تخيل أنك محقق يحاول حل لغز، لكن الدليل الوحيد الذي تملكه هو صورة لغرفة مزدحمة. في عالم علوم الحاسوب، تُعد هذه مشكلة شائعة تُسمى "قراءة المخططات" (chart reading). لسنوات، أصبحت الحواسيب جيدة جداً في قراءة الصور البسيطة، مثل المخططات الشريطية (حيث يمكنك عد الكتل) أو المخططات الدائرية (حيث يمكنك رؤية الشرائح). ولكن هناك نوع واحد من الصور استعصى عليها: "مخطط الإحداثيات المتوازية" (parallel coordinates plot). فكر في هذا الأمر كشبكة متشابكة من خيوط السباغيتي التي تمتد بين عدة أعمدة رأسية. كل خط يمثل قصة واحدة أو نقطة بيانات، وهي تنسج عبر فئات مختلفة. وبينما يمكن للبشر النظر إلى هذه الفوضى ورصد الأنماط، فإنها تبدو للحاسوب كخربشة عشوائية. تتقاطع الخطوط فوق بعضها البعض كثيراً لدرجة أن الحاسوب لا يستطيع معرفة أين ينتهي خط وأين يبدأ آخر. هذا الأمر مهم لأن هذه المخططات يستخدمها العلماء والمهندسون لفهم البيانات المعقدة، من تتبع الأسواق المالية إلى دراسة الجينات. وإذا لم تستطع الحواسيب قراءة الخطوط، فلن تتمكن من مساعدتنا في تحليل البيانات المخفية داخل الصورة.

هنا يأتي دور فريق جديد من الباحثين بحل ذكي يسمى PaCoNet. لقد بنوا نظاماً حاسوبياً ذكياً مصمماً خصيصاً لفك تشابك شبكة السباغيتي تلك واستخراج البيانات الأصلية. وبدلاً من مجرد التخمين، يعمل PaCoNet كمحرر بارع. أولاً، يقوم بتقطيع الصورة الكبيرة الفوضوية إلى شرائط أصغر يمكن إدارتها بين الأعمدة. ثم يستخدم خدعة خاصة لفصل الخطوط الملونة المختلفة، مثل فرز كومة من الخيوط المختلطة حسب اللون. ولكن نظرًا لأن الخطوط مزدحمة للغاية، فإن عملية الفرز هذه قد تتركها أحياناً تبدو مكسورة أو مشوشة. لذا، يستخدم النظام أداة "ترميم" - وهي نسخة رقمية من برنامج تحرير الصور - لتنعيم الشقوق وجعل الخطوط كاملة مرة أخرى. أخيراً، يتتبع كل خط بدقة لإعادة إنشاء نقاط البيانات بدقة. اختبر الباحثون هذا النظام على آلاف المخططات المصطنعة ووجدوا أن PaCoNet أفضل بكثير في قراءة هذه المخططات من الطرق السابقة أو حتى من نماذج الذكاء الاصطناعي المتطورة (chatbots). كما أنشأوا مكتبة ضخمة من المخططات الوهمية لتعليم النظام كيفية التعلم. ورغم أن هذه خطوة كبيرة، إلا أن الباحثين يشيرون إلى أن نظامهم يعمل بشكل أفضل على المخططات ذات الألوان الواضمة، ويحتاج إلى اختبار على المزيد من الأمثلة الواقعية قبل اعتباره حلاً مثالياً لكل موقف.

قصة PaCoNet: فك تشابك شبكة البيانات

المشكلة: فوضى متشابكة
تخ تخيل أنك تنظر إلى نافذة مغطاة بالمطر. إذا كانت قطرات المطر قليلة، يمكنك رؤية العالم في الخارج. ولكن إذا كانت النافذة مغطاة بطبقة سميكة ومتداخلة من الماء، يصبح كل شيء ضبابياً. هذا بالضبط ما يحدث مع مخططات الإحداثيات المتوازية. تُستخدم هذه المخططات لإظهار أشياء كثيرة في وقت واحد (مثل الطول، والوزن، والسرعة، والعمر) عن طريق رسم خطوط تربط بينها. عندما يكون لديك مئات الخطوط، فإنها تتقاطع فوق بعضها البعض كثيراً لدرجة أن الصورة تصبح فوضى "مزدحمة". الأمر يشبه محاولة عد الخيوط الفردية في سترة محبوكة تم سحبها وتشابكت. حتى أحدث نماذج الذكاء الاصطناعي الأكثر ذكاءً تعاني في النظر إلى هذه الصور والقول: "آه، هذا الخط يمتد من 10 إلى 20". إنهم يضيعون في الضجيج.

الحل: محقق خطوة بخطوة
أدرك الباحثون وراء PaCoNet أنه لحل هذه المشكلة، لا يمكنهم مجرد إلقاء ذكاء اصطناٍ قوي على الصورة الفوضوية بأكملها. كانوا بحاجة إلى استراتيجية، عملية خطوة بخوة لتنظيف الفوضى قبل محاولة قراءتها.

