جدول المحتويات
انجراف النموذج هو فقدان نموذج في الخدمة لدقته لأن العملية أو المواد الخام أو الأجهزة قد تغيّرت منذ جمع بيانات تدريبه. وفي المصنع يُكتشف بمراقبة أربعة أمور: سلامة البيانات الواردة، وتوزيعات المدخلات، والتنبؤات، والخطأ مقارنة بنتائج المختبر أو الفحص فور وصولها.
أهم النقاط
- ينشأ الانجراف عن تغيّر في المدخلات، أو في العلاقة بين المدخلات والهدف، أو فيهما معًا؛ ولا يُزيح حدّ القرار إلا تغيّر العلاقة (Lu et al., 2018).
- تصل التسميات (labels) في المصانع متأخرة، وغالبًا مرة في كل وردية أو مرة في اليوم (Lawrence et al., 2024). مراقبة المدخلات والتنبؤات تعطي الإنذار المبكر، والخطأ مقارنة بالمختبر يؤكده.
- كثير من التنبيهات مشكلات بيانات لا انجراف: مُرسِل استُبدل، أو وسم (tag) تغيّر مداه، أو تدفق بيانات توقف. افحصوا البيانات أولًا.
- اختبارات التوزيع على نوافذ كبيرة من قاعدة البيانات التاريخية تطلق إنذارات كاذبة ما لم تُضبط العتبات (Breck et al., 2017).
- يحتاج كل نموذج إلى مسؤول محدد، واستجابة مكتوبة لكل تنبيه، وعودة مُختبَرة إلى النسخة السابقة، وحل احتياطي يرجع إلى الأتمتة التقليدية أو التشغيل اليدوي (CISA et al., 2025).
ما هو انجراف النموذج في المصنع؟
يعرّف Lu وزملاؤه انجراف المفهوم (concept drift) بأنه تغيّرات غير متوقعة في التوزيع الأساسي لتدفق البيانات عبر الزمن (Lu et al., 2018). فقد يتغيّر توزيع المدخلات مع بقاء العلاقة بين المدخلات والهدف كما هي، ويسمّون ذلك الانجراف الافتراضي ويشيرون إلى أنه لا يؤثر في حدّ القرار. وقد تتغيّر العلاقة نفسها، وهو ما يسمّونه الانجراف الفعلي الذي يخفّض الدقة. وفي كثير من التطبيقات الحقيقية يحدث الاثنان معًا.
| النوع | ما الذي يتغيّر | مثال من المصنع | هل يظهر دون تسميات؟ |
|---|---|---|---|
| انجراف البيانات (الانجراف الافتراضي) | توزيع المدخلات | خليط جديد من الخام، أو خام معدني من حفرة أخرى، أو معدل إنتاج أعلى | نعم، من إحصاءات المدخلات |
| انجراف المفهوم (الانجراف الفعلي) | العلاقة بين المدخلات والهدف | تقادم المحفّز أو الاتساخ حين لا يكونان من مدخلات النموذج: درجات الحرارة نفسها ومنتج مختلف | فقط بالمقارنة مع نتائج المختبر أو الفحص أو سجلات الأعطال |
| تغيّر في سلسلة البيانات | معنى الوسم لا العملية | مُرسِل استُبدل أو أُعيد ضبط مداه، أو إعداد تغيّر في قاعدة البيانات التاريخية، أو قيمة عالقة | غالبًا، بفحوص جودة البيانات |
الصف الأخير ليس انجرافًا بالمعنى الذي يقصده Lu وزملاؤه، لكنه يبدو للنموذج بالشكل نفسه. ويحذّر Breck وزملاؤه من أن الأعطال الجزئية وترقيات الإصدارات وغيرها من التغييرات في نظام المصدر قد تغيّر معنى المتغيّر جذريًا دون أن تنتج قيمًا غريبة بما يكفي لإطلاق أدوات المراقبة الأخرى (Breck et al., 2017). ويتناول دليلنا حول مشكلات جودة البيانات الصناعية هذه الفحوص.
