Position: AI for Science Should Treat Measurement-to-Dataset Pipelines as Inference Components

إليك شرح لورقة بحثية بعنوان "يجب على الذكاء الاصطناك في العلوم أن يعامل مسارات (من القياس إلى مجموعة البيانات) كعناصر استدلال"، مترجمة إلى لغة يومية بسيطة باستخدام تشبيهات إبداعية.

الفكرة الكبرى: مشكلة "العدسة المتجمدة"

تخيل أنك تحاول فهم جسم غامض في غرفة مظلمة. لا يمكنك رؤية الجسم مباشرة؛ يمكنك فقط رؤية ظله المنعكس على الحائط بواسطة مصباح معين.

في مجال الذكاء الاصطنا الرئيسي للعلوم (AI for Science)، يتصرف الباحثون غالبًا كما لو كانوا يدرسون الجسم نفسه. لكن في الواقع، هم يدرسون الظل.

تجادل الورقة بأنه في العديد من المجالات العلمية (مثل تصوير الدماغ، أو علم الفلك، أو اكتشاف الأدوية)، لا يستخدم علماء البيانات "الواقع الخام". بل يستخدمون نسخة معالجة، ومنقحة، ومُعاد بناؤها من الواقع. تتم هذه المعالجة عبر سلسلة طويلة من الخطوات تسمى المسار (Pipeline) (مثل تصفية الضجيج، ملء الفراغات، وتحويل الإشارات).

حالياً، يتعامل العلماء مع مجموعة البيانات النهائية كما لو كانت حقيقة موضوعية وثابتة. يقولون: "هذه هي البيانات، والآن لنبني نموذجاً". يطلق المؤلفون على هذا اسم "العدسة المتجمدة". ويجادلون بأن هذا خطأ؛ فالمسار الذي أنشأ البيانات هو في الواقع جزء ضخم من الاستدلال العلمي، ومن خلال "تجميده" (تجاهله)، نحن نخفي حقيقة أن استنتاجاتنا تعتمد كلياً على كيفية اختيارنا لإلقاء ذلك الظل.

---

الطرق الثلاث التي يفشل بها هذا النهج

حدد المؤلفون ثلاثة طرق محددة يتسبب بها "العدسة المتجمدة" في فشل العلم. فكر في هذه الطرق كأنها ثلاث فخاخ:

1. القائمة الخفية (فضاء الفرضيات الخفية)

التشبيه: تخيل مطعماً يقدم لك برجر. أنت تفترض أن البرجر هو "الحقيقة" عما صنعه الطاهي. لكن الطاهي كان لديه قائمة تضم 50 طريقة مختلفة لصنع ذلك البرجر (خبز مختلف، أوقات طهي مختلفة، صلصات مختلفة). المطعم قدم لك نسخة واحدة محددة فقط ولم يخبرك عن الـ 49 نسخة الأخرى.
المشكلة: عندما ينشر العلماء مجموعة بيانات، فإنهم عادة ما يختارون طريقة واحدة لمعالجة القياسات الخام. هم لا يخبرونك أنهم لو اختاروا مرشحاً (فلتر) مختلفاً قليلاً أو طريقة تنظيف مختلفة، لربما بدا "البرجر" (البيانات) مختلفاً تماماً.
النتيجة: يتعلم نموذج الذكاء الاصطناعي التنبؤ بناءً على تلك النسخة المحددة من البرجر. يعتقد النموذج أنه اكتشف حقيقة عالمية، لكنه في الواقع يحفظ فقط السمات الغريبة لتلك الوصفة المحددة. "القائمة" من الاحتمالات الواقعية الأخرى تظل مخفية.

2. الخريطة المكسورة (عدم قابلية النقل الموثقة)

التشبيه: تخيل أن لديك خريطة لمدينة رُسمت بدقة في يوم مشمس. تستخدم هذه الخريطة للتنقل. ولكن بعد ذلك، تبدأ الأمطار بالهطول، وتفيض الشوارع. الخريطة لا تظهر لك البرك المائية لأنها رُسمت للأيام المشمسة فقط. تحاول استخدام الخريطة أثناء المطر، فتعلق في طريقك، وتلوم مهاراتك في القيادة.
المشكلة: قد يعمل المسار بشكل رائع في المختبر حيث جُمعت البيانات (اليوم المشمس). ولكن إذا حاولت استخدام نفس طريقة معالجة البيانات على بيانات من مستشفى آخر، أو بلد آخر، أو آلة أخرى (اليوم الممطر)، فقد يتعطل المسار أو يشوه البيانات بطرق غريبة.
النتيجة: غالباً لا يعرف العلماء متى تتوقف طريقة معالجة البيانات الخاصة بهم عن العمل. عندما يفشل نموذج الذكاء الاصطناعي في التعامل مع بيانات جديدة، لا نعرف ما إذا كان الذكاء الاصطناعي سيئاً، أم أن "الخريطة" (المسار) كانت غير صالحة لتلك البيئة الجديدة.

