How Simple Can It Get? From Interpretable Equations to Readable Rules for Financial Decision Making

تخيل أنك محقق تحاول حل لغز ما، لكن دليلك الوحيد هو كرة ضخمة متشابكة من خيوط الصوف تحتوي على كل قطعة دليل جمعتها على الإطلاق. في عالم الذكاء الاصطعي، هذه "كرة الخيوط" هي نموذج حاسوبي معقد يصدر تنبؤات حول أشياء مثل ما إذا كان شخص ما سيسدد قرضًا أم لا، أو ما إذا كانت معاملة مالية ما تُعد عملية احتيال. وبينما تكون هذه النماذج غالبًا بارعة جدًا في تخمين الإجابة الصحيحة، إلا أنها عادة ما تكون معقدة للغاية لدرجة لا يمكن لأي إنسان فهم كيف توصلت إلى تلك النتيجة. وفي العالم المالي، يمثل هذا مشكلة كبيرة؛ إذ تتطلب القوان Laws غالبًا أنه إذا رفض بنك طلب قرض مقدم من شخص ما، فيجب أن يكون البنك قادرًا على شرح السبب بطريقة يمكن للشخص العادي متابعتها. وإذا كان التفسير عبارة عن مجموعة من الرياضيات التي تبدو كشفرة فضائية، فسيكون بلا فائدة.

هنا يأتي دور فكرة النماذج "القابلة للتفسير" (Interpretable Models). فكر في هذه النماذج كأنها مبنية لتكون شفافة منذ البناء، مثل صندوق زجاجي شفاف بدلاً من صندوق أسود. ولكن، حتى الصندوق الزجاجي الشفاف قد يكون مليئًا بالتروس والرافعات لدرجة تجعل قراءته مستحيلة. تتناول الورقة التي أوشكت على قراءتها سؤالًا محددًا للغاية: إذا كان لدينا بالفعل نموذج "يمكن فهمه" (لأنه مجرد معادلة رياضية واحدة كبيرة)، فما هو الحد الذي يمكننا عنده تبسيط هذا النموذج قبل أن يتوقف عن كون معناه مفهومًا؟ هل يمكننا قطع الأجزاء المربكة لصنع قاعدة بسيطة من نوع "إذا حدث كذا، فحدث كذا"، مثل الوصفة، دون تدمير قدرة النموذج على التنبؤ بالمستقبل؟ أراد الباحثون إيجاد "النقطة المثالية" حيث تكون القاعدة بسيطة بما يكفي ليقرأها البشر، ولكنها لا تزال ذكية بما يكفي لاتخاذ قرارات جيدة.

---

عملية تقليص المعادلة الكبرى

تخيل أن لديك وصفة سحرية للتنبؤ بما إذا كان مقدم طلب القرض سيتخلف عن السداد. الوصفة الأصلية، التي تعلمها الحاسوب، هي معادلة واحدة ضخمة. وهي تضرب معًا 42 مكونًا مختلفًا — مثل "إجمالي الفائدة المستلمة"، و"الوقت منذ آخر دفعة"، و"الدخل السنوي" — كل منها مرفوع لقوة معينة وغريبة. الأمر يشبه "سموذي" مصنوع من 42 نوعًا من الفاكهة، حيث قرر الحاسوب بالضبط مقدار كل فاكهة لخلطها.

ما المشكلة؟ إذا عرضت وصفة هذا "السموذي" المكونة من 42 مكونًا على مدير بنك، فسينظر إليها بذهول وحيرة. هي "قابلة للقراءة" تقنيًا لأنها مجرد رياضيات، لكنها طويلة جدًا بحيث لا يمكن استخدامها فعليًا. تساءل مؤلفو هذه الورقة: "ماذا لو بدأنا بهذه الوصفة المعقدة وحاولنا تبسيطها، خطوة بخطوة، لنرى مقدار "النكهة" التي سنفقدها؟"

لم يعتمدوا على التخمين فحسب؛ بل أخذوا المعادلة الأصلية وجردوها بشكل منهجي من أربع طرق مختلفة، مثل تقشير البصل:

