ما استدلال الذكاء الاصطناعي؟ العملية الكامنة وراء كل مخرجات الذكاء الاصطناعي
Markdownتعرّف على استدلال الذكاء الاصطناعي، وكيف تولّد النماذج المدرّبة تنبؤات آنية، ولماذا يهم كلٌّ من زمن الاستجابة والتكلفة وقابلية التوسع عند بناء تطبيقات الذكاء الاصطناعي.
في كل مرة يُنشئ فيها تطبيق ذكاء اصطناعي إجابة أو يكتشف معاملة احتيالية، فإنه ينفّذ الاستدلال. يستقبل النموذج المدرّب بيانات جديدة ويمررها عبر طبقات من المعلمات المتعلَّمة لإنتاج مخرج. يحدث ذلك في أجزاء من الثانية، وغالبًا ملايين المرات يوميًا. لكن لهذه السرعة تكلفة. فكل طلب استدلال يتطلب قدرة حوسبة على GPU ونطاقًا تردديًا للذاكرة يتزايدان مع حجم النموذج وحجم حركة المرور. وتُحبط الارتفاعات المفاجئة في زمن الاستجابة المستخدمين. كما ترتفع فواتير GPU بوتيرة أسرع من المتوقع. فضلًا عن ذلك، فإن توسيع نطاق أحمال العمل عبر المناطق يضيف تعقيدًا للبنية التحتية لا تتوقعه معظم الفرق. digitalocean.com/currents/february-2026)، يستهلك الاستدلال الآن نحو 76-100% من ميزانيات الذكاء الاصطناعي في العديد من المؤسسات.
إذا كنت تنشر نماذج تعلّم آلي أو مسارات عمل للذكاء الاصطناعي، فالأهم ليس فقط كيفية تعلّم نموذجك، بل كفاءة تقديمه للتنبؤات في الوقت الفعلي. إن فهم ماهية استدلال الذكاء الاصطناعي والعوامل التي تحدد أداءه قد يساعدك على اتخاذ قرارات معمارية أذكى لمشروعك التالي في الذكاء الاصطناعي.
أهم النقاط:
بينما يطوّر التدريب ذكاء النموذج، يدعم الاستدلال تطبيقات مثل اكتشاف الاحتيال وواجهات الدردشة القائمة على LLM وأنظمة التوصية.
مع تحوّل ميزانيات الذكاء الاصطناعي نحو النشر، تُعد عوامل مثل الإنتاجية والتكلفة لكل طلب واستغلال GPU وزمن الاستجابة P95/P99 مهمة لبناء تطبيقات AI/ML.
تخدم بيئات استدلال الذكاء الاصطناعي، مثل السحابة والحافة والجهاز، احتياجات مختلفة من حيث زمن الاستجابة والخصوصية وعرض النطاق الترددي وقابلية التوسع. وتستخدم العديد من أنظمة الإنتاج نهجًا هجينًا.
باستخدام GPU Droplets وBare Metal GPUs وGradient™ AI Inference Cloud من DigitalOcean، يمكنك نشر استدلال قابل للتوسع وفعّال من حيث التكلفة دون تعقيدات مزوّدي الخدمات فائقي النطاق.
ما استدلال الذكاء الاصطناعي؟
صورة دورة حياة منتج الذكاء الاصطناعي
استدلال الذكاء الاصطناعي هو مرحلة دورة حياة الذكاء الاصطناعي التي يُصدر فيها نموذج مدرّب تنبؤات أو يُنشئ مخرجات من بيانات جديدة. وهو ما يدعم التطبيقات الحية مثل محركات التوصية والتشخيص الطبي وواجهات الدردشة القائمة على نماذج اللغة الكبيرة (LLM). وفي بيئات الإنتاج لديك، يحدد استدلال الذكاء الاصطناعي سرعة حصول المستخدمين على النتائج، ومدى تعامل نظامك مع الارتفاعات المفاجئة في حركة المرور، وتكلفة تقديم كل تنبؤ.
تخفض Workato تكاليف الاستدلال بنسبة 67%:
لتشغيل ذكاء اصطناعي وكيل على نطاق تريليون مهمة، عقدت Workato شراكة مع سحابة الاستدلال الوكيل من DigitalOcean لتحسين استدلال LLM ذي السياق الطويل. وبنشر NVIDIA Dynamo وvLLM على DOKS مع التوجيه المراعي لـ KV، حققت زيادة بنسبة 67% في عدد الرموز في الثانية لكل GPU، وخفضًا بنسبة 67% في تكاليف النماذج باستخدام نصف عدد وحدات GPU.
