تغيّر أعباء عمل الذكاء الاصطناعي عادات مهندسي SRE وفرق المنصات: فالخدمة التي تستدعي نموذجًا لغويًا كبيرًا (LLM) قد تردّ خلال 200 ملّي ثانية أو خلال 20 ثانية، وقد تكلّف سنتًا أو يورو، وقد تعطي إجابتين مختلفتين عن السؤال نفسه. أدوات الموثوقية هي نفسها، لكن ما يجب قياسه وطريقة ضمانه يتغيّران بوضوح.
لدى معظم المؤسسات ممارسات SRE ومنصات داخلية ناضجة. لذلك لم تعد الصعوبة في البدء، بل في استيعاب فئة جديدة من الخدمات دون مضاعفة لوحات المعلومات (dashboards) ودون فقدان السيطرة على التكاليف.
يحصي هذا المقال ما يتغيّر عمليًا، ويقترح فهرسًا من المؤشرات المناسبة، ويبيّن كيف تستطيع فرقة المنصة توفير هذه المتطلبات افتراضيًا.
كيف تفشل أعباء عمل الذكاء الاصطناعي بشكل مختلف؟
تتعطل واجهة API التقليدية بشكل صريح: خطأ 500 أو مهلة منتهية أو طابور ممتلئ. أما خدمة الذكاء الاصطناعي فتضيف أنماط فشل أخفى:
- عدم الحتمية. المدخل نفسه لا يعطي دائمًا المخرج نفسه، مما يعقّد اختبارات الانحدار.
- تدهور الجودة دون أخطاء. إجابة خاطئة لكنها حسنة الصياغة تعيد الرمز 200.
- التكلفة المتغيرة. يتوقف عدد الرموز (tokens) على السؤال والسياق المسترجَع وحلقات الوكيل. وقد يضاعف موجّه (prompt) سيئ التصميم الفاتورة دون أن يتحرك زمن الاستجابة.
- التبعيات الخارجية. مزوّدو النماذج والحصص وحدود المعدل: كلها نقاط فشل خارج نطاقك.
- الانجراف. تغيير النموذج أو الموجّه أو البيانات يغيّر السلوك دون أي نشر لشيفرة التطبيق.
- الموارد النادرة. وحدات GPU باهظة وغالبًا مشتركة، ويظهر التشبع في صورة طوابير انتظار لا في صورة أخطاء.
ماذا تقول بيانات الميدان؟
تقدّم دراسة State of SRE and Platform Engineering 2026 التي نشرتها Dynatrace بعض المعالم المفيدة. أهداف مستوى الخدمة (SLO) شائعة جدًا (89% من المشاركين يستخدمونها في جزء على الأقل من فرقهم أو أنظمتهم)، لكن نحو النصف يرى أن تكاثر مصادر البيانات يعيق تحديدها. وعلى صعيد المنصات، يوفّر 74% لوحات معلومات للمراقبة بالخدمة الذاتية، بينما لا يدمج قابلية الملاحظة (observability) في جميع عمليات النشر إلا 40%.
بعبارة أخرى، الأسس موجودة لكن التغطية جزئية. وأي عبء عمل للذكاء الاصطناعي يعمل في منطقة ضعيفة التغطية يتحول سريعًا إلى صندوق أسود: لا نعرف إن كان يتصرف كما تصرف أثناء الاختبارات.
ما المؤشرات المناسبة لأعباء عمل الذكاء الاصطناعي؟
تبقى الإشارات الأربع الكلاسيكية (زمن الاستجابة وحجم الطلبات والأخطاء والتشبع) هي الأساس. ثم تُستكمل بمؤشرات خاصة بالذكاء الاصطناعي:
| المؤشر | ما الذي يكشفه | مثال على العتبة |
|---|---|---|
| زمن الوصول إلى أول رمز | سرعة الاستجابة كما يراها المستخدم أثناء البث | p95 أقل من 1.5 ثانية |
| الرموز لكل طلب | انجراف السياق أو حلقات الوكيل | تنبيه عند زيادة 40% خلال 24 ساعة |
| التكلفة لكل مهمة ناجحة | الكفاءة الاقتصادية الفعلية | ميزانية شهرية لكل استخدام |
| درجة التقييم | جودة الإجابات على عيّنة | أعلى من 0.85 |
| معدل أخطاء المزوّد | الحصص وحدود المعدل وانقطاع الخدمة | أقل من 1% |
| طابور GPU | تشبع الاستدلال (inference) | أقل من 10 طلبات منتظرة |
هذه العتبات أمثلة تُكيَّف بحسب حالتك. المهم أن تختار مؤشرات قليلة مرتبطة بتجربة المستخدم بدل إضافة عشرات المقاييس. أما في أهداف SLO لزمن الاستجابة، فالنهج القائم على التوزيع مناسب بصورة خاصة للإجابات شديدة التفاوت في المدة: راجع مقاييس المدرّج التكراري مع OpenPipeline.
دور فريق المنصة: مسار ممهَّد للذكاء الاصطناعي
يعمل مهندسو SRE ومهندسو المنصات معًا أكثر فأكثر: تشير الدراسة إلى أن 73% من المشاركين يتقاسمون المسؤوليات بين الفريقين. وفي حالة الذكاء الاصطناعي يتخذ هذا التقاسم شكلًا ملموسًا: توفّر المنصة قوالب مشاريع تكون فيها أدوات القياس (instrumentation) وأهداف SLO وضوابط الأمان والميزانيات حاضرة منذ إنشاء الخدمة. فلا يحتاج المطورون إلى ابتكار مراقبة وكيلهم من جديد، بل يرثون قاعدة مشتركة.
