Combining Abstract Argumentation and Machine Learning for Efficiently Analyzing Low-Level Process Event Streams
تقترح هذه المساهمة نهجاً عصبياً رمزياً كفؤاً من حيث البيانات يجمع بين مصنف تسلسل لتعلم الآلة وإطار جدلي مجرد لتفسير تدفقات أحداث العمليات منخفضة المستوى بدقة وتكرير التفسيرات المرشحة باستخدام المعرفة المسبقة، مما يتغلب على قيود ندرة البيانات والتعقيد الحسابي.
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 أنك تحاول فهم قصة ما، ولكن بدلاً من الحبكة الفعلية، لا تملك سوى قائمة من الأفعال الخام ومنخفضة المستوى.
المشكلة: فجوة "الترجمة"
تأمل سير العمل الخاص بمريض في مستشفى. قد يسجل سجل الكمبيوتر تسلسلاً من الأفعال الصغيرة والمحددة للغاية: "تم لمس المريض"، "سحب دم"، "قياس الضغط"، "إدخال إبرة". هذه هي الأحداث منخفضة المستوى.
ومع ذلك، فإن الطبيب أو المدير لا يريد رؤية قائمة من الأفعال الصغيرة؛ بل يريد معرفة القصة عالية المستوى: "التحضير"، "دخول المريض للمستشفى"، و"مرحلة ما قبل الجراحة".
تكمن المشكلة في أن فعلاً صغيراً (مثل "سحب دم") يمكن أن يحدث في أي من هذه المراحل الثلاث الكبرى. الأمر يشبه رؤية شخصية في فيلم تلتقط كوباً. هل هي تشرب القهوة قبل اجتماع؟ أم تصب الشاي لضيف؟ أم أنها تقوم فقط بالتنظيف؟ بدون سياق، تصبح المسألة مجرد تخمين. وإذا أخطأت في التخمين، ستصبح الرواية الكاملة لرعاية المريض مشوشة.
الأساليب القديمة
تصف الورقة البحثية طريقتين سابقتين لحل هذه المشكلة، وكلاهما يعاني من أوجه قصور:
- نهج "كتاب القواعد الصارم" (الاستدلال التجريدي):
تخيل محققاً منطقياً صارماً يعرف جميع قواعد المستشفى.
- القاعدة: "قبل الجراحة، يجب أن يتم دخول المريض للمستشفى."
- القاعدة: "لا يمكنك بدء إجراءات ما قبل الجراحة إذا لم تكتمل مرحلة التحضير."
يقوم هذا المحقق بفحص كل القصص الممكنة مقابل القواعد. إذا خالفت قصة ما القواعد، يتم استبعادها. - وجه القصور: أحياناً تكون القواعد فضفاضة للغاية. قد يقول المحقق: "حسناً، من الناحية الفنية، يمكن أن يكون هذا دخولاً للمستشفى، أو يمكن أن يكون مرحلة ما قبل الجراحة، أو يمكن أن يكون تحضيراً". يمنحك المحقق قائمة ضخمة من الاحتمالات. إنه دقيق، ولكنه مربك وبطيء في الحوسبة.
- نهج "التعرف على الأنماط" (تعلم الآلة):
تخيل طالباً قرأ آلاف القصص السابقة للمرضى.
- كيف يعمل: يرى الطالب "سحب دم" ويتذكر: "آه، في 80% من القصص التي قرأتها، حدث هذا أثناء دخول المريض للمستشفى".
- وجه القصور: يحتاج هذا الطالب إلى مكتبة ضخمة من القصص السابقة للتعلم. وإذا لم يكن قد رأى أمثلة كافية، فقد يخطئ في التخمين. علاوة على ذلك، فهو لا يعرف القواعد الصارمة. قد يخمن "ما قبل الجراحة" لحدث "سحب دم"، رغم أن القواعد تنص على أن إجراءات ما قبل الجراحة لا يمكن أن تحدث بعد.
الحل الجديد: الفريق "النيوروسيمبولي" (العصبي الرمزي)
يقترح المؤلفون تعاوناً بين المحقق الصارم (المستدل/Reasoner) ونظام التعرف على الأنماط (تعلم الآلة). وهم يسمونه نهجاً "نيوروسيمبولياً" (Neuro-symbolic).
إليك كيف يعملان معاً في الوقت الفعلي:
- المحاولة الأولى: خوارزمية التعرف على الأنماط (تعلم الآلة) تنظر إلى الحدث الحالي وتاريخ ما حدث قبله. تقول: "أنا متأكد بنسبة 80% أن هذا دخول للمستشفى، و15% تحضير، و5% ما قبل الجراحة". وهي تقدم قائمة مرتبة لأكثر القصص احتمالاً.
- اختبار الواقع: يأخذ المحقق الصارم (المستدل) هذه القائمة القصيرة ويتحقق منها مقابل القواعد الصارمة.
- يقول المحقق: "انتظر، القواعد تنص على أن إجراءات ما قبل الجراحة لا يمكن أن تحدث الآن. لذا فإن تقدير الـ 5% هذا مستحيل. سأقوم بشطبه".
- ويضيف المحقق أيضاً: "وكذلك، تنص القواعد على أنه لا يمكن حدوث عمليتي دخول للمستشفى على التوالي. لذا فإن تقدير الـ 15% هذا غير صالح أيضاً".
- الإجابة النهائية: يقدم النظام للمستخدم فقط الخيارات الصحيحة، مرتبة حسب الاحتمالية التي حددتها خوارزمية التعرف على الأنماط.
لماذا يعد هذا أمراً هاماً
تدعي الورقة أن هذا التعاون يحل نقاط ضعف الأساليب القديمة:
- إنه أسرع وأوضح: بدلاً من أن يعطيك المحقق 50 احتمالاً مربكاً، تقوم خوارزمية التعرف على الأنماط بتقليص هذا العدد إلى أفضل 3 احتمالات، ثم يقوم المحقق ببساطة بالتأكد من أي من هذه الثلاثة قانوني. وبذلك تتلقى قائمة قصيرة ومرتبة لأفضل الإجابات.
- يعمل ببيانات أقل: عادة ما تحتاج خوارزمية التعرف على الأنماط إلى آلاف الأمثلة لتتعلم جيداً. ولكن بما أن المحقق الصارم موجود لتصحيح الأخطاء، فإن خوارزمية التعرف على الأنماط لا تحتاج لأن تكون مثالية. حتى لو لم يقرأ الطالب الكثير من الكتب، يمكن للمحقق أن يمنعه من ارتكاب أخطاء ساذجة. وتظهر تجارب الورقة أن هذا الفريق يتفوق بشكل ملحوظ على الطالب وحده، حتى مع وجود أمثلة تدريبية قليلة جداً.
- إنه يشرح "لماذا": إذا رفض النظام فكرة ما، يمكن للمحقق شرح لماذا (على سبيل المثال: "رفضتُ 'ما قبل الجراحة' لأن القواعد تنص على أن 'التحضير' يجب أن يحدث أولاً").
باختصاف
تقدم الورقة نظاماً يجمع بين الحدس لنموذج تعلم الآلة (القائم على الأنماط) والمنطق لنظام قائم على القواعد (الذي يتحقق من الحقائق). وهذا يخلق أداة ذكية بما يكفي لتخمين القصة الصحيحة، وسريعة بما يكفي للقيام بذلك في الوقت الفعلي، وصارمة بما يكفي لضمان أن القصة منطقية وفقاً للقواعد. وهو مفيد بشكل خاص عندما لا تملك أمثلة سابقة كافية لتعليم الكمبيوتر كل شيء بمفرده.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.