ويميّز Lu وزملاؤه أيضًا بين الانجراف المفاجئ والتدريجي والتزايدي والمتكرر: فتغيير اللقيم مفاجئ، وتعطّل نشاط المحفّز تزايدي، ودرجة المنتج التي تعود دوريًا متكررة.
لماذا تنجرف النماذج الصناعية؟
يصنّف دليل حول الذكاء الاصطناعي في التكنولوجيا التشغيلية، نشرته وكالة CISA وثماني وكالات شريكة في ديسمبر 2025، انجرافَ النماذج ضمن المخاطر: فقد تصبح النماذج أقل دقة مع الوقت عندما تتلقى بيانات غير ممثَّلة في بيانات تدريبها الأولية، وقد تؤثر التعديلات على عمليات الإنتاج في أداء النموذج (CISA et al., 2025). وتضيف دراسة مسحية حول المستشعرات البرمجية الصناعية أن ظروف التشغيل تتغيّر مع الطلب على المنتجات وأسعار المواد الخام، وأن النموذج المبني في نظام تشغيل معيّن تتراجع دقته عندما تنتقل العملية إلى نظام آخر (Lawrence et al., 2024).
ومن الأسباب المعتادة: تعطّل نشاط المحفّز والاتساخ والتآكل؛ ومورّد جديد أو خليط جديد من الخام أو المعدن؛ ودرجة منتج أو وصفة جديدة؛ واستبدال جهاز قياس أو ترقية نظام DCS أو قاعدة البيانات التاريخية؛ والتغيّرات الموسمية في درجة حرارة الجو ومياه التبريد.
لماذا يصعب رصد الانجراف في المصنع؟
التسميات تصل متأخرة. كثيرًا ما تؤخذ عينات المتغيرات النوعية مرة في كل وردية من 8 ساعات أو مرة في اليوم (Lawrence et al., 2024)، وقد تستغرق تسميات الأعطال شهورًا حتى تتراكم، كما يشرح مقالنا حول وسم الأعطال في بيانات السلاسل الزمنية.
النماذج تتعطل بصمت. يشير Rabanser وزملاؤه إلى أن أنظمة تعلّم الآلة تميل إلى الإخفاق بصمت (Rabanser et al., 2019). فـالمستشعر البرمجي المنجرف يواصل عرض قيمة معقولة على شاشة المشغّل.
للمراقبة دون تسميات حدود. تفترض أساليب NannyML لتقدير الأداء دون قيم مستهدفة عدم وجود انجراف في المفهوم (NannyML). فمراقبة المدخلات تخبركم بأن المصنع قد تغيّر، أما نتائج المختبر أو الفحص أو الأعطال وحدها فتخبركم ما إذا كان النموذج لا يزال صحيحًا. لا تقلّصوا أخذ العينات المخبرية لمجرد أن نموذجًا دخل الخدمة.
ما الذي يجب مراقبته؟
| المستوى | ما الذي يُحسب | التواتر | هل يحتاج إلى تسميات؟ |
|---|---|---|---|
| سلامة البيانات | حداثة البيانات، ونسبة القيم المفقودة أو ذات الحالة السيئة، وفترات القيم العالقة، والقيم خارج الحدود الفيزيائية | باستمرار | لا |
| انجراف المدخلات | المسافة بين التوزيعات الحديثة والمرجعية، لكل نمط تشغيل | من كل ساعة إلى كل يوم | لا |
| انجراف التنبؤات | متوسط التنبؤات وتوزيعها؛ حدود الإجراء | من كل ساعة إلى كل يوم | لا |
| الأداء | الخطأ مقارنة بالمختبر أو الفحص: متوسط الخطأ وRMSE، أو العيوب المكتشفة والرفض الخاطئ | عند كل تسمية جديدة | نعم |
| التقادم والتبعيات | عمر النموذج؛ والتغييرات في الوسوم المصدرية والأجهزة والأنظمة | عند كل تغيير | لا |
سلامة البيانات أولًا. تشير وثائق Evidently إلى أن اختبارات الانجراف فيها لا تتفاعل مع ازدياد القيم الفارغة، وتوصي باختبارات منفصلة لنسبة القيم الفارغة (Evidently, data drift explainer). لذلك قد يجتاز مُرسِل معطّل اختبار الانجراف.
