🤖 AI

Agile Deliberation: Concept Deliberation for Subjective Visual Classification

تقدم هذه الورقة البحثية "المداولة الرشيقة" (Agile Deliberation)، وهو إطار عمل يعتمد على وجود الإنسان في الحلقة، يساعد المستخدمين على تنقيح المفاهيم البصرية الغامضة أو الذاتية من خلال تحديد النطاق المنظم والتعرض المتكرر للحالات الحدية، مما يؤدي إلى أداء أعلى بكثير للمصنف وجهد معرفي أقل مقارنة بالنماذج المرجعية الحالية.

المؤلفون الأصليون: Leijie Wang, Otilia Stretcu, Wei Qiao, Thomas Denby, Krishnamurthy Viswanathan, Enming Luo, Chun-Ta Lu, Tushar Dogra, Ranjay Krishna, Ariel Fuxman

نُشر 2026-04-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Leijie Wang, Otilia Stretcu, Wei Qiao, Thomas Denby, Krishnamurthy Viswanathan, Enming Luo, Chun-Ta Lu, Tushar Dogra, Ranjay Krishna, Ariel Fuxman

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 تعليم روبوت ذكي جداً، ولكنه حرفي التفكير قليلاً، كيف يتعرف على "الطعام الصحي".

قد تعتقد: "الأمر سهل! سأقول له فقط: 'أرني صوراً للسلطات، والفواكه، والدجاج المشوي'" .

لكن هنا تكمن المشكلة. الروبوت مرتبك. هل السلطة التي تحتوي على الكثير من الصلصة الكريمية تعتبر صحية؟ وماذا عن "السموذي" الذي يحتوي على ملعقة من زبدة الفول السوداني؟ وماذا لو كانت الصورة لمزارع يزرع الخضروات، لكن الخضروات لا تزال في التراب؟

في العالم الحقيقي، المفاهيم مثل "صحي"، أو "فاخر"، أو "محتوى غير آمن" ليست أبيض وأسود. إنها مناطق رمادية. إذا أعطيت الروبوت تعريفاً ثابتاً فقط، فسوف يخطئ، لأن فهمك الخاص لـ "الصحي" قد يتغير كلما رأيت المزيد من الأمثلة.

تقدم هذه الورقة نظاماً جديداً يسمى "المداولة الرشيقة" (Agile Deliberation). فكر في الأمر ليس كمعلم يلقي محاضرة على طالب، بل كـ مشروع فني تعاوني حيث تكتشف أنت والروبوت القواعد معاً، خطوة بخوة.

إليك كيف يعمل، باستخدام تشبيه بسيط:

المشكلة: "الفنان معصوب العينين"

التدريب التقليدي للذكاء الاصطناعي يشبه طلبك من فنان أن يرسم لوحة لـ "طعام صحي" بينما هو معصوب العينين. تعطيه قائمة من القواعد (مثلاً: "لا للبيتزا")، فيخمن، ثم تقول له "خطأ". فيخمن مرة أخرى. إنه أمر محبط وبطيء، ولا يستوعب الفنان أبداً لماذا يختلف تعريفك لـ "الصحي" عن التعريف الموجود في الكتب المدرسية القياسية.

الحل: "استوديو النحت"

المداولة الرشيقة تشبه استوديو النحت. تبدأ بكتلة خشنة من الطين (فكرتك الغامضة عن "الطعام الصحي"). يساعدك النظام على نحت الأجزاء التي لا تنتمي إليها وتشكيل الهيكل حتى يبدو تماماً كما يدور في ذهنك.

يفعل ذلك عبر مرحلتين رئيسيتين:

المرحلة الأولى: التفكيك (مرحلة "القائمة")

أولاً، يطلب منك النظام تفكيك فكرتك الكبيرة إلى قطع أصغر يمكن إدارتها.

أنت تقول: "أريد طعاماً صحياً".
النظام يسأل: "حسناً، لنفكك ذلك. هل تقصد مشروبات؟ هل تقصد وجبات مطبوخة؟ هل تقصد مكونات خام؟"
السحر: يقوم النظام بإنشاء "قائمة" مهيكلة من المفاهيم الفرعية. يساعدك هذا على إدراك: "أوه، أنا لا أريد لحماً نيئاً في التراب؛ بل أريد وجبات مُعدة". هذا يحول شعورك الغامض إلى قائمة مراجعة واضحة.

المرحلة الثانية: تمرين "الحالات الحدية" (مرحلة "الحدود الفاصلة")

هذا هو الجزء الأهم. بمجرد حصولك على قائمة المراجعة الخاصة بك، لا يكتفي النظام بعرض أمثلة واضحة (مثل تفاحة خضراء زاهية). بدلاً من ذلك، يعمل كـ شريك تدريب.

