لعبة المحقق العظيم للبيانات

تخَّيل أنك محقق تحاول حل لغز، ولكن بدلاً من مسرح جريمة واحد، لديك آلاف مسارح الجريمة المختلفة المنتشرة في جميع أنحاء العالم. بعضها عبارة عن خربشات فوضوية على مناديل ورقية، وبعضها جداول بيانات مرتبة، والبعض الآخر صفحات مفقودة تماماً. في عالم علوم الكمبيوتر، يتمثل هذا في تحدي توليد البيانات الاصطناعية (synthetic data generation). يسعى العلماء لإنشاء مجموعات بيانات وهمية ولكن واقعية تبدو وتتصرف تماماً مثل البيانات الحقيقية. لماذا؟ لأن البيانات الحقيقية غالباً ما تحتوي على أسرار خاصة (مثل السجلات الطبية) التي لا يمكن مشاركتها بحرية. إذا استطاع الباحثون إنشاء بيانات "وهمية" تسلك سلوك البيانات الحقيقية، فيمكنهم اختبار أدوات الذكاء الاصطنا} الجديدة، وتدريب خوارزمياتهم، وحل المشكلات دون رؤية معلومة خاصة واحدة لأي شخص.

للقيام بذلك، تحاول الحواسيب عادةً تعلم "قواعد" البيانات. فكر في الأمر كطاهٍ يحاول إعادة ابتكار طبق معين. إذا تذوق الطاهي وعاءً واحداً فقط من الحساء، فقد يتعلم كيفية صنع ذلك الوعاء تحديداً بشكل مثالي، لكنه لن يعرف كيف يصنع وعاءً جديداً يظل طعمه مثل الحساء. معظم "طهاة الكمبيوتر" اليوم عالقون في صنع وعاء واحد في كل مرة؛ فهم يواجهون صعوبة عندما يُطلب منهم التعلم من مخزن كامل من أنواع الحساء واليخنات والصلصات المختلفة دفعة واحدة. وهنا يأتي البحث الجديد، الذي يهدف إلى تعليم الحواسيب كيف تصبح "طهاة بارعين" يمكنهم تذوق ألف وصفة مختلفة ثم ابتكار أطباق جديدة ولذيذة لم توجد من قبل.

---

الورقة البحثية: تعليم الحواسيب الطبخ بألف وصفة

في هذه الورقة، يقدم فريق من الباحثين من كندا وألمانيا وصفة ذكية من خطوتين لتعليم الحواسيب كيفية توليد بيانات صحية وهمية وواقعية من مجموعة ضخمة من الجداول المختلفة من العالم الحقيقي. يطلقون على طريقتهم اسم توليد البيانات عبر الجداول (Cross-Tabular Data Generation - CTDG). بدلاً من محاولة حفظ كل صف من البيانات (وهو أمر يشبه محاولة حفظ كل كلمة في مكتبة)، فإنهم يعلمون الكمبيوتر فهم "ملف النكهة" للبيانات أولاً.

الخطوة 1: تحويل "ملف النكهة"

المشكلة الأولى التي يتصدى لها الفريق هي أن جداول البيانات في العالم الحقيقي فوضوية ومختلفة عن بعضها البعض. قد يحتوي جدول ما على أعمدة لـ "العمر" و"ضغط الدم"، بينما يحتوي آخر على "الطول" و"الوزن". لا يمكن للكمبيوتر التعلم بسهولة من هذه الجداول إذا لم تكن تبدو متشابهة.

لحل هذه المشكلة، ابتكر الباحثون طريقة لتحويل كل جدول إلى "جدول إحصائي" موحد. تخيل أخذ لوحة فنية معقدة وفوضوية وتحويلها إلى بطاقة لوحة ألوان بسيطة.

