تخيل أنك محقق يحاول حل لغز ما، لكن لديك قاعدة صارمة: لا يمكنك سوى طرح ثلاثة أسئلة فقط على أي شخص تقابله. إذا كنت تجري مقابلة مع مجموعة من المراهقين، ومجموعة من المتقاعدين، ومجموعة من موظفي المكاتب، فإن الأسئلة الثلاثة التي قد تنجح مع المراهقين قد لا يكون لها أي معنى للمتقاعدين. هذا هو الصراع اليومي لتعلم الآلة، وهو فرع من العلوم حيث تتعلم الحواسيب كيفية إجراء التنبؤات من خلال إيجاد الأنماط في البيانات. عادةً، يتم تدريب هذه البرامج الحاسوبية على كومة ضخمة من البيانات التي تضم الجميع مختلطين معاً. ولكن في العالم الحقيقي، البشر ليسوا جميعاً متشابهين. فالنموذج الذي يتم تدريبه على "متوسط" الناس قد يعمل بشكل رائع للأغلبية، ولكنه قد يفشل فشلاً ذريعاً مع المجموعات الأصغر أو المختلفة، مثل الخريطة التي تظهر طريقاً واضحاً لمعظم السائقين ولكنها تقود القلة منهم إلى مستنقع. السؤال الكبير هو: كيف نختار مجموعة واحدة محدودة من الأسئلة (أو "الميزات") التي تعمل بشكل جيد للجميع، حتى لو كان الجميع مختلفين، دون الحاجة إلى استبيان منفصل ومكلف لكل مجموعة؟

هذا هو بالضبط اللغز الذي عالجته ورقة بحثية جديدة بعنوان "اختيار الميزات المتين سكانياً عبر تحسين الرفاهية المعممة" (Population-Robust Feature Selection via Generalized Welfare Optimization) من قبل باحثين في جامعة كارنيجي ميلون. لقد قدموا طريقة جديدة ذكية تسمى PopFS. فكر في PopFS كمحرر فائق الذكاء ومنصف لموسوعة ضخمة. عادةً، يختار المحررون المواضيع الأكثر شعبية لتضمينها، مما يجعل الكتاب رائعاً للأغلبية ولكنه يترك تفاصيل مهمة للقراء المتخصصين. ومع ذلك، يستخدم PopFS "مفتاح ضبط للعدالة" (يسمى هدف الرفاهية) يتيح للمحرر تحديد مدى إعطاء الأولوية لاحتياجات المجموعات الأقل خدمة. إذا رفعت هذا المفتاح، فإن المحرر يضمن حتى المجموعات التي تحصل عادةً على أسوأ التنبؤات من الحصول على فرصة عادلة، دون إفساد الكتاب للجميع.

وجد الباحثون أن PopFS يغير قواعد اللعبة. فبدلاً من محاولة إيجاد نموذج واحد مثالي للجميع (وهو أمر مستحيل غالباً) أو اختيار ميزات تعمل بشكل أفضل في المتوسط، يقوم PopFS باختيار مجموعة مشتركة واحدة من "الأسئلة" التي تسمح لكل مجموعة ببناء "مفتاح إجابة" خاص بها. في الاختبارات التي شملت ثماني مجموعات مختلفة عبر ست مهام من العالم الحقيقي — من التنبؤ بالدخل إلى تتبع مستويات الرصاص في الدم — تفوق PopFS باستمرار على الطرق الموجودة. لم يساعد فقط في حالة المتوسط؛ بل عزز أداء المجموعات الأقل حظاً بنسبة تصل إلى 22% مقارنة بالطرق الأخرى.

ربما الجزء الأكثر إثارة هو مدى مرونته. في دراسة حالة تتبعت أعراض كوفيد-19 عبر 43 ولاية أمريكية، أظهر الباحثون أنه من خلال مجرد ضبط "مفتاح العدالة" الخاص بهم، يمكنهم تحسين التنبؤات للولايات التي تعاني أكثر من غيرها بنسبة تقارب 40%، مع عدم حدوث انخفاض في الأداء للولايات التي كانت تسير بشكل جيد بالفعل. إنه يشبه ضبط راديو للتأكد من اختفاء التشويش للمستمع في الزاوية البعيدة من الغرفة، دون جعل الموسيقى أسوأ للشخص الجالس بجوار مكبر الصوت مباشرة. الطريقة أيضاً سريعة للغاية، حيث يمكنها فرز آلاف الأسئلة المحتملة في أقل من 15 دقيقة، مما يجعلها عملية للاستخدام في العالم الحقيقي.