إنه يبحث عن "الحالات الحدية" — الصور المربكة التي تجعلك تتوقف لتفكر.

مثال: يعرض عليك صورة لسلطة مغطاة بصلصة "رانتش" كثيفة.
الروبوت يسأل: "هل هذا صحي؟"
أنت تفكر: "ممم، الخس صحي، لكن تلك الصلصة هي في الأساس نوع من المشروبات الكريمية. أعتقد أن هذا خارج النطاق".
الروبوت يتعلم: "آه! إذاً 'صحي' يعني 'مكونات صحية' وَ 'صلصة خفيفة'. أحتاج لتحديث قواعدي".

يبحث النظام خصيصاً عن هذه الصور المربكة لأن هذا هو المكان الذي يحدث فيه التعلم الحقيقي. إنه يجبرك على توضيح أفكارك الخاصة.

لماذا يعد هذا أفضل من الطريقة القديمة؟

يتعامل مع حالة "أنا لا أعرف ما أعرفه بعد": عادةً، تفترض أنظمة الذكاء الاصطناعي أنك تعرف بالضبط ما تريده منذ البداية. هذا النظام يعترف بـ: "قد لا تعرف القواعد الدقيقة بعد، لذا دعنا نكتشفها معاً أثناء العمل".
يوفر طاقتك الذهنية: في الطريقة القديمة، كان عليك البحث يدوياً في جوجل عن "سلطة مع الكثير من الصلصة" لتجد أمثلة لتعرضها على الذكاء الاصطناعي. هذا النظام يقوم بالبحث نيابة عنك، ويقدم لك أكثر الصور إرباكاً حتى لا تضيع وقتك في البحث عنها.
يتحدث لغة الروبوت: بينما تقدم ملاحظاتك، يقوم النظام تلقائياً بإعادة كتابة تعليمات الروبوت (البرومبت/الأوامر) لتصبح أكثر دقة. إنه يترجم تعليقاتك العفوية ("كثير من الكريمة!") إلى قاعدة صارمة يمكن للروبوت اتباعها.

النتائج: صورة أوضح

اختبر الباحثون هذا مع أشخاص حقيقيين، ووجدوا أن:

دقة أفضل: الروبوتات التي تدربت بهذه الطريقة كانت أفضل بكثير في تخمين ما يريده الإنسان فعلياً (أفضل بنسبة 7.5% تقريباً من الطرق الأخرى).
ضغط أقل: شعر البشر بضغط أقل وتعب أقل؛ شعروا وكأنهم في حوار مع الذكاء الاصطناعي بدلاً من الصراع معه.
تفكير أوضح: في النهاية، فهم البشر مفاهيمهم الخاصة بشكل أفضل. أصبح بإمكانهم شرح لماذا كانت صورة ما "صحية" أو "غير صحية" بشكل أكثر وضوحاً.

الخلا الخطامي

المداولة الرشيقة هي جسر بين الحدس البشري والمنطق الآلي. إنها تدرك أنه بالنسبة للمواضيع المعقدة والذاتية، نحن لا نبدأ بتعريف مثالي، بل نبدأ بشعور، ثم نقوم بتنقيحه من خلال النظر في المناطق الرمادية الفوضوية.

بدلاً من إجبار الإنسان على التكيف مع قواعد الآلة الجامدة، تسمح للآلة بأن تطوع قواعدها لتناسب العقل البشري المتطور. إنها تحول عملية تعليم الذكاء الاصطناعي من مهمة شاقة إلى اكتشاف تعاوني.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "المداولة الرشيقة: مداولة المفاهيم للتصنيف البصري الذاتي."

1. بيان المشكلة

تعتمد مسارات الرؤية الحاسوبية التقليدية على حقائق موضوعية ومحددة جيدًا (مثل "كلب"، "سيارة"). ومع ذلك، تتطلب العديد من التطبيقات في العالم الحقيقي، مثل الإشراف على المحتوى والتنسيق المخصص، تصنيف المفاهيم الذاتية (مثل "صور غير آمنة"، "طعام فاخر"، "طعام صحي").

