Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach
تقترح هذه الورقة إطار عمل جديداً للاكتشاف السببي يستفيد من النماذج اللغوية الكبيرة كخبراء غير مثاليين ضمن نظام قائم على الحجاج (ABA) لدمج الأولويات الدلالية المستمدة من أوصاف المتغيرات مع أدلة الاستقلال الشرطي، محققاً أداءً هو الأفضل في فئته مع تقديم بروتوكول للتخفيف من تحيز الحفظ.
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 محقق يحاول حل لغز ما، لكن ليس لديك سوى كومة من الأدلة التي حدثت في نفس الوقت. ترى أن الأشخاص الذين يحملون المظلات غالباً ما يبتلون، والأشخاص الذين يبتلون غالباً ما يحملون المظلات. هل تسبب المطر في البلل، أم تسبب البلل في المطر؟ أم أن هناك شيئاً ثالثاً، مثل السحابة، تسبب في كليهما؟ هذا هو جوهر الاكتشاف السببي: معرفة من تسبب حقاً في ماذا، فقط من خلال النظر في أنماط البيانات. عادةً ما تكون الحواسيب بارعة في رصد الأنماط، لكنها سيئة جداً في معرفة الاتجاه الذي يشير إليه سهم السبب. ولإصلاح ذلك، غالباً ما يلجأ العلماء إلى طلب المساعدة من الخبراء البشر، لكن الخبراء مشغولون، ومكلفون، ويختلفون أحياناً.
مؤخراً، ظهر نوع جديد من "الأدمغة الفائقة" يسمى النماذج اللغوية الكبيرة (LLMs). هذه هي نفس أدوات الذكاء الاصطناعي التي يمكنها كتابة القصائد، والبرمجة، والدردشة حول أي شيء تقريباً. لقد قرأت الكثير من الإنترنت لدرجة أنها تبدو وكأنها تعرف الكثير عن كيفية عمل العالم. لكن العيب هنا هو: إنها تشبه طالباً نابغاً ولكنه غير موثوق به تماماً. يمكنها أن تعطيك إجابة ذكية حقاً، ولكن يمكنها أيضاً أن تخترع أشياءً بثقة (وهي خدعة تسمى "الهلوسة") أو مجرد تذكر حقيقة قرأتها في مكان ما دون فهم المنطق الفعلي. السؤال الكبير للعلماء هو: هل يمكننا استخدام هذا الدماغ الفائق للمساعدة في حل ألغازنا السببية دون السماقاء أخطائه في إفساد القضية؟
تقدم هذه الورقة البحثية طريقة جديدة وذكية للجمع بين العمل الاستقصائي الإحصائي للحاسوب وبين "الحس السليم" للذكاء الاصطناعي، مع الحفاظ على شبكة أمان صارمة للإمساك بأي أكاذيب. قام الباحثان، زيهاو لي وفابريزيو روسو من إمبريال كوليدج لندن، ببناء نظام يطلقون عليه اسم ABAPC-LLM. فكر في الأمر كنادي مناظرة عالي المخاطر للبيانات.
إليك كيف يعمل نظامهم، باستخدام تشبيه بسيط: تخيل أنك تحاول رسم خريطة لتدفق حركة المرور في مدينة ما.
- محقق البيانات (MPC): أولاً، تقوم خوارزمية حاسوبية تقليدية بفحص بيانات حركة المرور (مثل عدد السيارات على الطريق في الساعة 8 صباحاً مقابل الساعة 8:15 صباحاً). ترصد الخوارزمية الأنماط وتقول: "مهلاً، حركة المرور في الشارع الرئيسي تتجه عادةً نحو الشمال، وليس الجنوب". لكن أحياناً تكون البيانات مشوشة، وقد يرتبك الحاسوب.
- المستشار الذكي (النموذج اللغوي الكبير): بعد ذلك، يطلب الفريق من الذكاء الاصطناعي النظر في أسماء الشوارع (مثل "منطقة مدرسة" و"ملعب"). يستخدم الذكاء الاصطناعي معرفته بالعالم ليقول: "حسناً، السيارات عادةً ما تتجه من المدرسة إلى الملعب في الصباح، وليس العكس".
