تخيل أنك تحاول التنبؤ بالمستقبل، ولكن بدلاً من استخدام كرة بلورية، لديك مذكرات حية وعملاقة لكل ما حدث على الإطلاق. في عالم علوم الحاسوب، تُسمى هذه المذكرات "رسم بياني معرفي زمني" (Temporal Knowledge Graph). فكر في الأمر كشبكة ضخمة من الحقائق، مثل "التقى أليس ببوب في عام 2020" أو "انهار سوق الأسهم في مارس". الجزء "الزمني" يعني ببساطة أن كل حقيقة لها طابع زمني، بحيث يعرف الحاسوب متى حدثت الأشياء. العلماء مهووسون بهذه الرسوم البيانية لأنهم يريدون تخمين ما سيحدث بعد ذلك—مثل التنبؤ بما إذا كانت أليس ستلتقي ببوب مرة أخرى، أو ما إذا كان هناك اتجاه جديد سيبدأ. عادةً، للقيام بهذه التخمينات، تستخدم الحواسيب "شبكات عصبية" ضخمة ومعقدة. هذه الشبكات تشبه الصناديق السوداء فائقة الذكاء ولكن الغامضة التي تعالج الأرقام لإيجاد الأنماط. إنها قوية، لكنها ثقيلة، بطيئة، وغالباً ما يكون من المستحيل فهمها. تحصل على تنبؤ، لكن ليس لديك أدنى فكرة عن سبب اتخاذ الحاسوب لهذا الخيار.

هنا يأتي دور ورقة بحثية جديدة من باحثين من جامعة مانهايم الذين قرروا تجربة شيء مختلف. لقد تساءلوا: "ماذا لو لم نكن بحاجة إلى صندوق أسود ضخم؟ ماذا لو استطعنا فقط استخدام قواعد بسيطة وواضحة، مثل القواعد التي نستخدمها في حياتنا اليومية؟" لقد بنوا نظاماً يسمى CountTRuCoLa. وبدلاً من امتلاك دماغ معقد، يعمل هذا النظام مثل محقق ينظر إلى التاريخ ويقول: "مهلاً، كلما حدث هذا الشيء تحديداً مؤخراً، فإن ذلك الشيء الآخر يتبعُه عادةً". اختبر الباحثون هذا المحقق البسيط مقابل الصناديق السوداء الضخمة في تسعة مجموعات بيانات مختلفة. ووجدوا أن نظامهم القائم على القواعد البسيطة لم يكن فقط أسرع وأخف وزناً (لم يتوقف عن العمل عند مواجهة بيانات ضخمة مثل الأنظمة الأخرى)، بل كان أيضاً بجودة مماثلة، بل وأحياناً أفضل، في التنبؤ بالمستقبل. والأفضل من ذلك؟ يمكنك النظر إلى إجابتهم ورؤية القاعدة المحددة والحدث الماضي المعين الذي أدى إليها. إنه يشبه استبدال عصا سحرية لا يمكنك فهمها بخريطة واضحة وخطوة بخطوة يمكن لأي شخص قراءتها.

أدوات المحقق: كيف يعمل CountTRuCoLa

الفكرة الجوهرية وراء CountTRuCoLa هي أن المستقبل غالباً ما يكرر الماضي، ولكن مع لمسة مختلفة: الحداثة والتكرار أمران مهمان. تخيل أنك تحاول تخمين ما إذا كان صديقك سيرسل لك رسالة نصية أم لا. إذا أرسل لك رسالة قبل خمس دقائق، فقد تخمن أنه سيرد قريباً. وإذا كان يرسل لك رسائل كل يوم لمدة أسبوع، فقد تكون أكثر ثقة. يستخدم CountTRuCoLa هذا المنطق للتنبؤ بالروابط المستقبلية في الرسم البياني المعرفي.

يتعلم النظام أربعة أنواع من "القواعد" البسيطة لإجراء هذه التنبؤات:

1. قاعدة "نفس الشيء مجدداً" (القواعد المتكررة): هذه هي الأبسط. إذا حدث "التقى أليس ببوب" بالأمس، فإن القاعدة تقترح أن "أليس ستلتقي ببوب" مجدداً غداً. الأمر يشبه ملاحظة أن آلة صنع القهوة الخاصة بك تتعطل دائماً في أيام الثلاثاء.
2. قاعدة "التحول المختلف" (القواعد غير المتكررة): أحياناً، يؤدي حدث واحد إلى حدث مختلف. إذا "التقت أليس ببوب"، فربما يكون الشيء التالي هو "أليس وبوب ذهبا لتناول الغداء". يتعلم النظام أن اللقاء غالباً ما يؤدي إلى تناول الطعام معاً.
3. قاعدة "الشخصية المحددة" (القواعد الثابتة): تركز هذه القاعدة على أشخاص أو أشياء محددة. على سبيل المثال، "إذا ولد شخص في أمستردام، فغالباً ما يدرس في جامعة أمستردام". لا يهم من هو الشخص؛ إذا كان من أمستردام، فستعمل القاعدة.
4. قاعدة "الاتجاه العام" (قواعد التكرار): تنظر هذه القواعد إلى الصورة الكبيرة. "البيتزا تُؤكل كثيراً" أو "كيم يحب البيتزا تحديداً". هذه القواعد لا تحتاج إلى محفز حدث معين؛ فهي تعرف فقط أن بعض الأشياء تحدث بشكل متكرر في العالم.

