في عالم يزداد فيه الاعتماد على خدمات التعلم الآلي (MLaaS) لتمكين التطبيقات الذكية في بيئات إنترنت الأشياء (IoT)، بات من الضروري فهم كيفية التعامل مع التحديات المرتبطة بتغيرات دقة الأداء. حيث يعتمد الكثير من القطاعات مثل الرعاية الصحية والمنازل الذكية على هذه الخدمات بسبب فعاليتها من حيث التكلفة، إلا أن الطبيعة الديناميكية لبيئات إنترنت الأشياء تؤثر بشكل ملحوظ على استقرار هذه الأنظمة.

للحد من هذه التحديات، تم اقتراح إطار عمل جديد لكشف انحراف الأداء في خدمات التعلم الآلي، يقوم على تحليل سلوك الخدمة من خلال نماذج مُعتمدة على بيانات المدخلات والمخرجات. من خلال هذا الإطار، يتمكن المستخدمون من فهم كيفية تأثير البيانات المتغيرة على أداء النظام بطرق يسهل إدارتها.

يتضمن النموذج المطور (MPDD) تحليل التغيرات في البيانات المدخلة وسلوك خدمات التعلم الآلي. كما تم تصميم آلية كشف انحراف الأداء التكيفية (APDDM)، التي تعدل تكرار الرصد بشكل ديناميكي بناءً على التغيرات السلوكية والبيانية، مما يسمح بكشف الانحرافات في الوقت المناسب.

أظهرت التجارب المكثفة على مجموعات بيانات حقيقية أن النموذج MPDD تحقق دقة أعلى تصل إلى 25% مقارنةً بأساليب كشف الانحراف التقليدية، بينما تمكن APDDM من تحقيق زيادة في الدقة تقدر بحوالي 4% وتقليل معدل فقدان الكشف بنحو 9% عند المقارنة بالرصد الثابت.