ما الفرق بين التدريب والاستدلال؟
التدريب هو الطريقة التي يتعلّم بها النموذج. تُغذّيه بمجموعات بيانات ضخمة، ثم يعدّل ملايين المعلمات الداخلية تكراريًا حتى يتمكن من التعرّف على الأنماط بنفسه. يُزوَّد النموذج ببيانات إدخال إلى جانب الإجابات الصحيحة (مثل الصور المصنّفة أو النصوص ذات المخرجات المتوقعة)، ثم يصدر تنبؤات ويقارنها بالإجابات الصحيحة ويعدّل نفسه لتقليل الأخطاء. ويتكرر ذلك عبر دورات عديدة حتى يصبح النموذج جيدًا في إصدار تنبؤات دقيقة. تتطلب هذه العملية قدرة حوسبة كبيرة، لكنها تحدث مرة واحدة أو دوريًا. أما الاستدلال فيحدث بعد ذلك: إذ يستقبل النموذج المدرّب بيانات جديدة لم يسبق له رؤيتها ويُنشئ تنبؤًا أو استجابة في الوقت الفعلي.
| العامل | تدريب الذكاء الاصطناعي | استدلال الذكاء الاصطناعي |
|---|---|---|
| الغرض | تعلّم الأنماط وتحسين دقة النموذج | إنشاء تنبؤات أو مخرجات من بيانات جديدة |
| البيانات المستخدمة | مجموعات بيانات كبيرة موسومة (مثل معاملات احتيال تاريخية وصور طبية مشروحة ومراجعات موسومة بالمشاعر) | بيانات إدخال جديدة وغير مرئية سابقًا |
| المخرج | أوزان نموذج محدّثة (النموذج المدرّب النهائي) | تنبؤ أو درجة أو تصنيف أو استجابة مُنشأة |
| متطلبات الحوسبة | مرتفعة جدًا (مثل عناقيد GPU موزعة) | أقل لكل طلب، لكنها حساسة لزمن الاستجابة |
| حساسية الوقت | غير متصل، ولا يواجه المستخدمين | آني أو شبه آني، ويواجه المستخدمين |
| التكرار | من حين لآخر (التدريب الأولي وإعادة التدريب) | مستمر، ويُنفّذ مع كل طلب |
| هيكل التكلفة | تكلفة تدريب أولية مرتفعة | تكلفة مستمرة لكل طلب |
| محور التحسين | الدقة وتقليل الخسارة | زمن الاستجابة والإنتاجية وكفاءة التكلفة |
| مثال: نظام الإشراف على محتوى الذكاء الاصطناعي | يُدرَّب النظام على ملايين المنشورات الموسومة بأنها «آمنة» أو «رسائل مزعجة» أو «خطاب كراهية» أو «مخالفة للسياسة». وأثناء التدريب، يتعلّم النموذج الأنماط في النص والنبرة والكلمات المفتاحية والسياق، عبر تعديل أوزانه الداخلية للتمييز بين المحتوى الضار والمحتوى المقبول. | عندما يرسل مستخدم منشورًا جديدًا، يعالج النموذج المدرّب النص في الوقت الفعلي ويُسند درجات احتمالية لكل فئة محتوى. وبناءً على هذه الدرجات، ينشر النظام المنشور تلقائيًا أو يضع عليه علامة أو يحد من ظهوره أو يوجّهه للمراجعة البشرية. |
غالبًا ما يُخلط بين التدريب والاستدلال، لكنهما يفرضان متطلبات مختلفة جدًا على بنيتك التحتية وميزانيتك. يشرح مقالنا عن الاستدلال مقابل التدريب في الذكاء الاصطناعي أين تذهب الأموال فعليًا وما الذي ينبغي إعطاؤه الأولوية عند تشغيل النماذج في بيئة الإنتاج.
بيئات استدلال الذكاء الاصطناعي
يمكن تشغيل الاستدلال في مواقع مختلفة وفقًا لاحتياجات تطبيقك وحساسية البيانات ومتطلبات الأداء. فقد يُنفّذ في مراكز بيانات سحابية مركزية، أو بالقرب من المستخدمين عند الحافة، أو مباشرة على الأجهزة المحلية.
بيئات الاستدلال السحابي
بيئات الاستدلال السحابي هي الإعداد الأكثر شيوعًا لاستدلال الذكاء الاصطناعي في الإنتاج، إذ توفر موارد حوسبة قابلة للتوسع مثل GPU. وتدعم هذه البيئة أطر تقديم النماذج والمراقبة والتكامل مع واجهات API والأنظمة الموزعة.