3. حشد الخبراء (التعددية غير المحكومة)

التشبيه: تخيل هيئة محلفين مكونة من 100 خبير ينظرون إلى صورة مسرح جريمة واحدة. يتفق الجميع على الحقائق، لكنهم جميعاً يستخدمون عدسات مكبرة مختلفة قليلاً. 90 منهم يستنتجون أن المتهم مذنب، و10 يستنتجون أنه بريء. تنقل الأخبار: "الخبراء يقولون إن المتهم مذنب"، متجاهلة الـ 10 الذين اختلفوا.
المشكلة: في العلم، غالباً ما تكون هناك طرق عديدة "دفاعية" لمعالجة البيانات. يمكنك اختيار تصفية الضجيج بخمس طرق مختلفة وصحيحة. إذا اخترت واحدة، ستحصل على نتيجة واحدة. إذا اخترت أخرى، ستحصل على نتيجة مختلفة.
النتيجة: غالباً ما يختار العلماء الطريقة التي تعطي "النتيجة الأكثر إثارة" أو أهمية، ويتجاهلون حقيقة أن 99 طريقة أخرى صحيحة كانت ستعطي إجابة مختلفة. يعاملون خيارهم الوحيد كحقيقة مطلقة، بدلاً من الاعتراف بـ "لقد جربنا 100 طريقة، والإجابة مهتزة بعض الشيء".

---

"تدقيق EEG": اختبار الواقع

لإثبات أن هذا ليس مجرد نظرية، أجرى المؤلفون تجربة ضخمة على بيانات الدماغ (EEG) المتعلقة بالاكتئاب.

• الإعداد: أخذوا بيانات موجات الدماغ الخام ومرروها عبر 245,376 تركيبة مختلفة من مسارات المعالجة. (تخيل تجربة كل التركيبات الممكنة من المرشحات، وأدوات التنظيف، وقواعد القياس).
• الهدف: كانوا يبحثون عن إشارة محددة: اختلاف في نشاط الدماغ بين الأشخاص المصابين بالاكتئاب والأصحاء.
• النتيجة الصادمة:
  • العديد من المسارات الـ 245,000+ وجدت "فرقاً جوهرياً".
  • ولكن، عندما تحققوا مما إذا كانت هذه الاختلافات تصمد أمام مجموعات مختلفة من الناس (مجموعات بيانات مختلفة)، نجح مسار واحد فقط من أصل 245,376 في الصمود.
  • معدل البقاء هذا هو 0.0004%.

ماذا يعني هذا؟ في كل مرة وجد فيها العلماء "اكتشافاً" في هذا المجال، فمن المرجح أنه كان وليد الصدفة بسبب المسار المحدد الذي اختاروه بالصدفة. "الحقيقة" كانت هشة للغاية لدرجة أن تغيير قواعد المعالجة قلياً جعل الاكتشاف يختفي.

---

الحل: "إطار الملاحظة القابل للحوسبة"

لا يقول المؤلفون إنه يجب علينا التوقف عن ممارسة العلم. هم يقولون إننا بحاجة إلى تغيير كيفية التعامل مع البيانات.

الطريقة الحالية:

1. بيانات خام $\leftarrow$ [مسار صندوق أسود] $\leftarrow$ "بيانات نظيفة" $\leftarrow$ نموذج ذكاء اصطناعي.
2. نتظاهر بأن "البيانات النظيفة" هي الحقيقة.

الطريقة المقترحة:

1. بيانات خام $\leftarrow$ المسار كمتغير $\leftarrow$ نموذج ذكاء اصطناعي.
2. نعامل المسار كفرضية علمية. نسأل: "هل يصمد هذا الاستنتاج إذا غيرنا المسار؟"

هم يقترحون بناء نظام حيث:

• المسارات هي "كائنات قابلة للتنفيذ": بدلاً من مجرد تقرير PDF يقول "استخدمنا الطريقة أ"، يتم حفظ الكود الخاص بالطريقة (أ) وجميع تنويعاتها الممكنة ككائن رقمي يمكن تشغيله واختباره وتغييره.
• الاستقرار هو الهدف: بدلاً من البحث فقط عن النموذج الذي يتنبأ بشكل أفضل، نبحث عن النموذج الذي يعطي نفس الإجابة بغض النظر عن المسار الصحيح الذي نستخدمه.
• عدم اليقين يتم مشاركته: إذا أعطت 100 مسار 100 إجابة مختلفة، فنحن نبلغ عن هذا عدم اليقين. نحن لا نخفيه.

الملخص

تجادل الورقة بأنه في مجال الذكاء الاصطناعي للعلوم، الأداة المستخدمة لقياس الواقع لا تقل أهمية عن القياس نفسه. من خلال تجاهل الأداة (المسار)، غالباً ما يبني العلماء نماذج ذكاء اصطناعي على أرضية مهتزة. عليهم التوقف عن معاملة البيانات المعالجة كحقيقة ثابتة والبدء في معاملتها كجزء متغير من التجربة العلمية.