تخيل عالماً يقرر فيه جهاز كمبيوتر مستقبلك. إنه حارس البوابة لقرضك، أو مقابلة عملك، أو قبولك الجامعي. أحياناً، يقول "لا". في الماضي، إذا سألت عن السبب، ربما كان الكمبيوتر سيعطيك إجابة غامضة أو مجرد قائمة بالقواعد التي خالفتها. لكن معرفة لماذا فشلت لا تساعدك على إصلاح الأمر. أنت بحاجة إلى خريطة. أنت بح به لتعرف بالضبط ما هي التغييرات التي يمكنك إجراؤها لتحويل تلك الـ "لا" إلى "نعم". هذا هو جوهر مجال يسمى التعافي الخوارزمي (Algorithmic Recourse). فكر فيه كجهاز تحديد المواقع (GPS) لقرارات الحياة: بدلاً من مجرد إخبارك بأنك تائه، يقترح عليك مساراً للوصول إلى وجهتك.

ومع ذلك، هناك عقبة. معظم أنظمة الـ GPS تقدم لك مساراً واحداً فقط. لكن في الحياة الواقعية، غالباً ما تكون هناك طرق عديدة للوصول إلى نفس المكان. ربم يمكنك الحصول على قرض عن طريق سداد بطاقة ائتمان، أو ربما من خلال الحصول على وظيفة ذات دخل أعلى، أو الحصول على ضامن. لكل شخص أدواته، وقته، وقيوده. لا ينبغي لنظام جيد أن يعطيك مساراً واحداً جامداً فحسب؛ بل يجب أن يقدم لك قائمة من الخيارات الواقعية والمتنوعة التي تناسب حياتك بالفعل. هذه هي المشكلة التي يحاول بحث جديد من باحثين في المعهد الهندي للتكنولوجيا في بالاكاد حلها. إنهم يريدون الابتعيد عن البحث عن إجابة واحدة "مثالية" وبدلاً من ذلك إنشاء مشهد كامل من الحلول الممكنة، يوضح لك الطرق العديدة التي يمكنك من خلالها النجاح.

الطريقة القديمة: البحث عن إبرة واحدة في كومة قش

تخيل أنك تحاول العثد على مفتاح محدد في غرفة ضخمة وفوضوية (الغرفة هي كل التغييرات التي يمكنك إجراؤها في حياتك). كانت الطريقة القديمة للقيام بذلك هي إرسال روبوت مزود بكشاف ضوئي للعثور على المفتاح الواحد الأقرب إلى حيث تقف الآن. سيقوم الروبوت بمسح الأرضية، وحساب المسافات، واختيار أفضل نقطة واحدة. إذا وجد الروبوت مفتاحاً، فهذا رائع! ولكن ماذا لو كان هذا المفتاح في جزء من الغرفة كان مغلقاً أو خطيراً في الواقع؟ أو ماذا لو فات الروبوت مفتاحاً جيداً تماماً على بعد قدمين فقط لأنه كان مركزاً جداً على المفتاح الأول؟

يشير الباحثون إلى أن الأساليب الحالية تعمل مثل هذا الروبوت. فهي تعامل المشكلة كأحجية رياضية لإيجاد واحد أو بضعة "سيناريوهات مضادة" (مصطلح منمق لـ "ماذا لو") محددة. إنهم يحاولون إجبار الحل على أن يكون قريباً من وضعك الحالي ويتضمن تغيير أقل قدر ممكن من الأشياء. ولكن بفعل ذلك، غالباً ما يفتقدون الصورة الكبيرة. قد يعطونك حلاً قريباً رياضياً ولكنه غير واقعي تماماً لحياتك، أو قد يعطونك عشرة حلول هي في الأساس الشيء نفسه، مع تعديلات طفيفة جداً. إنه يشبه جهاز GPS لا يظهر لك سوى أقصر طريق، حتى لو كان ذلك الطريق طريقاً مسدوداً، بينما يتجاهل البدائل الجميلة والقابلة للتطبيق.

