دليل نشر ومراقبة نماذج التعلم الآلي في تطبيقات iOS دون فقدان البيانات

يتطلب نشر نماذج التعلم الآلي (iOS machine learning models) تحديثات مستمرة للتكيف مع سلوكيات المستخدمين المتغيرة ومنع الركود الخوارزمي. غالباً ما يتسبب المطورون الذين يعتمدون على عمليات دمج ثابتة لمعيار CoreML في خلق نقاط عمياء للبيانات، مما يفوت حالات استثنائية قد ترفع معدلات التحويل بشكل كبير. يتيح تنفيذ نظام تحديث ديناميكي عبر الهواء للفرق معايرة الحدود، وتجميع المستخدمين لاختبارات A/B، ومراقبة الأداء الفعلي دون الحاجة إلى تحديثات عبر متجر التطبيقات.

يضمن هذا النهج قدرة التطبيق على إرسال بيانات السياق الواقعية غير المحددة للهوية إلى خادم واجهة برمجة التطبيقات (API)، والذي يستجيب بدوره بأحدث تفاصيل النموذج. يمكن لجهاز العميل بعد ذلك اتخاذ قرار مستقل بشأن حاجته لتنزيل تحديث جديد للنموذج، مما يحافظ على سلاسة تجربة المستخدم وتحسينها باستمرار.

لضبط النماذج بفعالية دون دفع تحديثات للتطبيق، يجب على المطورين إدارة البيانات الوصفية عن بُعد. يشمل ذلك معايرة مستوى كثافة المطالبات وتحديد فرص البيع العشوائية لجمع بيانات متنوعة.

من خلال توفير هذه التفاصيل جنباً إلى جنب مع رابط التنزيل، يمكن لتطبيق العميل تعديل سلوكه ديناميكياً بناءً على تكوينات الخادم.

private struct SaveableCustomModelInfo: Codable {
    let modelVersion: String
    let upsellThreshold: Double
    let randomUpsellChance: Double

    let contextSDKSpecificMetadataExample: Int
}

• إصدار النموذج (modelVersion): يستخدم معرفاً فريداً (UUID) لتتبع النموذج الحالي. يتعامل خادم API مع التسلسل الهرمي للإصدارات، مما يلغي حاجة العميل لتحليل أرقام الإصدارات.
• حد البيع (upsellThreshold): يُرجع نموذج CoreML درجة تتراوح بين 0 و 1 تشير إلى احتمالية التحويل، والتي تملي بدورها كثافة المطالبة.
• فرصة البيع العشوائية (randomUpsellChance): مقياس بالغ الأهمية يُستخدم لمنع النقاط العمياء في البيانات عن طريق تجاوز توقعات النموذج في بعض الأحيان.

تقيّم النماذج المتقدمة، كتلك التي تستخدمها شركة ContextSDK، أكثر من 180 إشارة على الجهاز لتحديد اللحظة المثلى لعرض المحتوى. يتطلب إدخال جميع المدخلات الـ 180 في نموذج واحد مجموعات بيانات ضخمة، لذا يجب أن تعزل معالجة البيانات إشارات السياق ذات الوزن الأعلى.

بالنسبة لمصادر البيانات المعقدة أو الجمع غير المتزامن، توصي شركة Apple باستخدام بروتوكول مزود ميزات التعلم الآلي (MLFeatureProvider) لتقليل نسخ البيانات وتبسيط تعيين المدخلات.

func featureValue(for featureName: String) -> MLFeatureValue? {
    // Fetch your value here based on the `featureName`
    stringValue = self.signalsManager.signal(byString: featureName) // Simplified example
    return MLFeatureValue(string: stringValue.string())
}

يمكن للمطورين إنشاء فئة فرعية من MLFeatureProvider وتنفيذ وظيفة featureValue لجلب القيم الصحيحة ديناميكياً. يمكن الاستعلام عن المعلمات المطلوبة لملف CoreML محدد مباشرة من وصف النموذج.

featureNames = Set(mlModel.modelDescription.inputDescriptionsByName.map({$0.value.name}))

يتطلب تقييم التأثير الواقعي للنموذج تقسيم قاعدة المستخدمين إلى مجموعات متميزة، مثل تقسيم بنسبة 50/50، لمقارنة النموذج الجديد بخط الأساس. يجب أن يتم هذا التعيين على الجهاز لتقليل التعقيد وتجنب الاعتماد على البنية التحتية الخارجية.