على سبيل المثال، قد يتبع فريق ينشر محرك توصية سير العمل التالي:
تشغيل خدمة الاستدلال على DigitalOcean GPU Droplets
نشر واجهات API باستخدام App Platform لتقديم API
حفظ عناصر النموذج في Spaces
بيئات الاستدلال عند الحافة
يعمل الاستدلال عند الحافة بالقرب من مصدر البيانات، مثل متاجر البيع بالتجزئة والمصانع وأبراج الاتصالات، لتقليل زمن الاستجابة واستخدام عرض النطاق الترددي. وفي تطبيقات مثل تحليلات الفيديو ومراقبة إنترنت الأشياء، يضمن معالجة البيانات محليًا اتخاذ القرارات في غضون أجزاء من الثانية بدلًا من الاعتماد على اتصال ذهابًا وإيابًا بخوادم سحابية مركزية.
في متجر للبيع بالتجزئة، تراقب كاميرا أمنية ممرات الدفع. ويشغّل جهاز حافة صغير مثبت في الموقع نموذج رؤية حاسوبية يكتشف السلوك المريب، مثل تجاوز شخص للدفع. وإذا رُصد ذلك، ينبه النظام موظفي المتجر فورًا. ثم تُحمّل التنبيهات الموجزة وتقارير التحليلات اليومية لاحقًا للمراجعة المركزية.
الاستدلال على الجهاز
يعمل الاستدلال على الجهاز مباشرة على أجهزة المستخدم، مثل الهواتف الذكية أو الحواسيب المحمولة أو الأنظمة المضمنة. ويهدف إلى تحسين الخصوصية وتقليل الاعتماد على الاتصال بالشبكة، وتوفير استجابات فورية في تطبيقات مثل المساعدات الصوتية والمصادقة البيومترية.
عندما يقول المستخدم عبارة تنبيه مثل «مرحبًا أيها المساعد»، يستمع باستمرار نموذج شبكة عصبية يعمل محليًا على الجهاز إلى عبارة التنبيه المحددة. ويُعالَج الصوت في الوقت الفعلي على وحدة المعالجة المركزية بالجهاز أو شريحة الذكاء الاصطناعي المخصصة. وعند اكتشاف كلمة التنبيه، ينشط النظام ويرسل الطلب إلى السحابة لمزيد من المعالجة. في هذا الإعداد:
يُخزَّن نموذج اكتشاف كلمة التنبيه المدرّب على الجهاز.
يعمل الاستدلال باستمرار على الأجهزة المحلية.
لا يغادر الصوت الخام الجهاز ما لم يُفعَّل.
يستجيب المساعد فورًا، حتى دون اتصال إنترنت نشط.
كيفية اختيار بيئة استدلال الذكاء الاصطناعي المناسبة
تعتمد بيئة الاستدلال التي تختارها على متطلبات زمن الاستجابة وحجم حركة المرور وحساسية البيانات وقيود التكلفة. وفي العديد من أنظمة الإنتاج، تستخدم الفرق نهجًا هجينًا يجمع بين المعالجة على الجهاز أو عند الحافة والاستدلال السحابي.
اختر الاستدلال السحابي: إذا كنت بحاجة إلى قابلية توسع عالية وإدارة مركزية للنماذج والقدرة على التعامل مع أحجام كبيرة من حركة المرور أو أحمال العمل كثيفة استخدام GPU.
اختر الاستدلال عند الحافة: إذا كان تطبيقك يتطلب زمن استجابة منخفضًا بالقرب من مصدر البيانات أو استخدامًا أقل لعرض النطاق الترددي أو معالجة آنية في مواقع موزعة.
اختر الاستدلال على الجهاز: إذا كانت الخصوصية مهمة أو كانت الوظائف دون اتصال مطلوبة أو كانت أزمنة الاستجابة الفورية ضرورية على أجهزة المستخدم مثل الهواتف الذكية.
هل تشعر بالحيرة بين الحافة والسحابة؟ ابدأ بسؤال واحد: ما سرعة استجابة نظامك المطلوبة؟ اقرأ مقالنا عن الحوسبة السحابية مقابل الحوسبة عند الحافة لفهم متى وكيف تستخدم كلًا منهما بفعالية.
فوائد استدلال الذكاء الاصطناعي
يحدد استدلال الذكاء الاصطناعي سرعة استجابة تطبيقك، وموثوقية توسعه، وكفاءة إدارة تكاليف البنية التحتية. وعند تنفيذه على نحو صحيح، يمنحك استدلال الذكاء الاصطناعي مزايا قابلة للقياس في الأداء والعمليات:
اتخاذ القرارات في الوقت الفعلي: يحوّل الاستدلال البيانات الحية باستمرار إلى مخرجات منظمة تشمل درجات المخاطر والتصنيفات والترتيبات والنصوص المُنشأة. وتُمرر هذه المخرجات إلى التطبيقات. فعلى سبيل المثال، يمكن لنماذج اكتشاف الحالات الشاذة رصد النشاط غير المعتاد في الوقت الفعلي لإطلاق تنبيهات آلية وتسريع الاستجابة التشغيلية.
