Khám phá cách khả năng quan sát nâng cao các hệ thống AI/ML như Ultralytics YOLO . Nhận thông tin chi tiết, tối ưu hóa hiệu suất và đảm bảo độ tin cậy trong các ứng dụng thực tế.
Khả năng quan sát cung cấp những hiểu biết quan trọng về hành vi và hiệu suất của các hệ thống phức tạp, đặc biệt quan trọng trong lĩnh vực năng động của Trí tuệ nhân tạo (AI) và Học máy (ML) . Đối với người dùng làm việc với các mô hình phức tạp như Ultralytics YOLO , việc hiểu trạng thái bên trong của các ứng dụng được triển khai thông qua đầu ra bên ngoài của chúng là chìa khóa để duy trì độ tin cậy, tối ưu hóa hiệu suất và đảm bảo sự đáng tin cậy.
Khả năng quan sát là khả năng đo lường và hiểu các trạng thái bên trong của hệ thống bằng cách kiểm tra các đầu ra của nó, chẳng hạn như nhật ký, số liệu và dấu vết. Không giống như giám sát truyền thống, thường tập trung vào các bảng điều khiển được xác định trước và các chế độ lỗi đã biết (ví dụ: CPU sử dụng, tỷ lệ lỗi), khả năng quan sát giúp các nhóm chủ động khám phá hành vi của hệ thống và chẩn đoán các vấn đề mới—kể cả những vấn đề không lường trước được trong quá trình phát triển. Trong bối cảnh của MLOps , nó cho phép đặt ra những câu hỏi sâu hơn về lý do tại sao một hệ thống lại hoạt động theo một cách nhất định, điều này rất quan trọng đối với bản chất lặp đi lặp lại của quá trình phát triển và triển khai mô hình ML.
Tính phức tạp và bản chất "hộp đen" thường thấy của các mô hình học sâu khiến khả năng quan sát trở nên không thể thiếu. Các lý do chính bao gồm:
Mặc dù có liên quan, khả năng quan sát và giám sát khác nhau về phạm vi và mục đích. Giám sát bao gồm việc thu thập và phân tích dữ liệu về các số liệu được xác định trước để theo dõi tình trạng hệ thống so với các điểm chuẩn đã biết. Tuy nhiên, khả năng quan sát sử dụng các đầu ra dữ liệu (nhật ký, số liệu, dấu vết – thường được gọi là " ba trụ cột của khả năng quan sát ") để cho phép phân tích khám phá sâu hơn, cho phép bạn hiểu 'lý do' đằng sau các trạng thái hệ thống, đặc biệt là những trạng thái không mong muốn. Hãy nghĩ về giám sát như việc xem bảng điều khiển, trong khi khả năng quan sát là có các công cụ để điều tra bất kỳ bất thường nào được hiển thị trên bảng điều khiển đó hoặc ở nơi khác.
Việc triển khai khả năng quan sát thường liên quan đến việc tích hợp nhiều công cụ khác nhau. Các nền tảng đa năng như Datadog , Grafana và Prometheus được sử dụng rộng rãi để thu thập và trực quan hóa số liệu và nhật ký. Các tiêu chuẩn như OpenTelemetry giúp các ứng dụng công cụ tạo dữ liệu theo dõi. Trong không gian ML, các nền tảng như Weights & Biases , MLflow và Ultralytics HUB cung cấp các tính năng chuyên biệt để theo dõi các thí nghiệm, giám sát hiệu suất mô hình và quản lý vòng đời ML, kết hợp các nguyên tắc quan sát chính để giám sát và bảo trì mô hình .