التنبؤات إشارة قليلة الكلفة. يقترح Sculley وزملاؤه مراقبة انحياز التنبؤ، أي ما إذا كان توزيع التنبؤات يطابق توزيع التسميات المرصودة، ووضع حدود للإجراء تطلق تنبيهات وتحقيقًا يدويًا (Sculley et al., 2015). ويضرب دليل CISA مثالًا بالتحكم الإحصائي في العمليات (SPC) لاكتشاف القيم الشاذة في مخرجات نموذج للصيانة التنبؤية.
الأداء هو التأكيد. اربطوا كل نتيجة مختبر أو فحص بالتنبؤ الصادر في وقت أخذ العينة، وتتبّعوا متوسط الخطأ الذي يكشف الانحياز، وRMSE، أو العيوب المكتشفة والرفض الخاطئ في مصنّفات الجودة التنبؤية.
التقادم والتبعيات. يوصي Breck وزملاؤه بالتنبيه بشأن عمر النموذج وبإبلاغ الفريق عند تغيّر المصادر السابقة في سلسلة البيانات؛ وفي المصنع تعني هذه المصادر سجل صيانة الأجهزة وسجلات تعديلات نظام DCS.
ما اختبارات الانجراف المناسبة لبيانات العمليات؟
| الأسلوب | ما الذي يقارنه | الاستخدام المعتاد | القيمة الافتراضية أو الإرشاد |
|---|---|---|---|
| اختبار Kolmogorov–Smirnov | عينتان من متغير عددي واحد | انجراف المدخلات، العينات الصغيرة | الأسلوب الافتراضي في Evidently للأعمدة العددية حتى 1,000 عنصر؛ يُعدّ انجرافًا إذا كانت p < 0.05 |
| مسافة Wasserstein (المعيارية) | عينتان من متغير عددي واحد | انجراف المدخلات، العينات الكبيرة | الأسلوب الافتراضي في Evidently لأكثر من 1,000 عنصر؛ يُعدّ انجرافًا إذا كانت ≥ 0.1 |
| PSI أو مسافة Jensen–Shannon | توزيعات مجمّعة في فئات أو فئوية | الدرجات، أنماط التشغيل، المدخلات المجمّعة | العتبة الافتراضية في Evidently: 0.1 |
| مخطط EWMA | سلسلة واحدة مقارنة بتاريخها | خطأ النموذج، مدخل رئيسي واحد | λ عادة بين 0.2 و0.3 |
| اختبار Page-Hinkley | متوسط تدفق بيانات | تدفق الأخطاء أو التنبؤات | يكشف الزيادات أو الانخفاضات أو كليهما |
| ADWIN | متوسط تدفق بيانات بنافذة متكيّفة | تدفق أخطاء النموذج | يتخلّى عن النافذة الفرعية الأقدم بعد التغيّر |
وقت كتابة هذا المقال، يختار Evidently الاختبار بحسب نوع العمود وعدد المشاهدات، ويعدّ مجموعة البيانات منجرفة افتراضيًا عندما ينجرف نصف أعمدتها (Evidently, customise data drift). اعتبروا هذه القيم الافتراضية نقطة انطلاق.
أما خطأ النموذج مقارنة بالمختبر فتناسبه مخططات التحكم. إذ يمكن جعل مخطط EWMA حساسًا لانجراف صغير أو تدريجي (NIST/SEMATECH)، ويصف Lu وزملاؤه كاشفًا يتتبّع معدل الخطأ بمخطط من هذا النوع. وتتعامل كواشف Page-Hinkley وADWIN في مكتبة River مع قيمة واحدة في كل مرة، وهو ما يناسب سلسلة أخطاء تزداد نقطةً مع كل عينة مخبرية.