استخدام النماذج بكفاءة من حيث التكلفة: بعد تدريب النموذج، يمكنه تقديم ملايين التنبؤات دون إعادة تدريب. ورغم ارتفاع تكلفة الاستدلال عند التوسع، يمكن لتقنيات مثل التجميع والتكميم خفض التكلفة لكل طلب عند تقديم أحمال عمل كبيرة الحجم مثل المساعدات المدعومة بـ LLM.
تحسين تجربة المستخدم: يؤثر الاستدلال منخفض زمن الاستجابة مباشرة في مدى شعور المستخدم بأن التطبيق «ذكي». فإذا استجابت ميزة ذكاء اصطناعي في 100 مللي ثانية بدلًا من 2 ثانية، فسيرى المستخدمون المنتج سريع الاستجابة وموثوقًا وجديرًا بالثقة.
نشر إنتاجي قابل للتوسع: مع نمو حركة المرور، تتوسع مسارات الاستدلال أفقيًا باستخدام البنية التحتية الموزعة والتوسع التلقائي. فقد يكون لدى مساعد كتابة بالذكاء الاصطناعي التوليدي مضمّن في منصة SaaS بضع مئات من المستخدمين خلال الساعات العادية، لكنه يستوعب بسهولة عشرات الآلاف بعد إطلاق منتج.
تجارب أسرع وتكرار إصدارات النموذج: تتيح مسارات الاستدلال اختبار إصدارات جديدة من النموذج وطرحها دون إعادة التدريب من الصفر. يمكنك إجراء اختبار A/B لنموذجين عبر تقديمهما لشرائح مختلفة من المستخدمين، أو تشغيل عمليات نشر ظلّية لتقييم نموذج جديد مقابل حركة مرور حية دون التأثير في المستخدمين، أو استخدام إصدارات تجريبية تدريجية لتحويل حركة المرور تدريجيًا إلى إصدار جديد قبل الطرح الكامل.
شغّل نماذج الذكاء الاصطناعي التوليدي فورًا دون الحاجة إلى خوادم. تمتع بالوصول إلى نماذج متعددة عبر مفتاح API واحد، وبدّل المزوّدين، وحافظ على استمرار أحمال الاستدلال لديك. تعرّف على كيفية نشر نماذج توليد الصور والصوت Fal على منصة Gradient AI من DigitalOcean باستخدام استدعاءات Python بسيطة في تطبيق Streamlit.
تحديات الاستدلال
عندما تواجه النماذج أحمال عمل الإنتاج، تظهر تعقيدات استدلال الذكاء الاصطناعي. وعند نقل تطبيقك من التجارب إلى النشر واسع النطاق، يجب تقييم التكلفة والأداء وقيود البنية التحتية.
ارتفاع تكلفة الاستدلال عند التوسع: يسهم الاستخدام المستمر لـ GPU والتسعير القائم على الرموز وأنماط حركة المرور غير المتوقعة في تصاعد هذه التكاليف.
حساسية زمن الاستجابة في أحمال عمل الإنتاج: تتطلب التطبيقات الآنية استجابات منخفضة زمن الاستجابة ومتسقة في ظل حركة مرور متغيرة. وقد تؤدي اختناقات الأداء في تقديم النماذج أو الشبكات أو توفير الأجهزة إلى تدهور تجربة المستخدم وموثوقية النظام.
تعقيد البنية التحتية وأعباء التنسيق: تعتمد فرق كثيرة على أدوات وواجهات API متعددة لتشغيل الاستدلال، ما يزيد التعقيد التشغيلي. ويتطلب تنسيق النشر وإعداد التوسع التلقائي والرصد في الأنظمة الموزعة خبرة متخصصة في جدولة GPU وموازنة الأحمال.
الموثوقية ومخاوف الإنتاج: يجب أن تظل مسارات الاستدلال مستقرة تحت الحمل مع الحفاظ على اتساق المخرجات. فإذا تعطلت عقد استدلال GPU التي تتولى مساعدة العرض أثناء التزامن العالي، فقد تفشل جلسات تحرير الفيديو النشطة أو تتجمد المعاينات.
هل تريد التوسع من وحدات GPU عامة إلى سحابة استدلال محسّنة؟ عقدت DigitalOcean شراكة مع Character.AI وAMD لخفض تكاليف الاستدلال بنسبة 50%، والتوسع إلى نحو 2X QPS، وتقديم أداء أعلى بنحو 91% مقارنة بإعدادات GPU القياسية.