التحدي الجوهري: غالبًا ما يمتلك المستخدمون نماذج ذهنية غامضة ومتطورة لهذه المفاهيم الذاتية؛ فهم لا يستطيعون تقديم تعريف ثابت ومثالي مسبقًا.
محدودية الطرق الحالية:
- الاستعانة بالجمهور/التصنيفات الثابتة: تفترض وجود حقيقة أرضية واحدة، وتفشل في التقاط التباين المفاهيمي.
- النمذجة الرشيقة/التوسيم اليدوي: تفترض أن المستخدم يبدأ بتعريف واضح للمفهوم ويقوم بتوسيم البيانات بشكل تكراري، وهي لا تدعم عملية تنقيح المفهوم نفسه.
- توجيه النماذج اللغوية الكبيرة (LLM) والنماذج البصرية اللغوية (VLM): يمكن لخبراء المجال كتابة أوامر (prompts) للنماذج البصرية اللغوية، ولكن بدون عملية مداولة مهيكلة، غالبًا ما تفشل هذه الأوامر في التقاط حدود القرار الدقيقة، مما يؤدي إلى حل عشوائي للغموض من قبل النموذج.
- التعلم النشط القياسي: يختار عادةً العينات بناءً على عدم يقين النموذج (احتمالية قريبة من 0.5). وهذا غير فعال للنماذج البصرية اللغوية لأن درجات الثقة لديها غالبًا ما تكون غير معايرة مع الفهم البشري، وقد تغفل عن الحالات "الحدية" الغامرة دلاليًا والتي يجدها البشر صعبة.

2. المنهجية: إطار المداولة الرشيقة (Agile Deliberation)

يقترح المؤلفون إطار عمل "المدالة الرشيقة"، وهو إطار عمل يعتمد على الإنسان في الحلقة (human-in-the-loop) مصمم لدعم تطور تعريفات المفاهيم الذاتية. يعمل النظام من خلال مرحلتين متمايزتين، حيث يدمج تعليقات المستخدم مباشرة في حلقة التدريب لمصنف يعتمد على نموذج بصري لغوي (VLM).

أ. بنية النظام

يأخذ إطار العمل اسم مفهوم ذاتي ( $s$ ) ومجموعة بيانات غير موسومة ( $D$ ) كمدخلات، ويخرج تعريفًا مهيكلًا للمفهوم ( $d$ ) ومصنفًا ( $f_d$ ) يربط الصور باحتمالية كونها "ضمن النطاق".

تتم صياغة العملية كتحسين تكراري حيث يتم اختيار التعريف $d_{t+1}$ لتعظيم مقياس F1 على المجموعة الموسومة المتراكمة $\mathcal{L}_t$ :
$d_{t+1} = \arg \max_{d' \in \mathcal{C}_t} F_1(f_{d'}, \mathcal{L}_t)$

ب. المرحلة الأولى: تحديد نطاق المفهوم (Concept Scoping)

تقوم هذه المرحلة بتفكيك مفهوم المستخدم الأولي الغامض إلى تسلسل هرمي مهيكل.

التفكيك: باستخدام الاستدلال المتسلسل للأوامر (prompt-chained reasoning) عبر النماذج اللغوية الكبيرة، يقوم النظام بتفكيك المفهوم المركب إلى مفاهيم وحدة (على سبيل المثال، "طعام صحي" $\leftarrow$ "طبق صحي" + "مشروب صحي").
توسيع المفاهيم الفرعية: لكل وحدة، يولد النظام مفاهيم فرعية مرشحة موجبة وسالبة (على سبيل المثال، "فاكهة طازجة" مقابل "وجبات سريعة مقلية").
تحقق المستخدم: يسترجع النظام صورًا ممثلة لهذه المرشحات، ويختار المستخدم أي المفاهيم الفرعية سيتم تضمينها، مما يشكل تعريفًا مهيكلًا أوليًا ( $d_0$ ) ومصنفًا بذرِيًا.

ج. المرحلة الثانية: تكرار المفهوم (Concept Iteration)

تعمل هذه المرحلة على تنقيح التعريف من خلال تعريض المستخدم لـ أمثلة حدية دلاليًا بدلاً من مجرد الأمثلة غير المؤكدة للنموذج.

استرجاع الصور الحدية:
- بدلاً من أخذ العينات بناءً على عدم اليقين القياسي، يولد النظام استعلامات للفئات "الغامضة" (على سبيل المثال، "سلطة مع مايونيز كثيف").
- يسترجع النظام الصور، ويزيل التكرار، ويجمعها بناءً على السمات البصرية.
- اختيار المخطط متعدد الأذرع (Multi-Armed Bandit): يستخدم النظام خوارزمية الحد الأعلى للثقة (UCB) لاختيار مجموعة الصور الحدية التي ستُعرض تاليًا. يعطي الأولوية للمجموعات التي يختلف فيها النموذج مع المستخدم أو حيث كانت تعليقات المستخدم تاريخيًا أكثر إفادة.
- تعدين الغموض: ضمن مجموعة مختارة، يضمن النظام تركيز الدفعة على بُعد غموض واحد متماسك (مثل حجم الحصة) لتسهيل التأمل المركز.
توسيم المستخدم والتعليقات:
- يقوم المستخدمون بتوسيم الصور كـ "داخل النطاق" أو "خارج النطاق" ويقدمون مبررات نصية للاختلافات.
- تعرض الواجهة تنبؤ النموذج البصري اللغوي ومنطقه بجانب تسمية المستخدم.
تنقيح المفهوم (تحسين الأوامر):
- يتم توسيع تعليقات المستخدم إلى مبررات صريحة.
- يقوم نموذج لغوي كبير (LLM) بتوليف تعريفات مرشحة متعددة ( $\mathcal{C}_t$ ) تدمج هذه القيود الجديدة (مثل "استبعاد الأطباق التي تحتوي على أكثر من 50% من الكريمة").
- يقيم النظام المرشحين مقابل التاريخ الكامل الموسوم ويختار بأفضل طريقة التعريف الأكثر أداءً ( $d_{t+1}$ ) للجولة التالية.