1. الحد الواحد المبتور (The Pruned Monomial): أخذوا الوصفة واستبعدوا المكونات التي لا تهم كثيرًا. إذا كان المكون يغير الطعم بقدر ضئيل جدًا، فقد قاموا بإزالته تمامًا.
2. القاعدة الاتجاهية (The Directional Rule): احتفظوا بالمكونات لكنهم توقفوا عن الاهتمام بـ مقدار استخدام كل منها. بدلًا من ذلك، اكتفوا بتدوين الاتجاه فقط. على سبيل المثال: "إذا كانت الفائدة مرتفعة، فإن المخاطر تزدัง". لقد رموا الأرقام الدقيقة واكتفوا بأسهم "للأعلى" أو "للأسفل".
3. بطاقة النقاط (The Scorecard): حولوا المكونات إلى أسئلة بسيطة من نوع (نعم/لا). بدلًا من "إجمالي الدفعات هو 450 دولارًا"، سألوا: "هل إجمالي الدفعات منخفض؟". إذا كانت الإجابة نعم، تحصل على 5 نقاط. إذا كانت لا، تحصل على 0. لقد خصصوا نقاطًا صحيحة (مثل 1، 2، أو 5) بناءً على الأهمية.
4. التعداد (The Tally): كان هذا هو الإصدار الأبسط. كان مجرد قائمة مراجعة. "هل استوفيت الشرط (أ)؟ نعم. الشرط (ب)؟ نعم". أنت فقط تعد عدد المربعات التي قمت بتحديدها. لا توجد نقاط، ولا أوزان، مجرد عد بسيط.

النتائج المفاجئة: ما الذي يُفقد منا؟

اختبر الفريق هذه القواعد المبسطة على أربع مجموعات بيانات مالية حقيقية، بما في ذلك حالات التخلف عن سداد القروض والاحتيال في بطاقات الائتمان. وإليكم ما اكتشفوه، وقد يفاجئكم الأمر.

1. قطع "الزوائد" يكاد يكون مجانيًا.
عندما أزالوا المكونات الضعيفة (التي لها تأثيرات ضئيلة) لإنشاء "الحد الواحد المبتور"، لم يفقد النموذج أي دقة تقريبًا. في الواقع، في إحدى مجموعات البيانات، خفضوا عدد الميزات من 42 إلى 7 فقط، وانخفضت قدرة النموذج على التنبؤ بالتخلف عن السداد بمقدار ضئيل جدًا، يكاد لا يُلحظ (من 0.886 إلى 0.885). الأمر يشبه إدراك أن طعم "السموذي" الخاص بك لم يتغير حتى لو رميت الفاكهة رقم 40. يمكنك جعل الوصفة أقصر بكثير دون فقدان النكهة.

2. قاعدة "الأعلى/الأسفل" هي اختصار ذكي.
عندما انتقلوا إلى "القاعدة الاتجاهية" (الاحتفاظ بالمكونات مع ملاحظة ما إذا كانت تزيد أو تنقص فقط)، كانت النتائج مذهلة. في بعض مجموعات البيانات، ظل النموذج دقيقًا للغاية. وفي مجموعات أخرى، تغير "ترتيب" الأشخاص الأكثر خطورة قليلاً، لكنه ظل يقوم بالمهمة الفعلية وهي قول "نعم" أو "لا" بشكل جيد. هذا يشير إلى أنه في بعض الأحيان، معرفة اتجاه الخطر كافٍ، حتى لو لم تكن تعرف الرياضيات الدقيقة وراءه.

3. تحويل الأرقام إلى "نعم/لا" أمر محفوف بالمخاطر.
هنا أصبح الأمر معقدًا. عندما حولوا الأرقام المستمرة (مثل المبالغ المالية الدقيقة) إلى شروط بسيطة من نوع "نعم/لا" لاستخدامها في "بطاقة النقاط" و"التعداد"، انهارت النماذج غالبًا. في مجموعة بيانات القروض، انخفضت الدقة من 0.885 القوية إلى 0.329 الضعيفة. كان الأمر أشبه بمحاولة وصف لوحة معقدة باستخدام ملصقات بالأبيض والأسود فقط؛ ستفقد الكثير من التفاصيل. تشير الورقة إلى أنه بالنسبة لبعض أنواع البيانات، فإن الرقم الدقيق يهم أكثر من مجرد معرفة ما إذا كان "مرتفعًا" أو "منخفضًا".

