Sözlük

Gözlemlenebilirlik

Gözlemlenebilirliğin Ultralytics YOLO gibi AI/ML sistemlerini nasıl geliştirdiğini keşfedin. Gerçek dünya uygulamalarında içgörü kazanın, performansı optimize edin ve güvenilirlik sağlayın.

YOLO modellerini Ultralytics HUB ile basitçe
eğitin

Daha fazla bilgi edinin

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 Nedir?

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.

YZ/ML'de Gözlemlenebilirlik Neden Önemlidir?

Derin öğrenme modellerinin karmaşıklığı ve genellikle "kara kutu" niteliği, gözlemlenebilirliği vazgeçilmez kılmaktadır. Temel nedenler şunlardır:

  • Karmaşık Sorunlarda Hata Ayıklama: İnce performans düşüşlerinin veya aşağıdaki gibi modellerdeki beklenmedik tahminlerin temel nedenini belirleme Ultralytics YOLOv8.
  • Veri ve Kavram Kaymalarını Tespit Etme: Veri dağılımlarındaki kaymaları(Veri Kayması) veya modelin öğrendiği temel kavramlardaki değişiklikleri tespit etmek için model girdilerini ve çıktılarını izlemek doğruluğu düşürebilir.
  • Performans Optimizasyonu: Çıkarım hattındaki darboğazları veya eğitim ve çıkarım sırasında kaynak kullanımını anlama.
  • Güvenilirlik ve Sağlamlığın Sağlanması: Modellerin üretim ortamlarında beklendiği gibi performans gösterdiğini sürekli olarak doğrulamak, otonom araçlar veya tıbbi görüntü analizindeki uygulamalar için çok önemlidir.
  • Güven ve Açıklanabilirlik Oluşturma: Model davranışı hakkında içgörü sağlamak, Açıklanabilir Yapay Zeka (XAI) çabalarına katkıda bulunmak.

Gözlenebilirlik ve İzleme

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.

Gerçek Dünya Uygulamaları

  1. Nesne Algılama Hatalarını Teşhis Etme: Perakende raf izleme için kullanılan bir nesne algılama modeli Ultralytics YOLO11 aniden öğeleri kaçırmaya başlar. Gözlenebilirlik araçları, görüntü parlaklığındaki değişiklikleri (giriş verilerinin kayması) gösteren ölçümleri, daha düşük güven puanlarını gösteren günlüklerle ilişkilendirerek, çevresel değişiklikleri (örneğin, yeni mağaza aydınlatması) neden olarak belirler ve yeniden eğitim veya veri artırma stratejilerine rehberlik eder.
  2. Öneri Sistemlerinin İyileştirilmesi: Bir akış hizmeti, kullanıcı isteklerini öneri motoru aracılığıyla izlemek için gözlemlenebilirliği kullanır. Belirli kullanıcı segmentleri için gecikme süresinin (metrikler) arttığını fark ederler. İzler, özellik alma sırasında belirli bir mikro hizmette bir darboğaz olduğunu ortaya çıkarır. Günlükler, bu hizmet için daha yüksek hata oranlarını doğrulayarak kullanıcı deneyimini iyileştirmek için hedeflenen optimizasyon çabalarına rehberlik eder.

Araçlar ve Platformlar

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.

Tümünü okuyun