أنواع استدلال الذكاء الاصطناعي
يُصنَّف استدلال الذكاء الاصطناعي وفقًا لكيفية إنشاء التنبؤات وموعد إنشائها. تستجيب بعض الأنظمة فورًا لمدخلات المستخدمين، بينما تعالج أنظمة أخرى أحجامًا كبيرة من البيانات دوريًا أو باستمرار مع وقوع الأحداث. ويكمن الفرق في:
توقيت الطلب: موعد إنشاء التنبؤات: فورًا مع كل طلب، أو على فترات مجدولة، أو باستمرار عند وصول البيانات.
نمط تدفق البيانات: كيفية انتقال بيانات الإدخال عبر النظام: طلب واستجابة واحدان، أو معالجة مجموعة بيانات دفعة واحدة، أو تدفق قائم على الأحداث.
متطلبات سرعة الاستجابة: زمن الاستجابة المقبول للتطبيق: أجزاء من الثانية للأنظمة الآنية أو نتائج متأخرة لأحمال العمل غير العاجلة.
الاستدلال الآني (عبر الإنترنت)
يعالج الاستدلال الآني طلبًا واحدًا في كل مرة عند وصوله، ويعيد تنبؤًا فورًا. ويتبع نمط «طلب–استجابة»، حيث يؤدي كل إجراء للمستخدم أو استدعاء API إلى تنبؤ من النموذج. وتتراوح أزمنة الاستجابة عادة من أجزاء من الثانية إلى بضع ثوانٍ، بحسب تعقيد النموذج والبنية التحتية.
الاستدلال المتدفق
يقيّم الاستدلال المتدفق تدفقات البيانات الواردة باستمرار بدلًا من انتظار طلبات منفصلة أو مهام مجدولة. وتنتقل البيانات عبر النظام بنمط مستمر قائم على الأحداث، وتُنشأ التنبؤات في وقت شبه آني مع وصول بيانات جديدة. ويقع من حيث سرعة الاستجابة بين الاستدلال الآني واستدلال الدُفعات: فهو أسرع من مهام الدُفعات المجدولة، لكنه يعمل على بيانات متدفقة بدلًا من الطلبات المنفصلة.
استدلال الدُفعات
يشغّل استدلال الدُفعات التنبؤات على مجموعات بيانات كبيرة معًا على فترات مجدولة. ويعالج النظام البيانات بالجملة، مثل المهام الدورية التي قد تستغرق دقائق أو ساعات. وتُنظَّم أحمال العمل باستخدام مجدولات المهام أو محركات سير العمل وتُنفَّذ على عناقيد حوسبة موزعة. وتُقرأ البيانات من أنظمة التخزين وتُعالج بالتوازي ثم تُكتب مجددًا في صورة جداول أو ملفات أو سجلات قواعد بيانات محدّثة.
| النوع | الوصف | توقيت الاستجابة | تدفق البيانات | حالات الاستخدام |
|---|---|---|---|---|
| الاستدلال الآني (عبر الإنترنت) | يعالج طلبًا واحدًا في كل مرة عند وصوله | من أجزاء من الثانية إلى ثوانٍ | طلب واستجابة | روبوتات الدردشة واكتشاف الاحتيال ومحركات التوصية |
| الاستدلال المتدفق | يقيّم تدفقات البيانات الواردة باستمرار | شبه آني | تدفق مستمر قائم على الأحداث | مراقبة إنترنت الأشياء واكتشاف الأحداث المالية واكتشاف الحالات الشاذة |
| استدلال الدُفعات | يشغّل التنبؤات على مجموعات بيانات كبيرة معًا على فترات مجدولة | من دقائق إلى ساعات (مهام مجدولة) | معالجة بالجملة | تقييم الائتمان وتقارير التحليلات والتقييم الدوري للنماذج |
كيف يعمل استدلال الذكاء الاصطناعي
تحدث عملية استدلال الذكاء الاصطناعي عبر طبقة تقديم نماذج تتولى الطلبات وتنفيذ العمليات الحسابية (على وحدات CPU أو GPU) وإرجاع النتائج عبر API أو بتنسيق محدد. لنتعرّف على ما يحدث في كل خطوة عندما يقيّم نظام اكتشاف الاحتيال معاملة بطاقة ائتمان.
صورة سير عمل استدلال الذكاء الاصطناعي
- المعالجة المسبقة لبيانات الإدخال: تُتحقق المدخلات الخام، مثل النصوص والصور والصوت والبيانات المنظمة، وتُحوّل إلى التنسيق الذي يتوقعه النموذج. وقد يشمل ذلك تقسيم النص إلى رموز (في LLM) والتطبيع واستخراج السمات أو التحويل إلى موترات.
على سبيل المثال، لنفترض أن عميلًا مرّر بطاقته الائتمانية لشراء إلكترونيات بقيمة $2,400 من متجر في ساو باولو، لكن حسابه مسجّل في شيكاغو والجهاز جديد على النظام. يستخرج النظام سمات منظمة من المعاملة: المبلغ وفئة التاجر وبصمة الجهاز والموقع الجغرافي ووقت اليوم وسجل الإنفاق الحديث. وتُطبّع هذه السمات وتُحوّل إلى متجه سمات رقمي يستطيع النموذج معالجته.