ثلاثة احتياطات مع بيانات قاعدة البيانات التاريخية:
- العينات الكبيرة تكشف فروقًا ضئيلة. مع شهور من البيانات المسجّلة كل دقيقة، يصبح أي فرق تقريبًا ذا دلالة إحصائية، والقيم المتتالية ليست مستقلة. ويؤكد Breck وزملاؤه ضرورة ضبط عتبات التنبيه بعناية للموازنة بين الإنذارات الكاذبة والحالات الفائتة. اجمعوا البيانات على مستوى الساعة أو الوردية واضبطوا العتبات على فترات سابقة.
- قارنوا المتماثل بالمتماثل. استخدموا مرجعًا لكل درجة منتج أو نمط تشغيل، وإلا أطلق كل تغيير في الدرجة تنبيهًا؛ ويشرح دليل كشف الشذوذ لماذا تحتاج الأنماط إلى معالجة منفصلة.
- ليس كل انجراف مهمًا. الانجراف الافتراضي لا يُزيح حدّ القرار، فأعطوا الأولوية للمدخلات التي يعتمد عليها النموذج أكثر من غيرها، وراقبوا التنبؤات.
كيف تُبنى المراقبة خطوة بخطوة؟
- تثبيت المرجع: نافذة التدريب لكل نمط تشغيل، مع تعريفات المتغيرات وإصدارات الشيفرة.
- تسجيل كل تنبؤ مع الطابع الزمني والمدخلات والمخرجات وإصدار النموذج، وهو سجل التدقيق الذي يوصي به دليل CISA.
- ربط التسميات بوقت أخذ العينة، لا بوقت إدخالها في نظام LIMS.
- اختيار المؤشرات والنوافذ لكل مستوى في الجدول أعلاه.
- معايرة العتبات على البيانات التاريخية. إعادة تشغيل السنة الماضية عبر نظام المراقبة، وعدّ التنبيهات، والتعديل حتى يستحق كل تنبيه وقت من يتلقاه.
- توجيه التنبيهات إلى مسؤول محدد وعرض المؤشرات الرئيسية حيث ينظر المشغلون أصلًا؛ ويقترح دليل CISA دمج المراقبة في شاشات واجهة الإنسان والآلة (HMI) القائمة.
- كتابة الاستجابة لكل تنبيه والتدرّب على العودة إلى النسخة السابقة.
يجب أن تقرأ المراقبة البيانات تمامًا كما يقرؤها النموذج؛ انظروا بيانات قاعدة البيانات التاريخية لتعلّم الآلة.
ماذا نفعل عند صدور تنبيه انجراف؟
| التنبيه | ما يُفحص أولًا | الاستجابة المعتادة |
|---|---|---|
| سلامة البيانات | الجهاز، ووصلة الشبكة، وقاعدة البيانات التاريخية | إصلاح المصدر؛ وسم التنبؤات أو تجميدها؛ اللجوء إلى الحل الاحتياطي |
| انجراف المدخلات مع خطأ مستقر | نمط أو لقيم أو درجة جديدة؟ داخل نطاق التدريب؟ | المتابعة؛ جمع التسميات؛ التخطيط لإعادة التدريب إذا كانت المنطقة جديدة |
| تحوّل في التنبؤات دون تسميات جديدة | المدخلات وأحداث العملية | سؤال المشغلين؛ طلب عينة مخبرية إضافية |
| إزاحة ثابتة عن المختبر | طريقة المختبر، وتوقيت أخذ العينة | تصحيح الانحياز |
| خطأ يتزايد أو يتغيّر مع الظروف | تغيير في العملية أو المعدات | إعادة التدريب على بيانات حديثة، ثم التحقق وإعادة النشر |
| سلوك غير آمن أو غير مفسَّر | التصرف أولًا ثم التحقيق | إيقاف النموذج؛ العودة إلى الطريقة السابقة |
تصف الدراسة الصناعية تصحيح الانحياز، الذي يقرّب المخرجات من بيانات المختبر، بأنه الأسلوب الأكثر شيوعًا لصيانة المستشعر البرمجي، مع إعادة التدريب على بيانات حديثة بديلًا (Lawrence et al., 2024). ويضيف Lu وزملاؤه أن شدة الانجراف ينبغي أن توجّه الاختيار: ففي الانجراف الطفيف قد يكفي تحديث النموذج الحالي، وفي الانجراف الشديد قد يكون تدريب نموذج جديد أفضل.