المشكلة: المقاس الواحد لا يناسب الجميع

تخيل أنك طبيب يحتاج إلى تشخيص المرضى، ولكن لديك قائمة مراجعة صغيرة وثابتة من الأعراض التي يمكنك السؤال عنها. لديك مرضى من جميع أنحاء البلاد: بعضهم شباب وأصحاء، وبعضهم كبار سن يعانون من حالات مزمنة، وبعضهم يعيش في مناطق ذات مخاطر بيئية مختلفة. إذا اخترت الأعراض الثلاثة التي تعمل بشكل أفضل لـ "المريض المتوسط"، فقد تفوت العلامات الحاسمة لكبار السن أو الشباب.

هذه هي المشكلة الجوهرية لـ اختيار الميزات (feature selection). في تعلم الآلة، "الميزات" هي مجرد نقاط البيانات أو الأسئلة التي تغذي بها الكمبيوتر (مثل "العمر"، "الدخل"، أو "هل يعاني المريض من حمى؟"). عادةً، يختار العلماء الميزات التي تجعل الكمبيوتر أكثر ذكاءً لأكبر مجموعة من الناس. لكن هذا يترك المجموعات الأصغر أو المختلفة خلف الركب.

حاولت بعض الطرق السابقة إصلاح ذلك عن طريق بناء نموذج واحد ضخم ومتين للغاية يحاول العمل للجميع. لكن هذا يشبه محاولة صنع زوج واحد من الأحذية يناسب طفلاً، ولاعب كرة سلة، وجدة بشكل مثالي — وهو أمر شبه مستحيل. وحاولت طرق أخرى بناء نموذج منفصل لكل مجموعة، لكن ذلك يتطلب قائمة مراجعة منفصلة ومكلفة لكل مجموعة، مما يلغي الغرض من وجود مورد مشترك ومحدود.

الحل: PopFS ومفتاح ضبط العدالة

يقترح مؤلفو هذه الورقة البحثية، رويقي ليو، وأليستر توركان، وبريان وايلدر، حلاً وسطاً. إنهم يريدون إيجاد قائمة مراجعة مشتركة واحدة يستخدمها الجميع، ولكن بعد ذلك يسمحون لكل مجموعة ببناء نموذج مخصص (مفتاح إجابة خاص بها) بناءً على تلك القائمة.

للقيام بذلك، اخترعوا PopFS. وإليكم كيف يعمل، باستخدام تشبيه بسيط:

1. المعلم والطلاب: تخيل معلماً بارعاً (الـ "معلم") لديه إمكانية الوصول إلى كل المعلومات في العالم. هذا المعلم يعرف الإجابة المثالية لكل طالب على حدٍ سواء. أولاً، يطلب PopFS من هذا المعلم النظر في جميع البيانات وتحديد ما سيكون التنبؤ "المثالي" لكل مجموعة.
2. اختبار الضغط: الآن، يسأل الباحثون: "إذا أعطينا الطلاب قائمة صغيرة مشتركة من k من الأسئلة (الميزات)، فهل لا يزال بإمكانهم تخمين إجابة المعلم؟" إنهم يختبرون قوائم مختلفة من الأسئلة ليروا أي منها يسمح للطلاب بالاقتراب أكثر من حكمة المعلم.
3. مفتاح ضبط العدالة (هدف الرفاهية): هذا هو الجزء السحري. أدرك الباحثون أن مجرد اختيار القائمة التي تحصل على أعلى متوسط درجة ليس عادلاً. لذلك، أضافوا مفتاح ضبط قابل للضبط يسمى معامل الرفاهية (يمثل بالحرف اليوناني ألفا، $\alpha$).
   • إذا ضبطت المفتاح على 1، فإن النظام يهتم أساساً بالدرجة الإجمالية للجميع مجتمعين (المتوسط).
   • إذا خفضت المفتاح إلى 0 أو حتى -1، يبدأ النظام في الاهتمام أكثر بكثير بالطلاب الذين يحصلون حالياً على أدنى الدرجات. فهو يجبر عملية الاختيار على اختيار أسئلة تساعد المجموعات المتعثرة، حتى لو كان ذلك يعني أن المجموعات الأعلى أداءً ستحصل على مساعدة أقل قليلاً.

كيف جعلوه سريعاً

قد تعتقد: "مهلاً، إذا كانت هناك آلاف الأسئلة المحتملة، وعلينا اختبارها على عشرات المجموعات المختلفة، فإن ذلك سيستغرق وقتاً طويلاً جداً!" وأنت محق. إن محاولة تجربة كل التركيبات الممكنة من الأسئلة تشبه محاولة تجربة كل التركيبات الممكنة للمكونات في كتاب وصفات يحتوي على آلاف الصفحات؛ سيستغرق الأمر عمراً كاملاً.