الفكرة الجديدة: خريطة احتمالية للاحتمالات

يقترح المؤلفون، أناغا سابو، وهريتيك سوريش، ونارايانان سي. كريشنان، نهجاً مختلفاً تماماً. بدلاً من مطاردة إبرة واحدة، يريدون رسم خريطة للغرفة بأكملها، توضح لك أين توجد جميع المفاتيح الجيدة على الأرجح. هم يسمونها توزيع التعافي القابل للتتبع (Tractable Recourse Distribution - TRD).

فكر في الأمر كما يلي: تخيل أن لديك خريطة سحرية متوهجة لجميع الطرق التي يمكنك من خلالها الحصول على موافقة للقرض. هذه الخريطة ليست مجرد قائمة من النقاط؛ إنها خريطة حرارية. تمثل البقع الأكثر سطوعاً وحرارة على الخريطة التغييرات الأكثر احتمالاً للنجاح، والأقرب إلى حياتك الحالية، والتي لا تتطلب منك تغيير الكثير من الأشياء في وقت واحد. أما البقع الخافتة فهي لا تزال ممكنة، لكنها تتطلب قفزات أكبر.

سحر طريقتهم يكمن في كيفية صنع هذه الخريطة. يبدأون بنموذج لما يبدو عليه الأشخاص "الناجحون" (توزيع الفئة الإيجابية). ثم يستخدمون خدعة رياضية تسمى الإمالة الأسية (exponential tilting). تخيل أن لديك كيساً من الكرات التي تمثل جميع المستقبلات الممكنة. معظم الكرات عشوائية فحسب. لكنك تريد العثور على الكرات القريبة من وضعك الحالي. لذا، تضع مغناطيساً على الكيس. المغناطيس يجذب الكرات القريبة منك (التقارب/proximity) وتلك التي لا تتطلب تغيير العديد من السمات (الندرة/sparsity) إلى الأعلى. أما الكرات البعيدة أو التي تتطلب تغييرات ضخمة فتغوص إلى الأسفل.

ولأنهم يستخدمون نوعاً معيناً من البنية الرياضية يسمى الدائرة الاحتمالية (Probabilistic Circuit)، يمكنهم القيام بهذا السحب والفرز بدقة ولحظياً. هم لا يحتاجون لإعادة تدريب النظام بأكره لكل شخص. هم فقط يأخذون الخريطة الموجودة، ويطبقون المغناطيس (الإمالة)، وفجأة—لديك خريطة مخصصة لذلك الشخص المحدد.

ما وجدوه: قائمة من الخيارات الواقعية

اختبر الباحثون هذه الفكرة على مجموعات بيانات قياسية تستخدم لأشياء مثل الموافقات على القروض والدرجات الائتمانية، وكذلك على الصور (تحويل صورة الرقم 8 إلى 0، أو 7 إلى 1). إليكم ما اكتشفوه:

1. التنوع دون فوضى
عندما سمحوا لنظامهم بأخذ عينات من هذه الخريطة الجديدة، أنتجت تنوعاً واسع النطاق من الحلول بشكل طبيعي. قد يغير بعض الناس دخلهم، والبعض الآخر ديونهم، والبعض الآخر تاريخ توظيفهم. لم يحتج النظام إلى قاعدة "تنوع" خاصة لفرض هذا التنوع؛ فالخريطة نفسها كانت متنوعة. في الواقع، وجدوا أنه حتى لو اختاروا عينات عشوائية من الخريطة، فإنهم يحصلون على مزيج جيد من الخيارات. الشيء الوحيد الذي أضافوه هو خطوة "التجميع" (clustering) للتأكد من أن القائمة النهائية ليست مجرد عشر نسخ من نفس النصيحة.

