Provenance Guided Incremental Learning Under Evolving Concept Definitions
تقدم هذه الورقة إطار عمل للتعلم التزايدي الموجه بالمنشأ، والذي يكيف نماذج تعلم الآلة بكفاءة مع تحولات المفاهيم الناجمة عن قواعد صريحة من خلال إعادة تسمية السجلات المتأثرة تلقائياً وإعادة التدريب بشكل انتقائي على المكونات المتغيرة فقط، مما يقلل بشكل كبير من زمن الاستجابة الحسابي وإعادة معالجة البيانات مع الحفاظ على دقة عالية مقارنة بإعادة التدريب الكامل.
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 عالم تعلم الآلة، غالباً ما يتم تعليم الحواسيب كيفية التنبؤ من خلال دراسة الأنماط في البيانات. تخيل نظاماً تم تدريبه لرصد المعاملات المصرفية الاحتيالية؛ فهو يتعلم ما تبدو عليه المعاملة الطبيعية وما تبدو عليه المعاملة المشبوهة بناءً على القواعد والتعريفات التي وضعها مبتكروه. ومع ذلك، فإن العالم الحقيقي ليس ثابتاً، فالقواعد التي تحدد ما يُعد "احتيالاً" يمكن أن تتغير. قد يقرر البنك أن المعاملة لا تكون مشبوهة إلا إذا تجاوزت مبلغاً معيناً، أو إذا جاءت من بلد محدد، أو إذا تضمنت نوعاً جديداً من الأجهزة. وعندما تتغير هذه التعريفات، يصبح تدريب الحاسوب القديم عتيقاً؛ فالبيانات التي درسها بالأمس لا تزال هي نفسها، لكن معنى الإجابة هو الذي تغير. وهذا يخلق مشكلة صعبة: كيف تُحدث نظام تعلم عندما يتغير تعريف الحقيقة ذاته، دون الحاجة إلى التخلص من كل ما تعلمه والبدء من الصفر؟
لفترة طويلة، تعامل الباحثون مع هذا الأمر من خلال مراقبة الأخطاء؛ حيث ينتظرون حتى يبدأ الحاسوب في ارتكاب الأخطاء، ويستنتجون من ذلك أن شيئاً ما قد تغير، ثم يحاولون تعديل النموذج. لكن هذا النهج بطيء وغالباً ما يخطئ الهدف، فهو يعامل التغيير كأنه لغز يجب حله عن طريق التخمين، بدلاً من كونه حقيقة معروفة يمكن التصرف بناءً عليها. وفي العديد من الأنظمة الواقعية، لا يكون التغيير لغزاً على الإطلاق، بل هو تحديث متعمد لسياسة أو قاعدة ما. والتعريف الجديد يكون معروفاً على الفور. والتحدي يكمكم في معرفة أي من السجلات الماضية الملايين تحتاج فعلياً إلى إعادة تقييم بسبب هذه القاعدة الجديدة، وأيها يمكن تركه دون مساس لأنه غير متأثر.
تقدم دراسة جديدة طريقة تتعامل مع هذه المشكلة كعملية تدقيق دقيقة بدلاً من التخمين الأعمى. فقد طور الباحثون نظاماً ينظر إلى القاعدة القديمة والقاعدة الجديدة جنباً إلى جنب لإيجاد الفرق الدقيق بينهما، ثم يتتبع كيف يتصل هذا الفرق المحدد بتاريخ البيانات الماضية. ومن خلال تتبع هذه الروابط، يمكن للنظام تحديد مجموعة صغيرة من السجلات التي تأثرت حقاً بالتغيير، كما يمكنه إثبات أن الغالبية العظمى من السجلات آمنة ولا تحتاج إلى أي تدخل. وهذا يسم ي الحاسوب لتحديث معرفته من خلال التركيز فقط على الشريحة الصغيرة ذات الصلة من البيانات، مع الحفاظ على بقية فهمه سليماً.
