Expanding Data-Agnostic Pivotal Instances Selection Models with Proximity Trees and Ensemble Learning
تقترح هذه الورقة نموذجاً تنبؤياً غير مرتبط بنوع محدد من البيانات، ومصمماً ليكون قابلاً للتفسير، يقوم باختيار نماذج مثالية ممثلة (بما في ذلك الأزواج والمجموعات) بشكل هرمي باستخدام أشجار التقارب والشبكات سابقة التدريب لتحقيق أداء تنافسي عبر أنماط بيانات متنوعة مع الحفاظ على قابلية تفسير عالية.
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 كيفية التعرف على قطة. يمكنك محاولة كتابة كتاب قواعد ضخم: "إذا كان له أذنان مدببتان، وذيل، وشوارب، فهو قطة". ولكن ماذا لو رأى الروبوت قطة عديمة الشعر، أو قطة نائمة في وضعية غريبة؟ ستنهار القواعد. هذه هي مشكلة العديد من أنظمة الذكاء الاصطناعي الحديثة "الصندوق الأسود": فهي ذكية للغاية في التخمين، لكنها لا تستطيع شرح لماذا قدمت تخميناً ما. إنها تكتفي بمعالجة الأرقام بطريقة لا يمكن للبشر تتبعها.
من ناحية أخرى، يتعلم البشر من خلال الأمثلة. نحن لا نحفظ كتاب قواعد لكل حيوان؛ بل نتذكر حالات محددة. "ذلك الشيء الفروي ذو الذيل الطويل هو قطة"، أو "ذلك الحيوان الكبير المخطط هو نمر". نحن نقارن الأشياء الجديدة بهذه اللقطات الذهنية. وهذا ما يسمى بـ "الاستدلال القائم على الحالات" (case-based reasoning). السؤال الكبير في عالم الذكاء الاصطناعي هو: هل يمكننا بناء آلة تفكر مثلنا؟ هل يمكننا إنشاء نموذج لا يعطي إجابة فحسب، بل يشير إلى بعض الأمثلة المحددة ويقول: "أعتقد أن هذا قط لأنه يشبه تماماً هذه الصورة التي رأيتها من قبل"؟ إذا استطعنا فعل ذلك، فسنحصل على ذكاء اصطناعي ليس ذكياً فحسب، بل شفافاً وجديراً بالثقة، مما يسمح لنا بإلقاء نظرة تحت الغطاء لرؤية منطقه.
هذا هو بالضبط ما سعى الباحثون وراء ورقة "PivotTree" البحثية للقيام به. لقد بنوا نوعاً جديداً من نماذج الذكاء الاصطناعي يعمل كشجرة قرار، ولكن بدلاً من تقسيم البيانات بناءً على قواعد مجردة مثل "إذا كانت البكسل حمراء"، فإنه يقسم البيانات بناءً على التشابه مع أمثلة حقيقية. فكر في الأمر كلعبة "العشرين سؤالاً" حيث لا تتعلق الأسئلة بالميزات، بل بالمقارنات. "هل هذه الصورة الجديدة تشبه هذا الكلب المحدد أكثر، أم ذلك القط المحدد؟"
قدم الفريق، بقيادة أليسيو كاشيوني وزملاؤه، طريقة تسمى PivotTree. تخيل شجرة حيث لا تكون كل نقطة تفرع قاعدة، بل "محور ارتكاز" (pivot)—وهو مثال مختار بعناية من بيانات التدريب. عندما تأتي قطعة جديدة من البيانات (مثل صورة أو جملة)، يسأل النموذج: "بماذا يشبه هذا المحور أكثر؟" ثم يوجه البيانات عبر الشجرة، مقارناً إياها بأمثلة مختلفة في كل خطوة، حتى يصل إلى الإجابة النهائية. الجزء المثير للاهتمام هو أن النموذج لا يختار مثالاً واحداً فحسب؛ بل يمكنه اختيار زوج وسؤال: "هل هذا أقرب إلى المحور (أ) أم المحور (ب)؟" هذا يخلق تسلسلاً هرمياً من المقارنات يسهل على البشر تتبعه.
لم يتوقف الباحثون عند نوع واحد فقط من المقارنات. لقد أنشأوا "نكهات" مختلفة من PivotTree. يستخدم بعضها محور ارتكاز واحداً لرسم خط (مثل "إذا كان يشبه هذا أكثر من ذلك الحد، اذهب يساراً"). بينما يستخدم البعض الآخر محورين لاتخاذ قرار "أقرب إلى" (مثل "هل هو أقرب إلى الكلب أم إلى القط؟"). حتى أنهم دمجوا هذه الأشجار في "غابة" (Random Pivot Forest) لجعل التنبؤات أكثر قوة، تماماً كما قد يصوت حشد من الخبراء على قرار ما.
ولاختبار ما إذا كانت فكرتهم ناجحة حقاً، لم يكتفوا بجداول البيانات البسيطة. بل ألقوا بنموذجهم أمام تحدٍ هائل: 45 مجموعة بيانات مختلفة. تضمنت هذه المجموعات جداول أرقام قياسية، ولكنها تضمنت أيضاً أشياء معقدة مثل الصور (صور للقطط والكلاب والسيارات)، والنصوص (المراجعات والمقالات)، والبيانات السلاسل الزمنية (مثل نبضات القلب أو حركات اليد). وقارنوا PivotTree الخاص بهم بنماذج ذكاء اصطناعي شهيرة أخرى، بما في ذلك نماذج "الصندوق الأسود" الثقيلة وغيرها من الطرق القابلة للتفسير.
كانت النتائج واعدة. تمكنت نماذج PivotTree من أن تكون بدقة نفس نماذج الذكاء الاصطناعي الأكثر قوة وتعقيداً، ولكن مع ميزة هائلة: كانت أسهل بكثير في الفهم. في كثير من الحالات، وخاصة في الصور والنصوص، كان أداء نماذج PivotTree مساوياً أو متأخراً قليلاً عن المنافسين الأقوياء (مثل نماذج boosting)، لكنها غالباً ما طابقت أداء "الغابات العشوائية" (Random Forests) القياسية مع استخدام عدد أقل بكثير من الأمثلة (المحاور) لاتخاذ قراراتها. على سبيل المثال، في مجموعة بيانات حول الآفات الفموية (صور طبية لآفات الفم)، استطاع النموذج تشخيص المشكلات من خلال مقارنة صورة جديدة بعدد قليل فقط من الأمثلة التمثيلية، موضحاً منطقه من خلال إظهار الأمثلة التي كان يقارنها بها بالضبط.
تشير الورقة البحثية إلى أن هذا النهج هو "قوة خارقة غير مرتبطة بنوع البيانات" (data-agnostic)، مما يعني أنه يعمل على أي نوع من البيانات طالما يمكنك قياس مدى تشابه شيئين. وبينما استغرقت النماذج وقتاً أطول قليلاً للتدريب مقارنة بالأنظمة البسيطة القائمة على القواعد، إلا أنها قدمت حلاً وسطاً مثالياً: أداء عالٍ دون غموض. ويخلص المؤلفون إلى أنه من خلال السماح للذكاء الاصطناعي بالاستدلال من خلال الأمثلة بدلاً من القواعد المجردة، يمكننا بناء أنظمة ليست قوية فحسب، بل أيضاً ودودة بما يكفي ليثق بها البشر ويفهموها. إنها خطوة نحو ذكاء اصطناعي لا يعرف الإجابة فحسب، بل يمكنه أن يريك الدليل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.