4. التنبؤ بالانهيار قبل حدوثه.
أحد أروع أجزاء الورقة هو أن المؤلفين وجدوا طريقة للتنبؤ بمدى نجاح "القاعدة الاتجاهية" قبل حتى أن يبنوها. من خلال النظر في المعادلة الرياضية الأصلية وكيفية ارتباط المكونات ببعضها البعض، استطاعوا حساب درجة تخبرهم: "مهلًا، إذا رميت الأرقام واكتفيت بالاتجاهات فقط، فسيظل نموذجك أمينًا بنسبة 70% تقريبًا للأصل". إنه مثل القدرة على تخمين طعم الكعكة بمجرد النظر إلى قائمة المكونات، دون حتى خبزها.

ما يعتقده البشر حقًا

لم يكتفِ الباحثون بالنظر في الرياضيات؛ بل سألوا بشرًا حقيقيين — خبراء تمويل وباحثين في الذكاء الاصطناعي — لقراءة هذه القواعد المبسطة وإخبارهم أي منها أعجبهم.

كانت النتائج تحكي قصة عالمين مختلفين:

• خبراء التمويل والمخاطر: أحبوا "القاعدة الاتجاهية". فضلوا هذه القاعدة بنسبة 57% من الوقت. لقد أعجبتهم فكرة الجملة الواضحة: "توقع التخلف عن السداد عندما تكون الفائدة مرتفعة والمدفوعات منخفضة". لقد بدا الأمر طبيعيًا بالنسبة لهم.
• باحثو الذكاء الاصطناعي وتعلم الآلة: فضلوا "بطاقات النقاط" و"التعداد" (أنظمة النقاط). اختاروا هذه الأنظمة بنسبة 72% من الوقت. لقد أعجبهم هيكل جمع النقاط، مما ذكرهم بأنظمة تسجيل النقاط التقليدية.

ومن المثير للاهتمام أن أحدًا لم يحب المعادلة الأصلية المكونة من 42 عنصرًا. كانت فوضوية للغاية للجميع. تشير الدراسة إلى أنه بينما يجعل تبسيط النموذج الأمر أسهل للقراءة البشرية، فإن المهن المختلفة تفضل أنواعًا مختلفة من التبسيط.

الخلاصة

تعلمنا هذه الورقة أن جعل النموذج "بسيطًا" ليس مجرد مسألة جعله أقصر. إنه مقايضة (Trade-off).

• يمكنك غالبًا قطع الأجزاء الضعيفة من النموذج دون تكلفة تذكر.
• يمكنك أحيانًا التخلي عن الأرقام الدقيقة والاحتفاظ فقط باتجاه "الأعلى/الأسفل" دون فقدان الكثير من الدقة.
• ولكن إذا حولت كل شيء إلى صناديق بسيطة من نوع "نعم/لا"، فقد تفقد القدرة على تقديم تنبؤات جيدة، خاصة إذا كانت البيانات معقدة.

والأهم من ذلك، وجد المؤلفون أن القاعدة الأبسط لا يجب أن تكون نسخة مثالية من النموذج المعقد الأصلي لتكون مفيدة. يمكن للقاعدة أن تكون "غير أمينة" قليلاً للرياضيات الأصلية ومع ذلك تظل مصنفًا فعالًا للغاية. الأمر يشبه الخريطة: لست بحاجة لرسم كل شجرة وصخرة عليها لتصل إلى وجهتك؛ أنت فقط بحاجة إلى الطرق الرئيسية.

تخلص الدراسة إلى أنه في العالم المنظم للتمويل، لا ينبغي لنا أن نفترض فقط أن النموذج جيد لأنه "قابل للتفسير". بل يجب علينا قياس ما نخسره بالضبط عندما نجعل النموذج قابلاً للقراءة. أحيانًا تكون الخسارة ضئيلة، وأحيانًا تكون هائلة. وأفضل طريقة لشرح قرار ما تعتمد على من يستمع إليك.