- تحميل النموذج وتهيئته: يُحمّل النموذج المدرّب، بما يشمل بنيته وأوزانه المتعلَّمة، إلى الذاكرة. وفي بيئات الإنتاج، تُحوّل النماذج غالبًا إلى حاويات وتُقدّم عبر أطر مثل TensorFlow Serving وTorchServe أو خدمات مخصصة قائمة على FastAPI.
في هذا السيناريو، تعمل بالفعل شبكة عصبية مدرّبة مسبقًا لاكتشاف الاحتيال في الذاكرة، ومنشورة عبر خادم نماذج ضمن حاوية يستخدم TorchServe. وعند ورود المعاملة، توجه بوابة API متجه السمات إلى نقطة نهاية النموذج.
- حساب المرور الأمامي: يُمرر الإدخال المعالج عبر النموذج، حيث تحسب عمليات ضرب المصفوفات ودوال التنشيط المخرج. وفي استدلال التعلم العميق وLLM، تُنفَّذ هذه الخطوة على وحدات GPU أو مسرّعات أخرى لتحسين زمن الاستجابة والإنتاجية.
متابعةً لمثال اكتشاف الاحتيال، يمرر النموذج متجه السمات عبر طبقات شبكته، ويوازن بين اجتماع جهاز غير مألوف وموقع دولي ومبلغ معاملة مرتفع وبين الأنماط التي تعلّمها من ملايين المعاملات التاريخية. ويُخرج درجة احتمال احتيال خامًا قدرها 0.92.
- المعالجة اللاحقة للتنبؤات: يُحوّل مخرج النموذج الخام إلى نتيجة قابلة للاستخدام، مثل درجة احتمالية أو تصنيف أو قائمة مرتبة أو رموز مُنشأة. وقد تُطبّق حدود فاصلة أو استراتيجيات فك الترميز (مثل فك الترميز الجشع أو البحث الحزمي) أو قواعد العمل.
في هذه الحالة، يفسر محرك القواعد الدرجة 0.92 وفق منطق الأعمال في النظام. ولأنها تتجاوز الحد 0.85 ولأن المعاملة عابرة للحدود، يصنفها المحرك على أنها عالية المخاطر ويضع عليها علامة لإجراء مصادقة إضافية بدلًا من رفضها تمامًا.
- تسليم الاستجابة وتسجيلها: يُعاد المخرج النهائي إلى واجهات API أو قواعد البيانات أو الأنظمة اللاحقة (مثل تدفقات Kafka وبوابات الدفع وأنظمة التنبيه وغيرها)، بحسب معمارية التطبيق. وفي الوقت نفسه، تُسجل مقاييس مثل زمن الاستجابة (P95/P99) والإنتاجية ومعدلات الأخطاء لأغراض المراقبة والتوسع وتحسين الأداء.
وختامًا للتسلسل، خلال 120 مللي ثانية من تمرير البطاقة، تستقبل بوابة الدفع التصنيف عالي المخاطر وتطلق طلب تحقق عبر OTP إلى هاتف العميل. وفي الوقت نفسه، يسجل النظام درجة النموذج وبيانات المعاملة الوصفية وزمن الاستجابة (P95) ونتيجة المصادقة؛ وهي بيانات ستغذي إعادة تدريب النماذج مستقبلًا ومراقبة الأداء.
توقف عن ملاحقة FLOPs الخام وقِس استدلال LLM حيث يهم. اقرأ الدليل الكامل حول قياس أداء استدلال LLM لتتعلم كيفية قياس زمن الاستجابة والإنتاجية والتزامن والتكلفة.