2. الحفاظ على الواقعية (المعقولية)
أحد أكبر المخاوف المتعلقة بهذه الأنظمة هو أنها قد تقترح تغييرات مجنونة أو مستحيلة، مثل "الانتقال إلى بلد آخر" أو "تغيير عمرك". وجد الباحثون أن طريقتهم حافظت على الاقتراحات واقعية. لأن الخريطة بدأت ببيانات حقيقية عن الأشخاص الناجحين، فإن كل اقتراح كان سيناريو واقعياً. في اختباراتهم، كان "أسوأ" اقتراح في قائمتهم لا يزال أكثر واقعية بكثير من اقتراحات الطرق الأخرى. على سبيل المثال، في مجموعة بيانات الائتمان الألماني، حافظت طريقتهم على "أسوأ" اقتراح واقعياً للغاية، بينما اقترحت الطرق الأخرى تغييرات ممكنة رياضياً ولكنها غير منطقية عملياً.

3. التحكم في المقايضة
أظهر الباحثون أنه يمكنهم التحكم في الخريطة. من خلال ضبط قوة "المغناطيس" (معلمات الإمالة)، يمكنهم إخبار النظام: "أعطني أقرب التغييرات الممكنة، حتى لو اضطررت لتغيير بعض الأشياء"، أو "أعطني تغييرات تؤثر على أقل عدد ممكن من أجزاء حياتي، حتى لو كانت بعيدة قليلاً". ووجدوا أن استخدام كلا الضبطين معاً يعطي أفضل النتائج، حيث يقدم حلولاً تكون قريبة من حياة المستخدم الحالية وتتطلب تغييرات دنيا في آن واحد.

4. يعمل على الصور أيضاً
حتى جربوا ذلك على الصور. إذا كان لديك صورة للرقم 8 وتريد تحويلها إلى 0، فإن النظام لا يخمن فقط. إنه ينشئ توزيعاً لجميع الطرق لتحويل 8 إلى 0. ومع زيادة قوة "الإمالة"، احتفظت الصور المنتجة بمزيد من بكسلات الرقم 8 الأصلي، مما جعل التغيير أصغر وأكثر دقة. ومع ذلك، أشاروا إلى وجود مقايضة: إذا كانت الإمالة قوية جداً، فقد تبدو الصورة مشابهة جداً للرقم 8 الأصلي، مما يؤدي إلى الفشل في التعرف عليها كـ 0. أظهر هذا أن الطريقة تعمل في المساحات المعقدة وعالية الأبعاد، وليس فقط في جداول الأرقام البسيطة.

الخلاصة

يخلص البحث إلى أن هذا النهج هو طريقة عملية وقوية لمساعدة الناس. فهو لا يعطيك إجابة واحدة فحسب؛ بل يعطيك قائمة متنوعة، واقعية، وقابلة للتنفيذ. إنه يشبه امتلاك وكيل سفر لا يحجز لك أرخص رحلة فحلة، بل يظهر لك خمسة مسارات مختلفة، ويشرح لك المزايا والعيوب، ويترك لك حرية اختيار ما يناسب جدولك وميزانيتك.

الباحثون حذرون من أن هذا ليس عصا سحرية تحل كل المشكلات. فالنظام يعتمد على "أخذ العينات بالرفض" (rejection sampling)، مما يعني أنه يولد العديد من الاحتمالات ويرمي تلك التي لا تعمل. إذا كانت القواعد صارمة للغاية (مثل القوانين المعقدة جداً حول التغييرات المسموح بها)، فقد يكون من الصعب العثور على مسار جيد. ولكن بالنسبة لمجموعات البيانات التي اختبروها، فقد عمل بشكل جيد للغاية، حيث قدم لكل شخص اختبروه خياراً واحداً صالحاً وواقعياً على الأقل. وهم يقترحون أنه في المستقبل، قد يتمكنون من دمج هذه القواعد الصارمة مباشرة في الخريطة نفسها، مما يجعل العملية أكثر سلاسة.

باختصار، ينتقل بنا هذا البحث من عالم يخبرنا فيه الكمبيوتر "هذا هو الشيء الوحيد الذي يجب عليك فعله" إلى عالم يقول لنا: "إليك جميع الطرق المختلفة التي يمكنك من خلالها جعل الأمر ينجح، وإليك الأفضل بالنسبة لك".