1. تقطيع الكعكة: أولاً، يأخذ النظام الصورة الكبيرة المربكة ويقطعها إلى قطع أصغر. إنه يقطع الصورة إلى المساحات الموجودة بين الأعمدة الرأسية. هذا يجعل المهمة أسهل لأن الخطوط تتقاطع فقط في هذه الأقسام الصغيرة، وليس في الصورة بأكملها في وقت واحد.
2. فرز الألوان: بعد ذلك، ينظر النظام إلى الألوان. في هذه المخططات، تُرسَم مجموعات البيانات المختلفة عادةً بألوان مختلفة. يعمل النظام كفرز للألوان، حيث يفصل الخطوط الحمراء عن الزرقاء والخضراء. هذا أمر بالغ الأهمية لأنه يقلل من "ازدحام المرور" للخطوط. ومع ذلك، تماماً مثلما تحاول فصل قطعتين من الشريط اللاصق، يمكن أن تؤدي هذه العملية أحياناً إلى تمزيق الخطوط أو ترك فجوات صغيرة.
3. الإصلاح الرقمي: هنا يحدث السحر. يستخدم النظام أداة "ترميم" (نوع من الذكاء الاصطناعي يسمى U-Net) لإصلاح الخطوط الممزقة. فكر في الأمر كفريق إصلاح رقمي ينظر إلى الخطوط المكسورة والمتعرجة ويقوم بتنعيمها، وملء الفجوات وإزالة الحواف الضبابية الناتجة عن فرز الألوان. إنه يحول رسماً تخطيطياً مكسوراً ومشوشاً إلى رسم نظيف وواضح.
4. تتبع المسار: بمجرد تنظيف الخطوط، يستخدم النظام أداة متخصصة (تسمى DHLP) لتتبع كل خط من بدايته إلى نهايته. ولأن الخطوط الآن نظيفة ومنفصلة، يمكن للحاسوب اتباع مسار كل منها بسهولة دون الارتباك بالخطوط الأخرى.
5. التحقق المزدوج: أخيراً، يقوم النظام بفحص سريع. ينظر إلى الخطوط التي وجدها ويتأكد من أنها تطابق بالفعل الصورة النظيفة التي صنعها للتو. إذا بدا الخط وكأنه يطفو في مساحة فارغة أو لا يتناسب مع النمط، يتم استبعاده. هذا يضمن الاحتفاظ بالبيانات الحقيقية فقط.

النتائج: التفوق على المنافسة
اختبر الفريق PaCoNet على مجموعة ضخمة مكونة من 5,000 مخطط اصطناعي (صور مولدة بالحاسوب) و1,000 مخطط اختبار. وقارنوه بطرق أخرى، بما في ذلك بعض نماذج الذكاء الاصطناعي الذكية جداً (مثل GPT-4 وGemini) وأدوات اكتشاف الخطوط القديمة. كانت النتائج واضحة: كان PaCoNet هو الأفضل في المهمة.

• النتيجة: عند قياس عدد الخطوط التي أصابها النظام مقابل الخطأ، ارتكب PaCoNet أخطاء أقل بكثير من الآخرين. على سبيل المثال، بينما ارتكبت بعض الطرق القديمة أخطاء في نصف الحالات تقريباً، حافظ PaCoCl على معدل خطأ منخفض جداً.
• درجة "sAP": استخدموا أيضاً درجة تسمى "sAP" لقياس مدى دقة النظام في العثور على الخطوط. سجل PaCoNet درجات أعلى بكثير من المنافسين، حيث وصل إلى درجات تتراوح بين 61 إلى 68 (اعتماداً على صرامة الاختبار)، بينما وصلت الطريقة التالية الأفضل إلى حوالي 40 فقط.
• الاختبار الواقعي: جرب الباحثون أيضاً PaCoNet على مخططات حقيقية وجدوها على الإنترنت. ورغم أنهم لم يتمكنوا من قياس الأرقام بدقة (لعدم امتلاكهم البيانات الأصلية للمقارنة بها)، إلا أن النتائج البصرية أظهرت أن PaCoNet يمكنه بنجاح فك تشابك المخططات المعقدة والواقعية التي لم تستطع الأدوات الأخرى التعامل معها.

ماذا يعني هذا؟
يُعد PaCoNet أول نظام مصمم خصيصاً لقراءة هذه المخططات المعقدة وعالية الأبعاد. إنه يثبت أنه من خلال تقسيم مشكلة صعبة إلى خطوات أصغر — التقطيع، والفرز، والإصلاح، والتتبع — يمكن للحواسيب أخيراً فهم البيانات التي كانت سابقاً شديدة الفوضى لدرجة يصعب قراءتها. لقد شارك الباحثون حتى الكود الخاص بهم والمكتبة الضخمة من المخططات الوهمية التي استخدموها لتدريب النظام، حتى يتمكن العلماء الآخرون من البناء على هذا العمل. ورغم أنه ليس عصا سحرية تحل كل المشكلات فوراً، إلا أنه يضع أساساً قوياً للمستقبل، موضحاً أنه مع الأدوات الصحيحة، يمكننا تحويل خربشة فوضوية إلى بيانات واضحة وقابلة للاستخدام.