gibi genel amaçlı platformlar, metriklerin ve günlüklerin toplanması ve görselleştirilmesi için yaygın olarak kullanılmaktadır. OpenTelemetry gibi standartlar, araç uygulamalarının izleme verileri oluşturmasına yardımcı olur. Makine öğrenimi alanında, aşağıdaki gibi platformlar Weights & BiasesMLflow ve Ultralytics HUB, deneyleri izlemek, model performansını izlemek ve ML yaşam döngüsünü yönetmek için model izleme ve bakım için temel gözlemlenebilirlik ilkelerini içeren özel özellikler sağlar.