السر الخفي: دالة الثقة

السحر الحقيقي ليس في القواعد فحسب، بل في كيفية اتخاذ النظام لقرار بشأن مدى الثقة بها. لقد ابتكر الباحثون "دالة ثقة" خاصة تعمل مثل بطاقة تسجيل النقاط. عندما يرى النظام قاعدة يمكنها التنبؤ بالمستقبل، فإنه يطرح سؤالين:

• كم كان تاريخ آخر مرة حدث فيها هذا؟ (الحداثة)
• كم مرة حدث هذا مؤخراً؟ (التكرار)

يعطي النظام درجة عالية إذا حدث الحدث مؤخراً جداً أو حدث مرات عديدة في نافذة زمنية قصيرة. إذا حدث منذ وقت طويل أو مرة واحدة فقط في السنة، تنخفض الدرجة. هذا يشبه كيف قد تثق في توقعات الطقس أكثر إذا أمطرت كل يوم هذا الأسبوع مقارنة بما لو أمطرت مرة واحدة الشهر الماضي. يتعلم النظام التوازن المثالي لكل قاعدة، حيث يحدد بالضبط مدى سرعة تلاشي "الثقة" مع مرور الوقت.

المواجهة: البسيط مقابل المعقد

لكي يرى الباحثون ما إذا كان بإمكان محققهم البسيط التغلب على الصناديذ السوداء الضخمة، اختبروا CountTRuCoLa على تسعة مجموعات بيانات مختلفة، تتراوح من مجموعات صغيرة من الحقائق إلى مجموعات ضخمة مثل GDELT (الذي يتتبع أحداث الأخبار العالمية). قارنوه بـ 11 نموذجاً آخر من أحدث النماذج، والعديد منها يستخدم التعلم العميق ويتطلب بطاقات رسوميات (GPUs) قوية للتشغيل.

كانت النتائج مفاجئة. حقق CountTRuCoLa، الذي يعمل على معالج كمبيوتر عادي (CPU) ولا يحتاج إلى GPU، أداءً ممتازاً للغاية.

• فاز في أربعة مجموعات بيانات وجاء في المركز الثاني أو الثالث في المجموعات الأخرى.
• تفوق على "الأساس المرجعي للتكرار" (وهو طريقة بسيطة تفترض فقط أن الأشياء ستتكرر) في سبع من أصل تسع مجموعات بيانات، مما يثبت أن إضافة تلك القواعد الإضافية ودرجة الثقة الذكية يساعد بالفعل.
• لم يتوقف عن العمل (لم ينهار). وهذا أمر بالغ الأهمية. فعندما حاول الباحثون تشغيل نماذج الشبكات العصبية المعقدة على أكبر مجموعات البيانات، نفدت الذاكرة من العديد منها أو استغرقت وقتاً طويلاً جداً (أخطاء خارج الوقت). تعامل CountTRuCoLa مع جميع مجموعات البيانات دون حدوث انهيار واحد.

تشير الورقة البحثية إلى أنه بالنسبة للعديد من مهام التنبؤ هذه، فإن "التعقيد" في الشبكات العصبية الضخمة ليس ضرورياً في الواقع. فالأنماط في البيانات غالباً ما تكون بسيطة بما يكفي لتجدها مجموعة واضحة من القواعد بنفس الجودة، إن لم تكن أفضل.

لماذا يهم هذا: قوة "لماذا"

الميزة الكبرى لـ CountTRuCoLa ليست فقط في أنه يعمل؛ بل في أنه يشرح لماذا. مع الشبكات العصبية المعقدة، إذا تنبأ الكمبيوتر بأن "أليس ستلتقي ببوب"، فلا يمكنك أن تسأل: "لماذا؟". الإجابة مدفونة وسط ملايين الأرقام. ولكن مع CountTRuCoLa، تحصل على تقرير كامل.

تخيل أن النظام يتنبأ بأن "Alexis_T. سوف يستشير Evangelos_V". يمكن للنظام أن يوضح لك:

• القاعدة: "الأشخاص الذين أعربوا عن نية اللقاء عادة ما يستشيرون لاحقاً".
• المحفز: "Alexis_T. أعرب عن نية اللقاء قبل 4 خطوات زمنية".
• الدرجة: "هذه القاعدة لديها ثقة قدرها 0.17 بناءً على مدى حداثة وتكرار هذا النمط".

هذه الشفافية تشبه امتلاك محقق لا يحل القضية فحسب، بل يريك ملف الأدلة، والجدول الزمني، والمنطق وراء كل استنتاج. لقد بنى الباحثون أداة تسمح للمستخدمين بالنقر على التنبؤ ورؤية الرسم البياني والأرقام الدقيقة التي أدت إليه. هذا يساعد العلماء على فهم ليس فقط ماذا سيحدث، بل ما هي الأنماط في البيانات التي تقود هذه التنبؤات.

الخلاصة

لا يدعي المؤلفون في هذه الورقة أنهم حلوا لغز السفر عبر الزمن أو أن الذكاء الاصطناوي المعقد عديم الفائدة. إنهم يقترحون أنه بالنسبة لمهمة التنبؤ بالروابط المستقبلية في الرسوم البيانية المعرفية، ربما كنا نبالغ في تعقيد الأمور. يظهر نهجهم البسيط القائم على القواعد، CountTRuCoLa، أنه يمكنك تحقيق أداء رفيع المستوى دون الحاجة إلى الآلات الثقيلة للتعلم العميق. إنه أسرع، ولا يتوقف عن العمل عند التعامل مع البيانات الضخمة، والأهم من ذلك، أنه يبقي "الصندوق الأسود" مفتوحاً حتى نتمكن من رؤية كيف يحدث السحر بالضبط. في عالم يصبح فيه الذكاء الاصطناعي أكثر تعقيداً وصعوبة في الفهم، يقدم CountTRuCoLa تذكيراً منعشاً بأنه في بعض الأحيان، تكون القواعد البسيطة هي الأكثر قوة.