Interactive Mars Image Content-Based Search with Interpretable Machine Learning
تقدم هذه الورقة نظاماً للبحث عن الصور القائم على المحتوى، يعتمد على النماذج الأولية ويكون قابلاً للتفسير، وذلك لمجموعة بيانات مختبر علوم المريخ التابعة لنظام بيانات الكواكب التابع لناسا، صُمم لاستبدال النماذج غير القابلة للتفسير من خلال السماح للمستخدمين بفهم والتحقق من الأدلة الكامنة وراء التصنيفات مع ضمان تنوع وصحة الأدلة الأساسية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن وكالة ناسا تمتلك مكتبة رقمية ضخمة تحتوي على ملايين الصور للمريخ، التقطتها مركبة "كوريوسيتي" (Curiosity) خلال سنوات عديدة. إنها تشبه ألبوم صور عملاق يستمر في النمو كل يوم. ما المشكلة؟ إذا أردت البحث عن نوع معين من الصخور أو صورة لعجلة المركبة، فلن يكون بإمكانك البحث في ملايين الصور واحدة تلو الأخرى. أنت بحاجة إلى محرك بحث ذكي.
لفترة طويلة، استخدم العلماء ذكاءً اصطناعيًا بنظام "الصندوق الأسود" للقيام بهذا البحث. كان الأمر يشبه توظيف أمين مكتبة يمكنه العثور على الصورة الصحيحة فورًا، لكنه لا يستطيع إخبارك لماذا اختارها. كان يكتفي بالإشارة إلى الصورة ويقول: "هذه هي". ولكن بالنسبة للعلماء والمستكشفين الشغوفين، فإن معرفة السبب لا تقل أهمية عن العثين على الإجابة نفسها.
تقدم هذه الورقة البحثية نظام "أمين مكتبة شفاف" جديد يُدعى Proto-MSLNet. وإليك كيف يعمل، باستخدام تشبيهات بسيطة:
1. أمين المكتبة الذي يقول: "أرني الدليل"
بدلاً من مجرد التخمين، يعمل هذا النظام الجديد مثل محقق يعرض عليك أدلته. فهو يستخدم طريقة تُسمى التعلم القائم على النماذج الأولية (Prototype-Based Learning).
- التشبيه: تخيل أنك تحاول تعليم طفل كيف يبدو "الشمس". أنت لا تكتفي بالقول "إنها نجم"، بل تعرض عليه بضعة أمثلة محددة ومثالية للشمس من ألبوم الصور الخاص بك وتقول له: "تذكر هذه الأشكال والألوان؟ إذا رأيت شيئًا يشبه هذه، فمن المحتمل أن يكون الشمس".
- كيف يفعل الذكاء الاصطناعي ذلك: يتعلم الذكاء الاصطناعي مجموعة من "النماذج الأولية" (قطع صور مثالية) لكل فئة (مثل "عجلة"، "صخرة"، أو "شمس"). عندما يرى صورة جديدة، فإنه لا يخمن فحسب؛ بل يجد الأجزاء من الصورة الجديدة التي تشبه أكثر "نماذجه الأولية" المخزنة، ويقوم بتحديدها. إنه يرسم حرفيًا مربعًا حول الدليل ويقول: "أعتقد أن هذه عجلة لأن هذا الجزء يشبه نموذج 'العجلة' الخاص بي".
2. جعل الأدلة متنوعة
لاحظ الباحثون مشكلة في النسخة الأصلية من هذا "المحقق". فأحيانًا، كان الذكاء الاصطناعي يختار نفس الصورة بالضبط من مكتبة التدريب الخاصة به ليشرح كل عجلة يجدها. كان الأمر يشبه محققًا لديه صورة مرجعية واحدة فقط ويستخدمها لتفسير كل قضية، حتى لو كانت العجلات تبدو مختلفة قليًا.
- الحل: أضاف الفريق قاعدة خاصة (تكلفة التنوع - "diversity cost") لتدريب الذكاء الاصطناعي. هذه القاعدة أجبرت الذكاء الاصطناعي على إيجاد أمثلة مختلفة لأدلته. الآن، بدلاً من الاعتماد على صورة واحدة فقط، قد يستخدم خمس صور مختلفة للعجلات لتفسير قراره. وهذا يجعل الذكاء الاصطناعي أكثر ذكاءً وموثوقية، مما يضمن أنه لا يقوم بمجرد حفظ صورة معينة.
3. المقايضة: أبطأ قليلاً، ولكن أكثر وضوحًا
تعترف الورقة بأن هذا النظام الشفاف الجديد أقل "مثالية" في التخمين من نظام الصندوق الأسود القديم.
- الأرقام: حقق النظام القديم حوالي 86% من الإجابات الصحيحة عندما كان واثقًا جدًا. بينما حقق النظام الجديد القابل للتفسير حوالي 83% صحيحة.
- الثمن: ومع ذلك، فإن النظام الجديد أفضل بكثير في معرفة متى لا يعرف. فهو سيقول "أنا لست متأكدًا" بشكل أكثر تكرارًا (حوالي 24% من الوقت) بدلاً من تقديم تخمين خاطئ بثقة. ويرى المؤلفون أن هذه مقايضة جيدة لأن العلم يتطلب أن تكون صادقًا بشأن عدم اليقين بدلاً من أن تكون مخطئًا بثقة.
4. اكتشاف الأخطاء في "ألبوم الصور"
بما أن الذكاء الاصطناعي يوضح خطوات عمله، فقد تمكن الباحثون من رصد أخطاء لم يكن بإمكانهم رؤيتها لولا ذلك.
- الاكتشاف: وجدوا أن الذكاء الاصطناعي يخلط أحيانًا بين "مفاصل العجلات" و"العجلات" لأن زوايا الكاميرا تجعلها تبدو متشابهة جدًا. كما وجدوا أن بعض الصور في مجموعة التدريب كانت مصنفة بشكل خاطئ (على سبيل المثال، صورة مصنفة كـ "شمس" بينما هي في الواقع "سماء ليلية").
- الفائدة: من خلال رؤية أي "نموذج أولي" استخدمه الذكاء الاصطناعي، يمكن للبشر رصد هذه الأخطاء. إذا حدد الذكاء الاصطناعي قطعة من "السماء الليلية" ليشرح لماذا يعتقد أن الصورة هي "شمس"، يمكن للإنسان أن يقول: "مهلًا، هذا خطأ"، ويقوم بتصحيح البيانات.
5. المستقبل: حوار ثنائي الاتجاه
تضع الورقة خطة لوضع هذا النظام في أرشيف صور ناسا الحقيقي (PDS Image Atlas).
- الهدف: يريدون السماح للمستخدمين (العلماء والجمهور) بالتفاعل مع الذكاء الاصطناعي. إذا رأى المستخدم أن الذكاء الاصطناعي يسلط الضوء على الجزء الخطأ من الصورة، يمكنه النقر على زر للقول: "هذا خطأ".
- الحلقة: هذا يخلق حلقة تغذية راجعة. يتعلم الذكاء الاصطناعي من تصحيحات البشر، ويتعلم البشر أيضًا كيف يفكر الذكاء الاصطناعي. هذا يحول البحث من أمر من طرف واحد إلى حوار.
باختصار:
تقدم هذه الورقة طريقة جديدة للبحث في صور المريخ حيث لا يعطيك الكمبيوتر إجابة فحسب، بل يريك الدليل. إنه أقل دقة في التخمين من الطريقة القديمة، لكنه أكثر صدقًا، ويوضح خطوات عمله، ويسمح للبشر بتصحيح أخطائه، مما يجعل النظام بأكمله أفضل للجميع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.