Probabilistic Circuits as Reasoning Machines in Artificial Intelligence (Part I)
تُدافع هذه الجزئية الأولى من أطروحة التأهيل التراكمي عن الدوائر الاحتمالية كإطار عمل قابل للمعالجة للاستدلال والتعلم في الذكاء الاصطناعي تحت ظروف عدم اليقين، حيث تجمع بين عقد من الأبحاث حول نظرياتها التأسيسية، وخوارزميات التعلم الخاصة بها، وتطبيقاتها القابلة للتوسع، وتكاملها مع نماذج التعلم العميق والرمزي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في السعي لبناء آلات تفكر، ظل العلماء يتناظرون طويلاً حول أفضل لغة للذكاء. يجادل أحد المعسكرين لصالح المنطق الصارم، حيث تكون الحقائق مطلقة وتتبع الاستنتاجات قواعد صارمة. بينما يفضل معسكر آخر الشبكات العصبية، وهي أنظمة تتعلم من خلال رصد الأنماط في كميات هائلة من البيانات، تماماً مثل الدماغ البشري. ولكن هناك مسار ثالث، أقدم، يعامل عدم اليقين ليس كعيب يجب إصلاحه، بل كسمة جوهرية في العالم. يعتمد هذا النهج على الاحتمالية، وهو إطار رياضي يسمح للنظام بأن يقول: "أنا لست متأكداً، ولكن إليكم مدى احتمالية حدوث النتائج المختلفة". إنها لغة المخاطرة، أو توقع الطقس، أو وزن الطبيب للأعراض مقابل التشخيص. تكم-ن قوة الاحتمالية في قدرتها على الجمع بين ما هو معروف وما هو مجهول، وتحديث المعتقدات مع وصول أدلة جديدة. ومع ذلك، لعقود من الزمن، كان من الصعب استخدام هذه اللغة الأنيقة في الممارسة العملية. فبينما كانت قواعد الاستدلال باستخدام الاحتمالات بسيطة، فإن إجراء الحسابات فعلياً لمشكلات العالم الحقيقي المعقدة غالباً ما يتطلب من الحاسوب القيام بعدد مستحيل من الخطوات، مما يستغرق وقتاً أطول من عمر الكون لإنهاء المهمة.
أمضى روبرت بيرهارتز، الباحث في جامعة غراتس للتكنولوجيا، العقد الماضي في العمل على حل هذه العقبة الحسابية. يركز عمله على نوع محدد من النماذج يسمى "الدائرة الاحتمالية". تخيل شجرة ضخمة متفرعة حيث تمثل كل ورقة فيها قطعة بسيطة من المعلومات، وكل فرع يجمع هذه القطع لتشكيل صورة كاملة للعالم. في النماذج القياسية، يتطلب حساب احتمالية سيناريو معين تتبع كل مسار ممكن عبر هذه الشجرة، وهي مهمة تزداد صعوبة بشكل أسّي مع نمو الشجرة. يوضح بحث بيرهارتز أنه من خلال فرض بعض القواعد الهيكلية الصارمة على كيفية اتصال هذه الفروع، يمكننا جعل الحساب بأكمله سريعاً ودقيقاً. تضمن هذه القواعد أن النموذج لن يعلق أبداً في محاولة عد كل الاحتمالات؛ بدلاً من ذلك، يمكنه الإجابة فوراً على أسئلة معقدة، مثل التنبؤ بالسبب الأكثر احتمالاً لمجموعة من الأعراض أو تحديد احتمال وقوع حدث معين بناءً على جبل من البيانات.
إن جوهر مساهمة بيرهارتز هو الإدراك بأن هذه الدوائر ليست مجرد اختراع جديد، بل هي لغة موحدة للعديد من الأساليب الموجودة. فهو يوضح أن النماذج المتنوعة، من الدوائر الحسابية إلى شبكات المجموع والناتج، هي في الواقع أسماء مختلفة لنفس البنية الأساسية. ومن خلال التعامل معها كعائلة واحدة متماسكة، تمكن من تطوير مجموعة من الأدوات المعيارية التي تعمل في كافة المجالات. أحد اكتشافاته الرئيسية هو أن هذه الدوائر يمكن بناؤها لتكون "سلسة" و"قابلة للتفكيك". بعبارة بسيطة، هذا يعني أن النموذج منظم بحيث لا يحاول أبداً ضرب قطعتين من المعلومات تعتمدان على نفس العامل المجهول، ولا يجمع أبداً بين احتمالين مختلفين يغطيان مجموعات مختلفة من الحقائق. تعمل هذه القيود الهيكلية كنظام مرور لحسابات الحاسوب، مما يمنع الازدحام المروري ويضمن تدفق المعلومات بسلاسة من أسفل الشجرة إلى أعلاها.
