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 nội bộ của các ứng dụng được triển khai thông qua các đầu ra bên ngoài của chúng là chìa khóa để duy trì độ tin cậy, tối ưu hóa hiệu suất và đảm bảo độ tin cậy trong các ứng dụng thực tế . Nó giúp thu hẹp khoảng cách giữa phát triển mô hình và thành công trong hoạt động.
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 bảng thông tin được xác định trước và các chế độ lỗi đã biết (ví dụ: mức sử dụng CPU , tỷ lệ lỗi), khả năng quan sát trang bị cho các nhóm khả năng chủ động khám phá hành vi của hệ thống và chẩn đoán các vấn đề mới, ngay cả những vấn đề không lường trước được trong quá trình phát triển. Trong bối cảnh của MLOps (Hoạt động học máy) , khả năng quan sát cho phép đặt 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. Đó là về việc có được khả năng hiển thị vào các hệ thống phức tạp, bao gồm các mô hình học sâu .
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 (ví dụ: theo dõi điểm mAP của mô hình phát hiện đối tượng đã triển khai). Nó trả lời các câu hỏi như "Hệ thống có hoạt động không?" hoặc "Tỷ lệ lỗi có dưới X không?". Giám sát mô hình là một loại giám sát cụ thể tập trung vào các mô hình ML trong sản xuất.
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. Nó 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 việc giám sát như việc xem bảng điều khiển báo cáo các vấn đề đã biết, trong khi khả năng quan sát cung cấp các công cụ (như truy vấn nhật ký hoặc theo dõi yêu cầu) để điều tra bất kỳ bất thường nào, đã biết hoặc chưa biết. Nó tạo điều kiện cho việc gỡ lỗi các hệ thống phức tạp .
Khả năng quan sát dựa vào ba loại dữ liệu đo từ xa chính:
Các hoạt động thực hành khả năng quan sát rất quan trọng trong việc triển khai AI/ML phức tạp:
Việc triển khai khả năng quan sát thường liên quan đến các công cụ và nền tảng chuyên dụng. Các giải pháp nguồn mở như Prometheus (số liệu), Grafana (hình ảnh hóa), Loki (nhật ký) và Jaeger hoặc Zipkin (theo dõi) rất phổ biến. OpenTelemetry cung cấp một tiêu chuẩn trung lập với nhà cung cấp cho công cụ đo lường. Các nền tảng thương mại như Datadog , New Relic và Dynatrace cung cấp các giải pháp tích hợp. Các nền tảng MLOps như MLflow , Weights & Biases và ClearML thường bao gồm các tính năng để theo dõi các thí nghiệm và giám sát các mô hình, góp phần vào khả năng quan sát toàn bộ hệ thống. Ultralytics HUB tạo điều kiện quản lý các lần chạy đào tạo, tập dữ liệu và các mô hình đã triển khai, tích hợp với các công cụ như TensorBoard để trực quan hóa số liệu, đây là một khía cạnh quan trọng của khả năng quan sát trong giai đoạn đào tạo mô hình .
VI
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
TR