اختبر الباحثون هذا النهج في مجموعة واسعة من السيناريوهات الواقعية، بما في ذلك المعاملات المالية، والبيانات الديموغرافية، وسجلات الأمن السيبراني، وشبكات العلاقات المعقدة. وقد وضعوا مجموعة من التحديات حيث تغيرت قواعد تصنيف البيانات بطرق مختلفة: إما برفع أو خفض حد معين، أو إضافة شرط جديد، أو إزالة شرط قديم، أو تغيير كيفية دمج الشروط المختلفة. وفي كل حالة، تمكنت الطريقة الجديدة من تحديد السجلات التي تتطلب الاهتمام بدقة عالية. وبدلاً من إعادة فحص كل سجل في قاعدة البيانات، لم يعالج النظام سوى حوالي 15 بالمائة من البيانات. ورغم فحص هذا القدر الضئيل من البيانات، فقد حافظ على دقة بلغت 92.3 بالمائة، وهي نسبة تكاد تطابق نتيجة إعادة فحص قاعدة البيانات بأكملها.
كانت سرعة هذه العملية هي النتيجة الأكثر لفتاً للانتباه. فعندما أجبر الباحثون النظام على إعادة تسمية وتدريب نفسه على كامل تاريخ البيانات، استغرق التحديث في المتوسط 993 ثانية. أما مع الطريقة الجديدة، فقد استغرق التحديث نفسه 179 ثانية فقط، مما يمثل انخفاضاً في الوقت بأكثر من خمسة أضعاف. وقد حقق النظام ذلك باستخدام خريطة "أصل المنشأ" (provenance)، وهي في الأساس سجل لكيفية اتخاذ كل قرار سابق. فإذا كان القرار السابق يعتمد على جزء من القاعدة لم يتغير، فإن النظام يعرف أن القرار لا يزال صالحاً، وإذا كان القرار يعتمد على جزء تغير، فإنه يضع علامة عليه للمراجعة. وهذا يسمح للحاسوب بأن يضمن أن معظم معرفته الماضية لا تزال صحيحة، وأن يخصص وقته فقط للأجزاء التي تعطلت.
كما تناولت الدراسة ما يحدث عندما لا تكون القاعدة الجديدة واضحة تماماً. فأحياناً، قد تعتمد السياسة المعدلة على معلومات مفقودة أو تتطلب حكماً بشرياً. وفي هذه الحالات، لا يقوم النظام بالتخمين، بل يحدد السجلات المحددة التي تكون فيها القاعدة الجديدة غامضة ويطلب المساعدة من البشر في تلك الحالات فقط. وهذا يجعل استخدام الخبراء البشريين أكثر كفاءة، حيث لا يضيعون وقتهم في السجلات التي يمكن للحاسوب التعامل معها بمفرده. علاوة على ذلك، يحتفظ النظام بذاكرة للنسخ السابقة من القواعد؛ فإذا تغيرت قاعدة ما ثم عادت إلى نسخة سابقة، يمكن للنظام استعادة التكوين القديم والبيانات المرتبطة به فوراً، بدلاً من الاضطرار لتعلم النمط من جديد.
وجد الباحثون أن هذا النهج يعمل بشكل جيد عبر أنواع مختلفة من البيانات، من القوائم البسيطة للأرقام إلى شبكات الاتصالات المعقدة. ومع ذلك، فقد أشاروا أيضاً إلى حدوده؛ فهذه الطريقة تكون أكثر فعالية عندما يكون التغيير في القاعدة موضعياً، أي يؤثر فقط على جزء صغير من البيانات. فإذا كانت القاعدة الجديدة تغير معنى معظم السجلات، فسيضطر النظام إلى إعادة فحص كل شيء تقريباً، وتختفي ميزة السرعة. وبالمثل، إذا لم يتم تسجيل تاريخ كيفية اتخاذ القرارات، فلن يتمكن النظام بسهولة من معرفة السجلات الآمنة، وسيتعين عليه توخي المزيد من الحذر، وفحص المزيد من البيانات مما كان سيفعله لولا ذلك.
في نهاية المطاف، يغير هذا العمل المنظور حول كيفية تكيف أنظمة التعلم. فبدلاً من انتظار ظهور الأخطاء ثم الاستجابة لها، يمكن للنظام استخدام المعرفة الصريحة بتغيير القاعدة لتحديث فهمه بشكل جراحي دقيق. وهو يثبت أنه من خلال فهم بنية التغيير وكيفية اتصاله بالتاريخ، يمكن للحاسوب الحفاظ على ما يعرفه بالفعل مع إصلاح ما تغير بكفاءة. وهذا يسمح لأنظمة التعلم بالبقاء دقيقة ومستجيبة لفترات طويلة، والتكيف مع السياسات الجديدة دون التكلفة الباهظة لإعادة التدريب الكلي المستمر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.