التعريف

الخدمة المعتمدة على النماذج (MBS) هي بنية خدمة يتم فيها تشغيل الوظيفة الأساسية بواسطة، أو تعتمد بشكل كبير على، نموذج حاسوبي مُدرب واحد أو أكثر (مثل نماذج تعلم الآلة، أو الخوارزميات التنبؤية، أو الرسوم البيانية المعرفية). فبدلاً من تنفيذ تدفق منطق أعمال ثابت ومُشفّر بشكل صارم، تستخدم الخدمة مخرجات النموذج لاتخاذ قرارات ديناميكية، أو تنبؤات، أو لتوليد مخرجات معقدة في الوقت الفعلي.

أهميتها

تعمل الخدمات التقليدية بناءً على قواعد حتمية (إذا كان س، فإن ص). تُدخل الخدمة المعتمدة على النماذج القدرة على التكيف. في بيئات الأعمال سريعة التغير، تصبح القواعد الثابتة قديمة بسرعة. تتيح الخدمة المعتمدة على النماذج للأنظمة التعلم من البيانات، والتكيف مع المدخلات الجديدة، وتقديم استجابات دقيقة ومدركة للسياق تُحسن بشكل كبير الذكاء التشغيلي وتجربة المستخدم.

كيفية عملها

تتضمن العملية عمومًا عدة مراحل:

1. استيعاب البيانات (Data Ingestion): تستقبل الخدمة بيانات الإدخال الأولية.
2. تنفيذ النموذج (Model Execution): يتم تغذية هذه البيانات في النموذج المُنشَر والمُدرب مسبقًا (على سبيل المثال، نموذج تصنيف أو محرك توصية).
3. الاستدلال واتخاذ القرار (Inference & Decision): يُنشئ النموذج مخرجًا، وهو استدلال (تنبؤ، أو درجة، أو تصنيف، إلخ).
4. تنسيق الخدمة (Service Orchestration): تأخذ منطق الخدمة المحيط هذا المخرج من النموذج وتستخدمه لتنفيذ الإجراء التجاري النهائي (على سبيل المثال، توجيه طلب، أو إنشاء استجابة مخصصة، أو تشغيل تنبيه).

حالات الاستخدام الشائعة

• التوصيات المخصصة: تستخدم منصات التجارة الإلكترونية الخدمة المعتمدة على النماذج لاقتراح المنتجات بناءً على نماذج سلوك المستخدم.
• التوجيه الذكي: تستخدم أنظمة دعم العملاء النماذج للتنبؤ بالقسم أو الوكيل الأنسب لتذكرة واردة.
• كشف الاحتيال: تنشر الخدمات المالية الخدمة المعتمدة على النماذج لتسجيل درجات المعاملات في الوقت الفعلي مقابل الأنماط المتعلمة للنشاط الاحتيالي.
• الصيانة التنبؤية: تستخدم خدمات إنترنت الأشياء الصناعية نماذج السلاسل الزمنية للتنبؤ بفشل المعدات قبل حدوثه.

المزايا الرئيسية

• قابلية التكيف: تتطور الخدمة مع تغير أنماط البيانات الأساسية.
• قابلية توسع الذكاء: يمكن تغليف قدرات اتخاذ القرار المعقدة وإعادة استخدامها عبر تطبيقات متعددة.
• عمق الأتمتة: تتجاوز الأتمتة البسيطة إلى الأتمتة الذكية، حيث تتعامل مع الغموض.

التحديات

• انجراف النموذج (Model Drift): تتدهور النماذج بمرور الوقت حيث يبتعد العالم الحقيقي عن بيانات التدريب، مما يتطلب مراقبة وتدريبًا مستمرين.
• القابلية للتفسير (XAI): قد يكون فهم سبب اتخاذ النموذج قرارًا معينًا أمرًا صعبًا، وهو أمر بالغ الأهمية للصناعات الخاضعة للتنظيم.
• الحمل الإضافي للبنية التحتية: يتطلب نشر ومراقبة وتقديم النماذج المعقدة بنية تحتية متخصصة لعمليات تعلم الآلة (MLOps).

المفاهيم ذات الصلة

• MLOps: هو تخصص إدارة دورة حياة نماذج تعلم الآلة بأكملها في بيئة الإنتاج.
• بوابات واجهة برمجة التطبيقات (API Gateways): تُستخدم لكشف نقطة نهاية استدلال النموذج كخدمة قابلة للاستهلاك.
• التعلم المعزز (Reinforcement Learning): هو مجموعة فرعية من تعلم الآلة حيث يتعلم النموذج الإجراءات المثلى من خلال التجربة والخطأ داخل بيئة معينة.