مؤشرات الأداء الرئيسية لاستدلال الذكاء الاصطناعي
يبدأ تحسين الاستدلال بمعرفة المقاييس التي ينبغي الانتباه إليها. لن تكون جميعها متساوية الأهمية لحالة استخدامك، لكن تجاهل أي منها قد يؤدي إلى استجابات بطيئة أو حوسبة مهدرة أو تكاليف تتضخم بصمت. إليك أهمها:
| مؤشر الأداء | الوصف | أهميته | مثال |
|---|---|---|---|
| زمن الاستجابة | الوقت اللازم لإنشاء تنبؤ لطلب واحد | يحدد السرعة التي يشعر بها المستخدم؛ ويعكس زمن الذيل (P95/P99) أسوأ حالات التأخير تحت الحمل | يستجيب روبوت دردشة في المتوسط خلال 120ms، لكن خلال 2 ثانية عند P99 في ذروة حركة المرور |
| الإنتاجية | عدد الطلبات في الثانية (RPS) أو الرموز في الثانية (في LLM) | توضح حجم حركة المرور الذي يستطيع النظام التعامل معه قبل تدهور الأداء | يؤثر توليد LLM بمعدل 80 رمزًا/ثانية مقابل 20 رمزًا/ثانية في سرعة الاستجابة عند التوسع |
| التكلفة لكل طلب | تكلفة الحوسبة المستهلكة لكل استدعاء استدلال | تؤثر في اقتصاديات الإنتاج على المدى الطويل وجدوى التوسع | استدلال مدعوم بـ GPU بتكلفة $0.002 لكل طلب مقابل $0.02 عند الحجم الكبير |
| استغلال الأجهزة | كفاءة استخدام CPU أو GPU أو المسرّع | يزيد ضعف الاستغلال التكلفة ويخلق اختناقات في الأداء | تهدر وحدة GPU تعمل عند استغلال 30% سعتها وترفع التكلفة لكل تنبؤ |
| قابلية التوسع تحت الحمل | القدرة على الحفاظ على الأداء أثناء ارتفاع حركة المرور | تضمن الموثوقية واتساق زمن الاستجابة عند ذروة الطلب | نظام توصية للتجارة الإلكترونية يتعامل مع حركة مرور الجمعة السوداء دون ارتفاعات مفاجئة في زمن الاستجابة |
حالات استخدام استدلال الذكاء الاصطناعي
يبدأ استدلال الذكاء الاصطناعي في اللحظة التي يستجيب فيها تطبيقك فعليًا. سواء أكان ذلك تقييم معاملة أو ترتيب نتائج بحث أو إنشاء نص، فإن الاستدلال هو طبقة التنفيذ التي تحول ذكاء النموذج إلى إجراء يراه المستخدم.
اكتشاف الاحتيال في المعاملات المالية: تعالج شركة أنظمة دفع مقرها الولايات المتحدة H2o.ai نماذج تعلّم عميق مدرّبة على 160 مليون سجل تتضمن 1,500 سمة لاكتشاف الاحتيال في الوقت الفعلي. وعند بدء معاملة جديدة، يقيّمها النموذج المنشور خلال أجزاء من الثانية. ويحظر النظام النشاط المريب أو يضع عليه علامة قبل التفويض.
تحليل الصور الطبية: في مجال الرعاية الصحية، توضح دراسة عن اكتشاف أورام الدماغ كيفية عمل استدلال الصور الطبية عمليًا. وُسمت صور الرنين المغناطيسي أولًا، وأُعيد تحجيمها إلى 150×150 بكسل، وطُبّعت قبل تمريرها إلى شبكة عصبية التفافية (CNN) مخصصة. وأثناء الاستدلال، صنّف النموذج المدرّب كل صورة على أنها ورمية أو غير ورمية بدقة تحقق بلغت 98.67%. ولدعم اتخاذ القرارات السريرية، أنتجت تقنيات المعالجة اللاحقة مثل SHAP وLIME وGrad-CAM خرائط حرارية مرئية تبرز المناطق التي أثرت في التنبؤ.
ترتيب البحث وأنظمة التوصية: عندما يرسل المستخدم استعلامًا أو يزور صفحة، تُرمّز السمات السياقية مثل النقرات السابقة وسلوك الجلسة والبيانات الوصفية. ويقيّم نموذج ترتيب أو توصية عدة عناصر مرشحة في الوقت الفعلي. ويرتب نظام استدلال الذكاء الاصطناعي النتائج بناءً على درجات الملاءمة المتوقعة ويعيد قائمة مرتبة ضمن حدود صارمة لزمن الاستجابة. تستخدم Netflix الاستدلال، حيث تعتمد مرحلة الاسترجاع الأولية على النقرات ضمن الجلسة وسلوك التصفح والتفضيلات طويلة الأمد لإنشاء مجموعة مرشحين. ثم يحسب نموذج تعلّم عميق في مرحلة ثانية درجات الملاءمة ويقدّم قائمة مرتبة في نحو 40 مللي ثانية.
إدراك المركبات ذاتية القيادة: دمجت Tata Elxsi الذكاء الاصطناعي مع مستشعرات LiDAR بعيدة المدى (حتى 1 km) تعمل بتردد 10 Hz لدعم إدراك المركبات ذاتية القيادة في الوقت الفعلي. ودُمجت بيانات السحابة من LiDAR والصور من الكاميرات وحُوّلت إلى موترات. ثم تُغذّى بيانات الموترات إلى نماذج التعلم العميق التي تنفّذ الاستدلال لاكتشاف المركبات والمشاة وإشارات المرور وتقسيم المناطق القابلة للقيادة. وتُمرّر مخرجات النموذج، مثل تصنيفات العناصر وتقديرات المسافة واكتشاف المخالفات (مثل القيادة عكس الاتجاه أو السرعة الزائدة)، مباشرة إلى أنظمة المراقبة والتحكم لإطلاق تنبيهات فورية أو اتخاذ قرارات القيادة في ظل ظروف إضاءة وطقس متغيرة.