• الوصفة الهامشية (The Marginal Recipe): لكل عمود (مثل "العمر")، لا يحتفظون بالأرقام الفعلية. بدلاً من ذلك، يحددون شكل التوزيع. هل هو منحنى جرس؟ هل هو منحرف؟ يستخدمون أداة رياضية تسمى توزيع بيتا-بينوميال (Beta-Binomial distribution) لالتقاط هذا الشكل باستخدام ثلاثة أرقام فقط: معلمات الشكل ($\alpha$ و $\beta$) وعدد الفئات الفريدة (cardinality). كما يدونون عدد القيم المفقودة (الأماكن الفارغة) الموجودة في ذلك العمود.
• خريطة العلاقات (The Relationship Map): غالباً ما تعتمد أعمدة البيانات على بعضها البعض (على سبيل المثال، الأشخاص الأطول يميلون لأن يكونوا أكثر وزناً). لالتقاط ذلك، يحسبون كيفية ارتباط الأعمدة ببعضها البعض. وبدلاً من الاحتفاظ بشبكة ضخمة وفوضوية من الأرقام، يستخدمون خدعة رياضية تسمى التحلل الذاتي (eigen-decomposition) لضغط خريطة العلاقات هذه إلى متجه ثابت الحجم من الأرقام.

النتيجة؟ كل جدول، مهما كان مختلفاً في الأصل، يتم تحويله إلى قائمة مرتبة ومنتظمة من الأرقام. إنه يشبه تحويل ألف لغة مختلفة إلى رمز واحد عالمي يمكن للكمبيوتر قراءته.

الخطوة 2: طاهي محول الانتشار (The Diffusion Transformer Chef)

بمجرد تحويل جميع الجداول إلى هذه "الجداول الإحصائية" الموحدة، يدرب الباحثون نموذج ذكاء اصطناعي خاص يسمى محول الانتشار الجدولي (Tabular Diffusion Transformer - TDT).

فكر في هذا النموذج كنحات يبدأ بكتلة من الضجيج (تشويش عشوائي) ويبدأ ببطء في نحتها للكشف عن تمثال. في عالم الذكاء الاصطنا، يسمى هذا نموذج الانتشار (diffusion model). يتعلم النموذج أخذ الضجيج العشوائي وتحويله تدريجياً إلى "جدول إحصائي" واقعي يشبه الجداول التي درسها.

• التدريب: تم "تدريب مسبق" للنموذج على مكتبة ضخمة تضم 4,095 مجموعة بيانات عامة (من الاقتصاد، الألعاب، الهندسة، إلخ) لتعلم الأنماط العامة. ثم تم "ضبطه بدقة" (fine-tuned) على 144 مجموعة بيانات متعلقة بالصحة لتعلم "نكهة" البيانات الطبية المحددة.
• التوليد: بمجرد التدريب، يمكن للنموذج توليد جداول إحصائية جديدة تماماً. هذه ليست مجرد نسخ؛ بل هي تركيبات جديدة للأنماط التي تعلمها النموذج.
• إعادة البناء: أخيراً، يقوم الكمبيوتر بأخذ هذه الجداول الإحصائية الجديدة ويعكس العملية. يستخدم الأرقام لأخذ عينات من نقاط بيانات جديدة، مما يؤدي فعلياً إلى "إعادة بناء" جدول خام وهمي يبدو ويتصرف مثل البيانات الصحية الحقيقية.

ما وجدوه

اختبر الباحثون طريقتهم بصرامة لمعرفة ما إذا كانت تعمل حقاً.

1. اختبار إعادة البناء:
أولاً، تحققوا مما إذا كان بإمكانهم تحويل جدول حقيقي إلى جدول إحصائي ثم إعادة تحويله إلى جدول خام دون فقدان "روح" البيانات. استخدموا مقياساً يسمى مسافة واسرستاينينس الموحدة بالأبعاد (dimension-Normalized Wasserstein Distance - dNWD) لقياس الفرق بين البيانات الأصلية والمعاد بناؤها.

• النتيجة: كان متوسط الفرق صغيراً للغاية: 0.095 (مع انحراف معياري قدره 0.61). امتلكت معظم مجموعات البيانات درجة أقل من 0.2.
• الدرس المستفاد: يشير هذا إلى أن الجداول الإحصائية هي تمثيل أمين جداً للبيانات الأصلية. الكمبيوتر لم يقم بالتخمين فحسب؛ بل التقط الهيكل الأساسي.

2. اختبار "الاستئصال" (ماذا لو تخطينا العلاقات؟):
لإثبات أن فهم العلاقات بين الأعمدة أمر بالغ الأهمية، أجروا تجربتين حيث قاموا بإزالة بيانات العلاقات.