ويجب أن تغطي هذه القاعدة أيضًا الانتقال من التقييم إلى الإنتاج. فالاختبارات المنجزة أثناء التطوير والمراقبة أثناء التشغيل تعيش غالبًا في أدوات منفصلة، فيتعذر التحقق من أن النظام يتصرف في الإنتاج كما تصرف في الاختبار. وهذا هو الخيط الناظم لـدليلنا لقابلية ملاحظة الذكاء الاصطناعي من الطرف إلى الطرف.
عمليًا: دمج عبء عمل ذكاء اصطناعي في ممارسة SRE
الخطوة 1: تصنيف الأعباء بحسب أهميتها
ميّز بين الاستخدامات الداخلية (مساعد برمجة وتلخيص التذاكر) والاستخدامات المكشوفة للعملاء أو المدمجة في عملية أعمال. الصنف الثاني وحده يستحق أهداف SLO صارمة ومناوبة (on-call).
الخطوة 2: كتابة هدف SLO في المستودع
صِف الأهداف في صورة إعداد خاضع لإدارة الإصدارات. الصيغة أدناه عامة ويجب نقلها إلى أداتك:
service: assistant-souscription
slo:
- nom: latence_premier_token
objectif: 99.0 # % des requêtes sous le seuil
seuil_ms: 1500
fenetre: 28j
- nom: qualite_reponses
objectif: 95.0 # % d'échantillons évalués conformes
fenetre: 7j
budget:
cout_mensuel_max_eur: 4000
alerte_a: 0.8
الخطوة 3: القياس افتراضيًا في قالب النشر
في قالب Kubernetes الذي توفره المنصة، تضمن متغيرات OpenTelemetry القياسية أن كل خدمة جديدة ترسل تتبعاتها (traces) إلى الوجهة الصحيحة:
env:
- name: OTEL_SERVICE_NAME
value: assistant-souscription
- name: OTEL_EXPORTER_OTLP_ENDPOINT
value: http://otel-collector.observabilite:4318
- name: OTEL_RESOURCE_ATTRIBUTES
value: team=souscription,criticite=haute
عنوان المجمّع (collector) مجرد مثال. وبالنسبة إلى عقد الاستدلال، راقب أيضًا الموارد التي تحجزها الحاويات (pods) فعليًا، وهو موضوع طلبات CPU الفعلية في Kubernetes.
الخطوة 4: إضافة بوابة جودة للذكاء الاصطناعي في خط الإنتاج
قبل كل طرح لموجّه أو نموذج جديد، شغّل مجموعة التقييم وأوقف التسليم إذا انخفضت الدرجة. ولأن النتائج احتمالية، قارن متوسطًا على عدة تشغيلات بدل نتيجة واحدة، واستكمل ذلك بمراقبة في الإنتاج.
الخطوة 5: ربط التكاليف بالموثوقية
اعرض ميزانية الأخطاء والميزانية المالية جنبًا إلى جنب. فالوكيل الذي يحترم هدف SLO لزمن الاستجابة لكنه يضاعف استهلاك الرموز ثلاث مرات هو حادثة تشغيلية، حتى لو لم يوقظ أحدًا.
أفضل الممارسات
- التعامل مع الموثوقية والأمان وقابلية الملاحظة كمتطلب واحد منذ التصميم.
- حصر أهداف SLO للذكاء الاصطناعي في عدد قليل من المؤشرات القريبة من المستخدم.
- إدارة إصدارات إعدادات قابلية الملاحظة وضوابط الحماية («as code») لأغراض التدقيق.
- الإبقاء على تحقق بشري لكل إجراء آلي عالي التأثير.
- اتباع اصطلاحات GenAI الدلالية في OpenTelemetry لتفادي الصيغ المحلية.
الأسئلة الشائعة
هل نحتاج إلى أهداف SLO خاصة بخدمة الذكاء الاصطناعي؟
نعم للاستخدامات الحرجة: إضافةً إلى زمن الاستجابة والأخطاء، هدف للجودة يُقاس بالتقييم وميزانية للتكلفة. أما الاستخدامات الداخلية فيكفيها متابعة دون مناوبة.
من المسؤول عن جودة الإجابات، مهندس SRE أم فريق الذكاء الاصطناعي؟
يحدد فريق الذكاء الاصطناعي المقيِّمات ويحسّن النظام، ويضمن مهندس SRE تشغيلها باستمرار وأن تطلق الانحرافات تنبيهًا. المسؤولية مشتركة، ومن هنا أهمية منصة مشتركة.
كيف نتجنب انفجار عدد المقاييس؟
ابدأ بالإشارات الأربع الكلاسيكية، وأضف مؤشرين أو ثلاثة للذكاء الاصطناعي مرتبطة بتجربة المستخدم، واحذف كل لوحة معلومات لا تخدم أي قرار.
الخلاصة
لا تجعل أعباء عمل الذكاء الاصطناعي ممارسات SRE قديمة، لكنها تلزمها بقياس الجودة والتكلفة كما تقيس التوافر. والفرق التي تُدرج هذه المتطلبات في المنصة بدل تركها لكل مشروع تكسب انسجامًا وطمأنينة. والخطوة التالية المنطقية هي الاطلاع على كيف يغيّر الذكاء الاصطناعي الموثوقية يوميًا. تجد السمات القياسية موصوفة في اصطلاحات GenAI الدلالية في OpenTelemetry.
للتوسع: SRE best practices and platform engineering trends: How AI workloads raise demands on observability to meet reliability requirements (مدونة Dynatrace، بالإنجليزية).
span.observer مدوّنة مجتمعية مستقلة وغير تابعة لشركة Dynatrace LLC. Dynatrace علامة تجارية لشركة Dynatrace LLC. تحقق دائمًا من القيم (المنافذ والإصدارات والأحجام) في الوثائق الرسمية الخاصة بإصدارك.