الذكاء الاصطناعي التوليدي وإنشاء المحتوى: Writer منصة ذكاء اصطناعي وكيلة تنشر نماذج LLM ذات 40-billion-parameter لإنشاء نصوص تسويقية ومحتوى مؤسسي. وتُرسل مطالبات المستخدمين عبر API، وتعالجها نماذج مسرّعة بـ GPU ومقدّمة عبر NVIDIA Triton Inference Server، ثم تُنشأ الاستجابات رمزًا تلو الآخر. ويدعم الاستدلال هنا ما يصل إلى تريليون استدعاء API شهريًا وينتج 90,000 كلمة في الثانية.
كيف تبني DigitalOcean استدلالًا من الجيل التالي؟ تعرّف على كيفية استخدام مهندسي DigitalOcean لـ Ray وvLLM وKubernetes لبناء استدلال قابل للتوسع ومحسّن لـ GPU للذكاء الاصطناعي التوليدي. شاهد الجلسة لفهم آلية عمل الأوضاع بلا خوادم والمخصصة والتجميع الديناميكي واستراتيجيات KV-cache المتقدمة.
الأسئلة الشائعة حول استدلال الذكاء الاصطناعي
ما استدلال الذكاء الاصطناعي؟
استدلال الذكاء الاصطناعي هو عملية استخدام نموذج تعلّم آلي مدرّب لإنشاء تنبؤات أو مخرجات من بيانات جديدة لم يرها من قبل. وهو مرحلة الإنتاج في الذكاء الاصطناعي، حيث تُنفّذ النماذج لبناء تطبيقات آنية وتحليلات وأنظمة اتخاذ قرارات آلية.
ما الفرق بين التدريب والاستدلال؟ يبني التدريب نموذجًا عبر تعلّم الأنماط من مجموعات بيانات كبيرة وتعديل معلماته الداخلية. أما الاستدلال فيطبّق النموذج المدرّب على بيانات جديدة لإنتاج تنبؤات أو تصنيفات أو مخرجات مُنشأة.
هل الاستدلال أهم من التدريب في الإنتاج؟ في أنظمة الإنتاج، يكون الاستدلال أهم من الناحية التشغيلية لأنه يعمل باستمرار ويؤثر مباشرة في زمن الاستجابة وقابلية التوسع والتكلفة. وبينما يحدد التدريب دقة النموذج، يحدد الاستدلال تجربة المستخدم واقتصاديات الإنتاج.
ما الأجهزة المستخدمة لاستدلال الذكاء الاصطناعي؟ يعمل استدلال الذكاء الاصطناعي على وحدات GPU ومسرّعات متخصصة مثل TPU، بحسب متطلبات الأداء وأحمال العمل. ويشيع استدلال GPU في أحمال عمل التعلم العميق وLLM.
ما الفرق بين الاستدلال الآني واستدلال الدُفعات؟
ينشئ الاستدلال الآني التنبؤات فور وصول الطلب، غالبًا خلال أجزاء من الثانية أو ثوانٍ. ويُستخدم في التطبيقات التفاعلية التي يحتاج فيها المستخدمون أو الأنظمة إلى استجابات فورية، مثل روبوتات الدردشة واكتشاف الاحتيال وأنظمة التوصية.
يعالج استدلال الدُفعات أحجامًا كبيرة من البيانات على فترات مجدولة بدلًا من الاستجابة لطلبات فردية. وتشغّل النماذج تنبؤات على مجموعات البيانات المتراكمة بوصفها مهام دورية لإنشاء مخرجات مثل درجات المخاطر وتوقعات الطلب وتقارير التحليلات.
ما أفضل المنصات لاستدلال الذكاء الاصطناعي؟
توفر أفضل منصات استدلال الذكاء الاصطناعي بنية تحتية لـ GPU قابلة للتوسع، وتسعيرًا متوقعًا، وأدوات متكاملة لتقديم النماذج. وتوفر Gradient™ AI inference Cloud من DigitalOcean استدلالًا مدعومًا بـ GPU وتوسعًا تلقائيًا وبنية تحتية مبسطة لأحمال عمل الذكاء الاصطناعي في الإنتاج.
طبّق هذا الدليل باستخدام Ailoot
اربط نماذج الذكاء الاصطناعي بتطبيقاتك ووكلائك وأتمتاتك عبر Ailoot API واحدة. اختر النموذج المناسب لمهمتك واتبع وثائق Ailoot للبدء.