- القاضي (Causal ABA): هذا هو الجزء الأهم. لم يكتفِ الباحثون بجعل كلمة الذكاء الاصطناعي هي القانون النهائي. بدلاً من ذلك، وضعوا اقتراحات الذكاء الاصطفي ونتائج محقق البيانات في إطار مناظرة يسمى "المرافعة القائمة على الافتراضات السببية". في هذه المناظرة، يتم التعامل مع كل ادعاء كـ "افتراض قابل للدحض" — مما يعني أنه صحيح ما لم يثبت شخص ما خطأه.
إذا قال الذكاء الاصطناعي "المدرسة تسبب حركة المرور في الملعب" ولكن لدى محقق البيانات دليل قوي على أن "حركة المرور في الملعب تحدث قبل افتتاح المدرسة"، فإن القاضي يتدخل. يستخدم القاضي قواعد منطقية صارمة لمعرفة ما إذا كان الادعيان يمكن أن يتعايشا. إذا تعارضا، لا يكتفي النظام باختيار فائز؛ بل يحدد أي الادعائين أضعف ويستبعده. تُعامل اقتراحات الذكاء الاصطناعي كـ "نصائح خبير غير كاملة" يمكن دحضها بالأدلة الإحصائية القوية.
وللتأكد من أن الذكاء الاصطناعي لم يكن مجرد يحفظ الإجابات من كتاب مدرسي، أنشأ الباحثون اختباراً خاصاً. لقد بنوا 54 خريطة مدينة جديدة وعشوائية لم يسبق لأحد رؤيتها من قبل، لكنهم أعطوا الشوارع أسماءً منطقية (مثل "فيروس"، "حمى"، و"إرهاق"). وطلبوا من الذكاء الاصطناعي تخمين تدفق حركة المرور في هذه الخرائط الجديدة. كانت النتائج واعدة: عندما كانت اقتراحات الذكاء الاصطناعي متسقة (أي عندما اتفق الذكاء الاصطناعي مع نفسه بعد سؤاله خمس مرات)، كانت الخريطة النهائية أكثر دقة مما لو تم استخدام البيانات وحدها.
ومع ذلك، تفند الورقة أيضاً بعض الأفكار الخطيرة. فهي توضح أنه لا يمكنك الوثوق بالذكاء الاصطناعي بشكل أعمى. إذا اخترع الذكاء الاصطناعي علاقة وهمية، وأجبرت الحاسوب على قبولها، فإن الخريطة بأكملها ستنهار. يعمل النظام فقط إذا تم التعامل مع نصيحة الذكاء الاصطناعي كـ "اقتراح ناعم" يمكن تجاوزه. كما وجد الباحثون أنه بينما يساعد الذكاء الاصطناعي كثيراً، فإنه لا يصلح كل شيء. إذا كانت البيانات فوضوية للغاية أو كان الذكاء الاصطناعي مرتبكاً، فلا يزال يتعين على النظام الاعتماد على البيانات، وفي بعض الأحيان يمكن لـ "مساعدة" الذكاء الاصطناعي أن تجعل الأمور أسوأ إذا لم يتم تصفيتها بعناية.
باختصار، تشير الورقة إلى أن النماذج اللغوية الكبيرة هي أدوات رائعة للاكتشاف السببي، ولكن فقط إذا عاملناها كمتدرب مفيد يحتاج إلى مدير صارم. من خلال استخدام نظام يشبه المناظرة للتحقق من عمل الذكاء الاصطناعي مقابل البيانات الحقيقية، ابتكر الباحثون طريقة هي أكثر دقة من استخدام البيانات وحدها، دون الوقوع في فخ أكاذيب الذكاء الاصطناعي المحتملة. إنها خطوة نحو ذكاء اصطناعي أكثر ذكاءً وموثوقية، يعرف متى يتحدث ومتى يظل صامتاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.