• السيناريو أ (بدون علاقات): أخبروا الكمبيوتر أن يفترض أن جميع الأعمدة مستقلة (مثل رمي النرد). قفز الخطأ إلى 0.304. بدت البيانات جيدة، لكن الروابط كانت مكسورة.
• السيناريو ب (علاقات عشوائية): أعطوا الكمبيوتر علاقات عشوائية ومصطنعة. انفجر الخطأ ليصل إلى 0.636، وأصبحت البيانات فوضوية.
• الاستنتاج: تنفي الورقة صراحةً فكرة أنه يمكنك مجرد النظر إلى الأعمدة بشكل فردي. يجب عليك التقاط كيفية ارتباطها ببعضها البعض للحصول على نتائج جيدة.

3. اختبار المجال (هل تعلم "الصحة" أم مجرد "ضجيج"؟):
قام الفريق بتوليد 2,000 جدول صحي جديد وقارنوها بجداول حقيقية من مجالات الصحة، الاقتصاد، الإحصاء، الهندسة، التمويل، والألعاب. استخدموا مقياساً يسمى أقرب مسافة واسرستاينين (Closest Wasserstein Distance - CWD) لمعرفة أي مجال حقيقي تشبهه البيانات الوهمية أكثر.

• النتيجة: كانت الجداول الصحية الاصطناعية هي الأقرب إلى البيانات الصحية الحقيقية، بمتوسط CWD قدره 0.72.
• المقارنة: كانت بعيدة جداً عن المجالات الأخرى: الاقتصاد (0.97)، الإحصاء (0.98)، الهندسة (1.35)، التمويل (1.55)، والألعاب (1.75).
• الدليل: أكدت الاختبارات الإحصائية أن البيانات الاصطناعية أقرب بكثير إلى البيانات الصحية الحقيقية منها إلى أي نوع آخر من البيانات. لم يحفظ النموذج مجموعة التدريب فحسب؛ بل تعلم نمط "الصحة" الكامن.

4. اختبار التنوع:
أخيراً، سألوا: "هل يقوم النموذج بمجرد نسخ الجداول القليلة نفسها مراراً وتكراراً؟" تحققوا من عدد الجداول الحقيقية الفريدة التي كانت الجداول الاصطناعية قريبة منها.

• النتيجة: غطت أقرب الجيران للجداول الاصطناعية 77% من الجداول الحقيقية (عند $k=1$) وأكثر من 95% عند النظر إلى أفضل 10 جيران.
• الاستنتاج: النموذج متنوع. إنه ليس عالقاً في حلقة مفرغة؛ بل يستكشف مشهد البيانات الصحية بالكامل.

لماذا هذا مهم؟

يشير المؤلفون إلى أن هذه الطريقة يمكن أن تكون نقطة تحول في إنشاء مجموعات البيانات المرجعية (benchmark datasets). حالياً، غالباً ما يواجه الباحثون صعوبة في العثور على بيانات جيدة ومتنوعة وواقعية لاختبار أدوات الذكاء الطبي الجديدة الخاصة بهم. يمكن لهذه الطريقة توليد عدد غير محدود من الجداول الصحية الوهمية الواقعية التي تلتقط تعقيد العالم الحقيقي دون كشف خصوصية أي مريض حقيقي.

ومع ذلك، تشدد الورقة على حدود هذه الطريقة. تعمل الطريقة بشكل أفضل مع الجداول التي تحتوي على ما يصل إلى 256 عموداً. إذا كانت مجموعة البيانات ضخمة وتحتوي على آلاف الأعمدة، فقد يواجه هذا النموذج تحديداً صعوبة. أيضاً، بما أن الطريقة تقوم بتنعيم البيانات لإيجاد الأنماط، فإن القيم المتطرفة الشديدة (النقاط الغريبة والنادرة جداً) قد تضيع في عملية الترجمة. يقترح المؤلفون أنه إذا كانت الدراسة تحتاج إلى تلك القيم المتطرفة، فسيتعين عليهم إضافتها يدوياً.

باختصار، تقترح هذه الورقة طريقة لتعليم الحواسيب فهم "قواعد" البيانات عبر مصادر مختلفة، مما يسمح لها بكتابة "قصص" (مجموعات بيانات) جديدة وواقعية تكون مثالية للاختبار والتدريب، مع الحفاظ على أسرار الناس الحقيقيين بأمان.