يستخدم PopFS خدعة ذكية من خطوتين:

1. الشاشة الكبيرة: أولاً، يقوم بمسح سريع لآلاف الميزات ويرمي الميزات التي من الواضح أنها عديمة الفائدة، محتفظاً فقط بـ "قائمة قصيرة" من المرشحين الأكثر واعدية. إنه يشبه حكم برنامج مواهب يقوم بسرعة باستبعاد الأشخاص الذين لا يستطيعون الغناء على الإطلاق، حتى لا يضطروا للاستماع إلى كل شخص في العالم.
2. التبديل الذكي: بعد ذلك، بدلاً من اختبار كل تركيبة، يبدأ بقائمة جيدة ويحاول تبديل سؤال واحد في كل مرة. يستخدم "لعبة تخمين" سريعة (اختصار رياضي يسمى "الوكيل" أو surrogate) للتنبؤ بأي التبديلات ستعمل بشكل أفضل. إنه يقوم بالاختبار الكامل البطيء والمكلف فقط على أفضل المرشحين. وهذا يسمح له بإيجاد القائمة المثالية في أقل من 15 دقيقة، حتى مع وجود آلاف الخيارات.

ماذا وجدوا

اختبر الباحثون PopFS على بيانات من العالم الحقيقي، بما في ذلك:

• التنبؤ بالدخل (باستخدام بيانات من ACS و UCI Adult).
• المخاطر الصحية (مستويات الرصاص في الدم لدى الأطفال والبالغين من NHANES، ومخاطر الائتمان من HELOC).
• تتبع كوفيد-19 (التنبؤ بدخول المستشفيات عبر 43 ولاية أمريكية بناءً على عمليات البحث عن الأعراض).

في كل اختبار تقريباً، تفوق PopFS على الطرق الأخرى.

• أفضل للجميع: لقد حسن الأداء المتوسط لجميع المجموعات.
• أفضل للمتعثرين: والأهم من ذلك، أنه عزز بشكل كبير أداء المجموعات التي تحصل عادةً على أسوأ التنبؤات. في بعض الحالات، حسن أداء المجموعة "الأقل حظاً" بنسبة تصل إلى 22% مقارنة بالطرق القياسية.
• دراسة حالة كوفيد-19: عند تطبيق PopFS على التنبؤ بحالات دخول المستشفيات بسبب كوفيد-19 عبر 43 ولاية، وجدوا شيئاً مذهلاً. من خلال ضبط مفتاح العدالة لإعطاء الأولوية للولايات التي تعاني أكثر من غيرها، حسنوا دقة التنبؤ لتلك الولايات بنسبة تقارب 40%، بينما لم يتغير متوسط الدقة لجميع الولايات إلا قليلاً.

لاحظوا أيضاً أن الميزات التي اختارها PopFS تغيرت اعتماداً على المفتاح. فعندما منحوا الأولوية للولايات المتعثرة، بدأ النظام في اختيار أعراض مختلفة (مثل توقيت معين للحمى أو فقدان حاسة التذوق) كانت أفضل لتلك المناطق المحددة، بدلاً من مجرد اختيار الأعراض الأكثر شيوعاً. وهذا يشير إلى أن الطريقة تجد بالفعل الأدوات المناسبة للوظيفة المناسبة، بدلاً من مجرد اختيار الأدوات الأكثر شعبية.

لماذا يهم هذا

لا تدعي الورقة البحثية أنها حلت كل مشاكل العالم. فالمؤلفون حذرون في قولهم إن طريقتهم تعتمد على جودة نموذج "المعلم" الأولي وأنها تستخدم اختصارات ذكية (heuristics) بدلاً من إيجاد الإجابة المثالية رياضياً في كل مرة. ومع ذلك، فإن النتائج قوية ومتسقة عبر العديد من أنواع البيانات المختلفة.

الخلاصة الرئيسية هي أننا لسنا مضطرين للاختيار بين "جيد للأغلبية" و"عادل للجميع". مع PopFS، يمكننا امتلاك مجموعة واحدة من الأسئلة القابلة للنشر والتي تعمل بشكل جيد للجميع، ويمكننا ضبطها لضمان حصول الأشخاص الذين يحتاجون إلى المساعدة أكثر من غيرهم عليها، دون التضحية بجودة النظام ككل. إنها خطوة نحو جعل تعلم الآلة ليس ذكياً فحسب، بل عادلاً وقابلاً للتكيف مع واقع العالم المتنوع والمعقد.