تحديد معايير التراجع التلقائي
ارجع عند تجاوز الخطأ أو زمن الاستجابة حاجز الأمان.
تحديد معايير التراجع التلقائي درس مجاني في MLOps Academy على CoddyKit. هذا هو الدرس 3 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في MLOps Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة MLOps Academy 4 دروس في المجموع.
لماذا نؤتمت التراجع
عند الساعة الثالثة صباحًا، لا يراقب أحد لوحات المعلومات. يتيح التراجع التلقائي للنظام نفسه إعادة نموذج سيئ إلى الإصدار السابق فور تجاوزه حدًا خطِرًا. 🚨
اختر ضوابط واضحة
تحتاج قاعدة التراجع إلى مقياس ضوابط قابل للقياس، مثل معدل الأخطاء أو زمن الاستجابة p99، مع قيمة تعني بوضوح أن هناك مشكلة.
حدّد عتبة صارمة
حوّل القلق المبهم إلى حد واضح. على سبيل المثال، نفّذ التراجع إذا تجاوز معدل أخطاء canary نسبة 2% خلال نافذة القياس.
ROLLBACK_RULES = {
"error_rate": 0.02,
"p99_latency_ms": 500,
}قارن بالنموذج الرائد
قد لا تكشف الحدود المطلقة عن التراجعات البطيئة في الأداء. نفّذ التراجع أيضًا إذا كان canary أسوأ بوضوح من النموذج الرائد، مثل أن يكون زمن الاستجابة أعلى بنسبة 20% على حركة المرور نفسها.
اختر نافذة زمنية
قيّم المقاييس ضمن نافذة متحركة، مثل آخر 5 دقائق. يجب ألا يتسبب طلب سيئ واحد في تراجع كامل بمفرده.
انتظر حركة مرور كافية
لا يعني معدل أخطاء نسبته 100% خلال ثلاثة طلبات شيئًا. اشترط حدًا أدنى لحجم العينة قبل السماح لأي مقياس بتفعيل التراجع.
القرار في الشيفرة
الفحص ليس سوى مقارنة: إذا تجاوز المقياس الفعلي حدّه، فأعد إشارة تراجع ليتولى المنسّق تنفيذها.
def should_rollback(metrics):
return (
metrics["error_rate"] > 0.02
or metrics["p99_latency_ms"] > 500
)راقب مقاييس الأعمال أيضًا
قد يكون النموذج سريعًا وخاليًا من الأخطاء، ومع ذلك يتسبب في انهيار معدلات التحويل. احمِ النتائج المهمة، لا مؤشرات الصحة التقنية وحدها.
اجعل التراجع قليل التكلفة
يجب أن يكون التراجع خطوة واحدة سريعة وآمنة: أعد توجيه حركة المرور إلى النموذج الرائد المُثبت. أبقِ الإصدار السابق جاهزًا وقيد التشغيل لتولّي المهمة.
أبلغ شخصًا دائمًا
تتعامل الأتمتة مع الإيقاف الطارئ، لكنها يجب أن تُخطر الفريق أيضًا. ينبغي أن يرسل التراجع التلقائي تنبيهًا إلى أحد أفراد الفريق للتحقيق في السبب الجذري.
تجنّب التذبذب
لا تُعد نشر النموذج الفاشل نفسه تلقائيًا بعد التراجع مباشرة. جمّد عملية الإطلاق إلى أن يراجعها شخص، حتى لا تتأرجح ذهابًا وإيابًا.
تحقق سريع
أي خيار تصميم يحافظ على موثوقية قواعد التراجع؟
مراجعة
تستخدم معايير التراجع الجيدة عتبات واضحة ضمن نافذة عادلة وبحركة مرور كافية، وتقارن بالنموذج الرائد، وتنبه شخصًا، وتنفذ الرجوع بسرعة. ✅
الأسئلة الشائعة
هل درس «تحديد معايير التراجع التلقائي» مجاني؟
نعم — نص درس «تحديد معايير التراجع التلقائي» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة MLOps Academy، انتقل إلى CoddyKit PRO. تتضمن دورة MLOps Academy 4 دروس في المجموع.
ماذا ستتعلم في «تحديد معايير التراجع التلقائي»؟
ارجع عند تجاوز الخطأ أو زمن الاستجابة حاجز الأمان. تتمرن على MLOps Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ MLOps Academy؟
لا تُشترط خبرة سابقة. MLOps Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 3 من أصل 4.
كم من الوقت يستغرق درس «تحديد معايير التراجع التلقائي»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس MLOps Academy هذا؟
نعم. كل درس في MLOps Academy يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- عمليات طرح Canary: ابدأ بعدد قليل
- محاكاة حركة المرور دون التأثير في المستخدمين
- تحديد معايير التراجع التلقائي
- التسليم التدريجي باستخدام Argo Rollouts