بسبب هذا التنظيم، يمكن للحاسوب أداء مهام كانت تعتبر سابقاً صعبة للغاية. على سبيل المثال، يمكنه حساب متوسط نتيجة لموقف ما أو إيجاد التفسير الأكثر احتمالاً لمجموعة من الملاحظات في جزء من الثانية. كما أظهر بيرهارتز كيفية تعليم هذه الدوائر التعلم من البيانات؛ فقد طور أساليب تسمح للنموذج بتعديل أوزانه الداخلية تلقائياً، وإيجاد أفضل ملاءمة للبيانات دون الحاجة إلى التخمين. علاوة على ذلك، أثبت أن هذه الدوائر يمكن دمجها مع أدوات تعلم آلي أخرى قوية ولكنها ثقيلة حسابياً. فمن خلال استخدام الدائرة الاحتمالية كمحرك سريع وموثوق للتعامل مع الأجزاء السهلة من المشكلة، وترك النماذج الأبطأ والأكثر تعقيداً للتعامل مع الأجزاء الصعبة، يصبح النظام ككل قوياً وفعالاً في آن واحد. يسمح هذا النهج الهجين للباحثين ببناء نماذج ليست دقيقة فحسب، بل قادرة أيضاً على شرح استدلالها.
كما يجسّر هذا العمل الفجوة بين التعلم الإحصائي والمنطق الرمزي. فقد أظهر بيرهارتز أن هذه الدوائر يمكن تحويلها إلى أشجار قرار، وهي طريقة كلاسيكية لاتخاذ القرارات بناءً على القواعد. يسمح هذا الاتصال للنظام بالتعامل مع البيانات المفقودة بسلاسة؛ فإذا فُقدت قطعة من المعلومات، يمكن للدائرة ببساطة تجاهل ذلك الفرع وتقديم إجابة صالحة بدلاً من الفشل. كما طبق هذه الأفكار في مجال الأمن السيبراني، باستخدام الدوائر لتحليل القنوات الجانبية الفيزيائية، مثل استهلاك الطاقة، للكشف عن مفاتيح التشفير السرية. في هذه الاختبارات، كان النهج القائم على الدوائر أكثر نجاحاً ومتانة ضد الضجيج مقارنة بالأساليب السابقة.
طوال بحثه، عالج بيرهارتز مفهوماً خاطئاً شائعاً في هذا المجال: الفكرة القائلة بأنه يجب عليك الاختيار بين نموذج سهل الحساب ونموذج ذي قدرة تعبيرية كافية لوصف الواقع المعقد. تظهر نتائجه أن هذا خيار زائف. فبينما توجد حدود لكيفية تمثيل الدائرة الاحتمالية لأنواع معينة من البيانات بشكل مدمج، فقد أظهر أنه بالنسبة للعديد من التطبيقات العملية، فإن هذه النماذج لا تقل جودة عن البدائل الأكثر تعقيداً وغير القابلة للحل، بل قد تكون أفضل منها. كما أوضح أن إضافة ميزات معينة، مثل الأوزان غير المعيرة، لا تزيد في الواقع من قوة النموذج، وهو اكتشاف يساعد في تبسيط تصميم هذه الأنظمة.
الهدف النهائي من هذا العمل هو إنشاء ذكاء اصطناعي ليس ذكياً فحسب، بل موثوقاً ومفهوماً أيضاً. ومن خلال ترسيخ الذكاء الاصطناعي في القواعد الصارمة للاحتمالية وضمان إمكانية إجراء الحسابات بدقة وسرعة، يوفر بحث بيرهارتز أساساً لآلات يمكنها الاستدلال في ظل عدم اليقين بنفس الثقة التي قد يمتلكها الخبير البشري. ينتقل هذا النهج بعيداً عن طبيعة "الصندوق الأسود" للعديد من أنظمة الذكاء الاصطناعي الحديثة، ويقدم وسيلة لرؤية كيفية الوصول إلى استنتاج ما بالضبط. ومع دمج هذه الأساليب في أطر التعلم العميق ودمجها مع تقنيات أخرى، فإنها تعد بجعل الذكاء الاصطناعي أكثر موثوقية، وقادراً على التعامل مع واقع العالم الفوضوي وغير المستقر دون التضحية بالسرعة أو الدقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.