تصميم للمراقبة
كجزء من بنية عمليات التعلم الآلي (MLOps)، يجب أن تفكر في كيفية مراقبة حل التعلم الآلي الخاص بك.
المراقبة مفيدة في أي بيئة MLOps. ستحتاج إلى مراقبة النموذج والبيانات والبنية الأساسية لجمع المقاييس التي تساعدك على اتخاذ قرار بشأن أي خطوات تالية ضرورية.
مراقبة النموذج
الأكثر شيوعا، تريد مراقبة أداء النموذج الخاص بك. أثناء التطوير، يمكنك استخدام MLflow لتدريب نماذج التعلم الآلي وتتبعها. اعتمادا على النموذج الذي تقوم بتدريبه، هناك مقاييس مختلفة يمكنك استخدامها لتقييم ما إذا كان النموذج يعمل كما هو متوقع.
لمراقبة نموذج في الإنتاج، يمكنك استخدام النموذج المدرب لإنشاء تنبؤات على مجموعة فرعية صغيرة من البيانات الواردة الجديدة. من خلال إنشاء مقاييس الأداء على بيانات الاختبار هذه، يمكنك التحقق مما إذا كان النموذج لا يزال يحقق هدفه.
بالإضافة إلى ذلك، قد ترغب أيضا في مراقبة أي مشكلات في الذكاء الاصطناعي المسؤول (الذكاء الاصطناعي). على سبيل المثال، ما إذا كان النموذج يقوم بتنبؤات عادلة.
قبل أن تتمكن من مراقبة نموذج، من المهم تحديد مقاييس الأداء التي تريد مراقبتها وما هو المعيار لكل مقياس. متى يجب تنبيهك بأن النموذج لم يعد دقيقا؟
مراقبة البيانات
عادة ما تقوم بتدريب نموذج التعلم الآلي باستخدام مجموعة بيانات تاريخية تمثل البيانات الجديدة التي يتلقاها نموذجك عند نشرها. ومع ذلك، قد تكون هناك اتجاهات تعمل على تغيير ملف تعريف البيانات، ما يجعل نموذجك أقل دقة بمرور الوقت.
فعلى سبيل المثال، افترض أن نموذجاً ما تم تدريبه على توقع كمية الوقود المستهلكة المتوقعة لمسافة تقطعها سيارة بناءً على عدد الأسطوانات، وحجم المحرك، والوزن، والميزات الأخرى. ومع مرور الوقت، ومع تقدم تقنيات تصنيع السيارات والمحرك، قد تتحسن كفاءة استهلاك الوقود النموذجية للمركبات تحسنا كبيرا؛ جعل تنبؤات النموذج المدربة على البيانات القديمة أقل دقة.
يعرف هذا التغيير في ملفات تعريف البيانات بين البيانات الحالية وبيانات التدريب باسم انحراف البيانات، ويمكن أن يكون مشكلة كبيرة للنماذج التنبؤية المستخدمة في الإنتاج. لذلك من المهم أن تكون قادرا على مراقبة انحراف البيانات بمرور الوقت، وإعادة تدريب النماذج كما هو مطلوب للحفاظ على الدقة التنبؤية.
مراقبة البنية الأساسية
بجانب مراقبة النموذج والبيانات، يجب عليك أيضا مراقبة البنية الأساسية لتقليل التكلفة وتحسين الأداء.
طوال دورة حياة التعلم الآلي، يمكنك استخدام الحوسبة لتدريب النماذج ونشرها. مع مشاريع التعلم الآلي في السحابة، قد تكون الحوسبة واحدة من أكبر نفقاتك. لذلك تريد مراقبة ما إذا كنت تستخدم الحساب الخاص بك بكفاءة.
على سبيل المثال، يمكنك مراقبة استخدام الحساب لحسابك أثناء التدريب وأثناء النشر. من خلال مراجعة استخدام الحوسبة، تعرف ما إذا كان يمكنك تقليل الحوسبة المقدمة، أو ما إذا كنت بحاجة إلى التوسع لتجنب قيود السعة.
تلميح
تعرف على المزيد حول مراقبة مساحة عمل Azure التعلم الآلي ومواردها.