ويذكر دليل MLOps من Google Cloud محفّزات إعادة التدريب: جدول زمني، وتوفر بيانات جديدة، وتراجع الأداء، وتغيّرات كبيرة في توزيعات البيانات (Google Cloud). وفي المصانع تُضاف إليها سجلات تعديلات العملية.
ويطلب دليل CISA آليات أمان تتيح الرجوع إلى الأتمتة التقليدية أو التشغيل اليدوي. ويضيف Breck وزملاؤه أن العودة إلى نسخة سابقة من النموذج يجب أن تكون سريعة وآمنة، وأن يُتدرَّب عليها خارج حالات الطوارئ.
كيف نعيد التدريب دون تعطيل الإنتاج؟
- التدريب على نافذة تشمل نظام التشغيل الجديد، مع الاحتفاظ بالبيانات الأقدم إذا كانت الظروف القديمة قد تعود.
- التحقق على آخر فترة معنونة، لا على تقسيم عشوائي.
- مقارنة النموذج المرشّح بالنموذج العامل على تلك الفترة، ثم تشغيله في وضع الظل؛ انظروا الانتقال من التجربة الأولية إلى التعميم في المصنع.
- إدارة إصدارات البيانات والشيفرة والنماذج، والإبقاء على النموذج السابق جاهزًا.
- أتمتة سلسلة المعالجة بنصوص برمجية. ويحذّر Breck وزملاؤه من أن النموذج الذي يُعاد تدريبه يدويًا مرة أو مرتين في السنة يصعب تدريبه من جديد بعد رحيل مهندسه.
من المسؤول عن مراقبة النماذج؟
يذكر الدليل التطبيقي (playbook) لإطار إدارة مخاطر الذكاء الاصطناعي الصادر عن NIST أن أنظمة الذكاء الاصطناعي يجب أن تُراقَب أثناء التشغيل، لأن الانجراف يعني أنها لم تعد تفي بافتراضات التصميم الأصلي وحدوده (NIST AI RMF Playbook). ويوصي دليل CISA بمؤشرات أداء رئيسية (KPI) ومراجعات دورية مع الموردين وهيئات الحوكمة والمشغلين.
وعمليًا، اجمعوا بين مهندس عمليات يعرف ما الذي تغيّر في المصنع وعالم البيانات المسؤول عن سلسلة المعالجة، وراجعوا كل نموذج شهريًا. فالنماذج التي لا يراقبها أحد من أسباب فشل مشاريع الذكاء الاصطناعي الصناعي؛ وانظروا أيضًا بناء أول فريق بيانات صناعية.
ما لاحظناه في KABAS AI
تمتد خدمة علوم البيانات لدينا من جمع البيانات وتحضيرها إلى النشر (MLOps)، مع سلاسل معالجة للتشغيل المستمر للنماذج ومراقبتها أثناء الإنتاج. وعلى صفحة الصناعة التحويلية، يوفّر DALILE تحليل اتجاهات الجودة وكشف الشذوذ في بيانات الإنتاج.
نصيحتنا العملية: صمّموا المراقبة مع النموذج، لا بعد بدء تشغيله. واتفقوا مسبقًا على الإجراء المرتبط بكل تنبيه، وعلى من يقرر إيقاف النموذج. وشغّلوا المراقبة على خوادم داخل المنشأة (on-premise) نفسها التي يعمل عليها النموذج، حتى تبقى بيانات قاعدة البيانات التاريخية والمختبر داخل شبكتكم.