3. المساهمات الرئيسية

تشغيل مداولة المفاهيم: تحدد الورقة وتصيغ سير عمل "مداولة المفهوم" الذي يستخدمه الخبراء البشريون (تحديد النطاق $\leftarrow$ التكرار على الحالات الحدية) في إطار برمجيات قابل للتوسع.
الاسترجاع الحدي الدلالي: استراتيجية استرجاع مبتكرة تستهدف الغموض الدلالي (عبر استعلامات مولدة بواسطة LLM وتجميع) بدلاً من عدم اليقين الاحتمالي، مما يعالج فجوة المعايرة بين النماذج البصرية اللغوية والفهم البشري.
تحسين الأوامر في الحلقة البشرية: طريقة تعامل مع تعريف المفهوم كأمر ديناميكي، حيث يتم تحسينه باستمرار بناءً على تعليقات المستخدم المهيكلة بدلاً من الأمثلة الثابتة قليلة العينات (few-shot).
بروتوكول التقييم: تجاوز المؤلفون الاختبارات الثابتة، حيث أجروا 18 جلسة مستخدم حية (مدة كل منها 1.5 ساعة) لقياس قدرة النظام على دعم التطور الديناميكي لنية المستخدم.

4. النتائج التجريبية

تضمنت الدراسة 9 مشاركين غير خبراء (18 جلسة إجمالية) لاختبار مفهومين: "الدفع مقابل اللعب" (الإشراف على المحتوى) و"الطعام الصحي" (التنسيق).

مكاسب الأداء:
- مقابل الصفر (Zero-Shot): حسنت المدالة الرشيقة درجات F1 بمعدل 10.5%.
- مقابل التفكيك الآلي (Modeling Collaborator): حسنت F1 بنسبة 7.5%.
- مقابل المداولة اليدوية: حسنت F1 بنسبة أكثر من 3%.
- ملاحظة: كانت المكاسب أكثر أهمية للمفاهيم التي يحمل مستخدموها تفسيرات دقيقة تختلف عن التوجهات العامة للنماذج البصرية اللغوية.
تجربة المستخدم:
- أبلغ المشاركون عن جهد معرفي أقل وإحباط أقل (p < 0.05) مقارنة بالمداولة اليدوية.
- وجد المستخدمون سهولة أكبر في تحديد الحالات الحدية وصياغة تعريفاتهم مع التوجيه المهيكل للنظام.
القابلية للنقل: انتقلت تعريفات المفاهيم التي تم توليدها بواسطة المدالة الرشيقة (المحسنة لـ Gemini 2.5) بفعالية إلى نماذج بصرية لغوية أخرى (Qwen3-VL)، مع زيادة مكاسب الأداء في النماذج الأكثر قدرة.

5. الأهمية والأثر

دمقرطة الذكاء الاصطوي الذاتي: يخفض إطار العمل الحاجز أمام غير الخبراء لترميز قيمهم ووجهات نظرهم الخاصة في الأنظمة البصرية، مما يجعل التصنيف عالي المخاطر (مثل الإشراف على المحتوى) أكثر سهولة وتوافقًا مع النية البشرية.
سد فجوة المعايرة: من خلال التركيز على الحالات الحدية الدلالية بدلاً من ثقة النموذج، ينجح النظام في مواءمة النماذج البصرية اللغبية التوليدية مع الاستدلال البشري، الذي غالبًا ما يكون غير معاير.
التخفيف الاستباقي للمخاطر: في مجالات مثل الإشراف على المحتوى، يسمح هذا النهج للممارسين بتصميم مصنفات استباقية تتوقع المخاطر والأضرار الدقيقة، بدلاً من مجرد الاستجابة لها بعد النشر.
الاتجاه المستقبلي: تشير الورقة إلى أن أنظمة الذكاء الاصطناعي المستقبلية للمهام الذاتية يجب أن تتجاوز بيانات التدريب الثابتة لتشمل حلقات تفاعلية وتداولية تنمذج تطور الفهم البشري.