تحقق فئة ControlGrouper ذلك عن طريق تشفير معرف مستخدم محلي وتعيينه إلى مساحة 256 بت، مما يضمن توزيعاً متساوياً عبر المجموعات المحددة.

import CommonCrypto

class ControlGrouper {
    class func getGroupAssignment<T>(userIdentifier: String, modelName: String, groups: [ControlGroup<T>]) -> T  {
        if (groups.count <= 1) {
            return groups[0].value
        }

        let assignmentString = "\(userIdentifier)\(modelName)".data(using: String.Encoding.utf8)
        var digest = [UInt8](repeating: 0, count: Int(CC_SHA256_DIGEST_LENGTH))
        if let value = (assignmentString as? NSData) {
            CC_SHA256(value.bytes, CC_LONG(value.count), &digest)
        }

        if let bucket = UInt32(data: Data(digest).subdata(in: 0..<4)) {
            let position = Double(bucket) / Double(UInt32.max)
            let sortedGroups = groups.sorted(by: {$0.upperBoundInclusive < $1.upperBoundInclusive})
            for group in sortedGroups {
                if (position <= group.upperBoundInclusive) {
                    return group.value
                }
            }
        }
        return groups[groups.count - 1].value
    }
}

struct ControlGroup<T> {
    let value: T
    let upperBoundInclusive: Double
}

يمكن أن يؤدي الاعتماد الصارم على نموذج التعلم الآلي إلى خلق عمى في البيانات عن غير قصد. على سبيل المثال، إذا تعلم النموذج أن مطالبة المستخدمين عندما تكون بطاريتهم أقل من 7% تؤدي إلى نتائج سيئة، فسيتوقف عن عرض المطالبات في تلك الحالة تماماً. وبالتالي، لن يتعلم النظام أبداً ما إذا كانت هناك استثناءات، كما هو الحال عندما يكون الجهاز متصلاً بالشاحن.

لحل هذه المشكلة، يجب على المطورين إدخال فرصة بيع عشوائية خاضعة للرقابة. يجبر هذا التطبيق على عرض مطالبة في بعض الأحيان حتى عندما ينصح النموذج بخلاف ذلك، مما يولد بيانات واقعية جديدة لتحسين التكرارات المستقبلية.

let hasInvalidResult = upsellProbability == -1
let coreMLUpsellResult = (upsellProbability >= executionInformation.upsellThreshold || hasInvalidResult)

// Prevent cases where users never see an upsell by introducing randomness
let randomUpsellResult = Double.random(in: 0...1) < executionInformation.randomUpsellChance

let upsellResult = (coreMLUpsellResult || randomUpsellResult) ? UpsellResult.shouldUpsell : .shouldSkip

// Track if this prompt was shown randomly to evaluate performance
modelBasedSignals.append(SignalBool(id: .wasRandomUpsell, value: randomUpsellResult && !coreMLUpsellResult))

يجب تحسين هذه العشوائية إلى نسبة مئوية صغيرة بما يكفي بحيث لا تضر بمعدلات التحويل الإجمالية، ولكنها تظل كبيرة بما يكفي لتغذية مسار التدريب.

تُعد المراقبة المستمرة أمراً بالغ الأهمية لضمان أن النموذج الجديد يحسن المقاييس الرئيسية بالفعل. في أحد السيناريوهات الواقعية، أدت استراتيجية المطالبة العدوانية إلى تسرب المستخدمين. من خلال تنفيذ اختبار A/B بنسبة 50/50، تمكن المطورون من قياس التأثير الدقيق لنموذج التعلم الآلي على معدلات التحويل.

أسفر النشر الناجح للنموذج في هذا السيناريو عن زيادة بنسبة 81% في معدلات التحويل. وعلى العكس من ذلك، تسبب نموذج سيئ التحسين في انخفاض معدلات التحويل بنسبة 6%، مما أدى إلى خفض إجمالي المبيعات إلى النصف.

إذا فشل النموذج في تحقيق النتائج المرجوة بعد عدد كبير من المبيعات، يتيح نظام التحديث عبر الهواء للمطورين إيقاف الطرح فوراً والعودة إلى الإصدار السابق.

يسلط التناقض الصارخ بين زيادة التحويل بنسبة 81% والانخفاض بنسبة 6% الضوء على المخاطر المالية الشديدة لنشر نماذج التعلم الآلي الثابتة. عندما يتعامل المطورون مع دمج معيار CoreML كميزة تُضبط وتُترك دون متابعة، فإنهم يقللون فعلياً من إمكانات إيرادات تطبيقاتهم من خلال التمسك بالافتراضات المبكرة.

يُعد تنفيذ فرصة البيع العشوائية أمراً عبقرياً بشكل خاص لأنه لا يتعامل مع نموذج التعلم الآلي كسلطة مطلقة، بل كفرضية حية. من خلال تحدي توقعات الخوارزمية عمداً بطريقة خاضعة للرقابة، يمكن للتطبيقات اكتشاف حالات استثنائية مربحة كان النموذج الصارم سيتجاهلها بشكل دائم.

في النهاية، يوفر إطار عمل CoreML القوي من شركة Apple الأدوات اللازمة للذكاء الذي يعمل دون اتصال بالإنترنت، لكن الميزة التنافسية الحقيقية تكمن في القياس عن بُعد والبنية التحتية للمعايرة المبنية حوله. الفرق التي تستثمر في اختبارات المجموعات الديناميكية على الجهاز ستتفوق باستمرار على تلك التي تعتمد على دورات التحديث البطيئة المقيدة بمتجر التطبيقات.