المصادر
- Lu et al., Learning under Concept Drift: A Review, IEEE Transactions on Knowledge and Data Engineering, 2018 (arXiv 2004.05785)
- Lawrence et al., Machine learning for industrial sensing and control: A survey and practical perspective, Control Engineering Practice, 2024 (arXiv 2401.13836)
- Sculley et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
- Breck et al., The ML Test Score: A Rubric for ML Production Readiness and Technical Debt Reduction, IEEE Big Data 2017
- Rabanser, Günnemann and Lipton, Failing Loudly: An Empirical Study of Methods for Detecting Dataset Shift, NeurIPS 2019 (arXiv 1810.11953)
- CISA et al., Principles for the Secure Integration of Artificial Intelligence in Operational Technology, December 2025
- NIST, AI RMF Playbook, Measure function
- Google Cloud, MLOps: Continuous delivery and automation pipelines in machine learning
- NIST/SEMATECH e-Handbook of Statistical Methods, EWMA Control Charts
- Evidently, Data drift (how the default algorithm works)
- Evidently, Customize data drift
- NannyML, Estimation of Performance of the Monitored Model
- River, ADWIN
- River, PageHinkley
الأسئلة الشائعة
ما الفرق بين انجراف البيانات وانجراف المفهوم؟
انجراف البيانات تغيّر في المدخلات التي يتلقاها النموذج، مثل لقيم جديد أو معدل إنتاج أعلى، مع بقاء العلاقة بين المدخلات والهدف كما هي. أما انجراف المفهوم فهو تغيّر في هذه العلاقة نفسها، كأن يغيّر تقادم المحفّز جودة المنتج عند درجات الحرارة والتدفقات نفسها. يمكن رؤية انجراف البيانات من إحصاءات المدخلات وحدها، أما انجراف المفهوم فلا يُؤكَّد إلا بنتائج المختبر أو الفحص أو سجلات الأعطال.
كم مرة يجب إعادة تدريب نموذج صناعي؟
لا توجد فترة ثابتة. أعيدوا التدريب عندما يستمر الخطأ مقارنة بالمختبر أو الفحص في الازدياد، أو بعد تغيير في العملية أو اللقيم أو المنتج أو الأجهزة، أو عندما تدخل المدخلات منطقة لم يرها النموذج من قبل. وتعيد بعض الفرق التدريب وفق جدول زمني عندما تصل بيانات معنونة جديدة بانتظام. والمراقبة هي التي تبيّن متى تلزم إعادة التدريب.
هل يمكن اكتشاف الانجراف دون نتائج مختبر أو تسميات؟
جزئيًا. فحوص سلامة البيانات وتوزيعات المدخلات والتنبؤات تبيّن أن المصنع أو البيانات قد تغيّرت، دون أي تسميات. لكنها لا تبيّن ما إذا كان النموذج لا يزال صحيحًا، إذ تفترض أساليب تقدير الأداء دون تسميات عدم وجود انجراف في المفهوم. وتبقى نتائج المختبر أو الفحص أو الأعطال هي التأكيد.
ما الأدوات التي تتيح مراقبة الانجراف على خوادمنا الخاصة؟
يمكن تشغيل مكتبات Python مثل Evidently لمقارنة التوزيعات، وRiver لكواشف التغيّر في التدفقات مثل ADWIN وPage-Hinkley، وNannyML لتقدير الأداء دون تسميات، على خوادم داخل شبكتكم. وغالبًا ما تكفي للبداية إحصاءات بسيطة تُكتب في قاعدة البيانات التاريخية وتُعرض على لوحات المتابعة القائمة.
هل يكفي تصحيح الانحياز لإصلاح نموذج منجرف؟
فقط في حالة الإزاحة الثابتة. فتصحيح الانحياز يقرّب التقدير من آخر نتيجة مخبرية، فيصحّح الإزاحة لكنه لا يصحّح ميلًا تغيّر أو نظام تشغيل جديدًا. وإذا عاد الخطأ بعد كل تصحيح، أو تغيّر مع ظروف التشغيل، فالنموذج يحتاج إلى إعادة تدريب على بيانات حديثة.
ماذا يجب أن يحدث عند إيقاف نموذج عن العمل؟
يعود المشغلون إلى الطريقة التي كانوا يستخدمونها قبل النموذج: نتائج المختبر، أو الحساب السابق، أو الأتمتة التقليدية، أو التشغيل اليدوي. ويجب أن تُكتب هذه الخطة البديلة، ومن يقرر اللجوء إليها، وأن تُختبر قبل بدء التشغيل، إلى جانب طريقة للعودة إلى النسخة السابقة من النموذج.



