تخيل أنك في مكتبة ضخمة حيث لكل كتاب صورة على غلافه، ولكل صورة قصة مكتوبة بجانبها. مهمتك هي العث استرجاع المطابقة المثالية: صورة تتماشى مع جملة معينة، أو جملة تصف صورة محددة. هذا هو عالم استرجاع الصور والنصوص (image-text retrieval)، وهي قوة خارقة تستخدمها محركات البحث، وتطبيقات التسوق، ومعارض الفنون الرقمية لربط ما نراه بما نقرأه. لفترة طويلة، أصبح الكمبيوتر جيداً جداً في هذا، باستخدام رؤى "عالمية" (global) للحصول على الانطباع العام للمشهد. لكن الجزء الصعب هنا هو: أحياناً، حتى عندما يعطيك الكمبيوتر قائمة من المطابقات، فإنه لا يعرف ما إذا كان مصيباً حقاً. قد يكون واثقاً للغاية ولكنه مخطئ تماماً، أو قد يكون مرتبكاً لأن صورتين تبدوان متطابقتين تقريباً. في العالم الحقيقي، معرفة متى تثق بالكمبيوتر لا تقل أهمية عن الحصول على الإجابة نفسها. إذا استطاع محرك البحث أن يقول: "أنا متأكد جداً من هذه النتيجة، لكني أخمن تماماً بشأن تلك الأخيرة"، فسيصبح أداة أكثر فائدة.

هذه هي بالضبط المشكلة التي يعالجها البحث الجديد لـ وي تشين ويوهانغ تشين. لقد لاحظا أنه بينما تبرع الحواسيب في ترتيب قوائم المطابقات، فإنها غالباً ما تفشل في إخبارنا مدى "اهتزاز" أو عدم استقرار هذا الترتيب. ولإصلاح ذلك، بنيا نظاماً جديداً يسمى CRU (عدم اليقين في الترتيب عبر المستويات المختلفة - Cross-granularity Ranking Uncertainty). فكر في الأمر كتوظيف محققين مختلفين لحل لغز ما. المحقق الأول، "الوكيل العالمي" (Global agent)، ينظر إلى الصورة الكبيرة: "هل هذا مشهد شاطئ؟ نعم". أما المحقق الثاني، "الوكيل المحلي" (Local agent)، فيقوم بتكبير التفاصيل الصغيرة: "هل الشخص يرتدي حذاءً أحمر؟ نعم. هل هناك مظلة زرقاء؟ لا". عادةً ما يتفق هذان المحققان. ولكن عندما يختلفان - عندما يقول الوكيل العالمي "شاطئ!" بينما يرى الوكيل المحلي "حذاء أحمر على جبل" - فإن ذلك يعد علامة تحذير كبرى. يستخدم نظام CRU هذا الاختلاف لحساب "درجة القلق". إذا كانت الدرجة مرتفعة، فإن النظام يعرف أن الإجابة قد تكون خاطئة. وجد الباحثون أنه من خلال الاستماع إلى كلا المحققين والتحقق مما إذا كانا يتجادلان، فإن نظامهم لا يجد مطابقات أفضل فحسب، بل يعرف أيضاً متى يقول بدقة: "مهلاً، أنا لست متأكداً بشأن هذه النتيجة"، مما يجعل عملية البحث أكثر ذكاءً وموثوقية.

المحققان ودرجة القلق

في عالم استرجاع الصور والنصوص، تحاول الحواسيب عادةً مطابقة صورة وجملة عن طريق تحويلهما إلى أرقام رياضية (تسمى التضمينات - embeddings) ومعرفة مدى تقاربهما. تعتمد الطرق التقليدية غالباً على رؤية "عالمية" واحدة، وهي تشبه النظر إلى لوحة من بعيد؛ يمكنك معرفة أنها منظر طبيعي، لكنك قد تغفل عن أن الكلب في الزاوية هو في الواقع قطة. تحاول طرق أخرى النظر في التفاصيل "المحلية"، مثل مطابقة كلمات محددة بأجزاء معينة من الصورة، ولكن هذا يمكن أن يكون بطيئاً وفوضوياً.

يجادل مؤلفو هذه الورقة بأن أفضل طريقة لإيجاد الأخطاء ليست ببناء نموذج أكبر أو أكثر تعقيداً، بل بالاستماع إلى الفرق بين هاتين الطريقتين في النظر. لقد أنشأوا إطار عمل يعمل فيه الكمبيوتر كلوحة من قاضيين:

1. القاضي العالمي: ينظر إلى الصورة والجملة ككل للحصول على الفكرة الرئيسية.
2. القاضي المحلي: ينظر إلى قطع صغيرة من الصورة وكلمات محددة للتدقيق في التفاصيل الدقيقة.

في العالم المثالي، سيتفق كلا القاضيين على أفضل المطابقات. ولكن في العالم الحقيقي، غالباً ما يختلفان. ربد يكون القاضي العالمي يعتقد أن صورة لـ "غروب الشمس" تطابق جملة عن "غروب الشمس"، لكن القاضي المحلي يلاحظ أن الجملة تقول "غروب الشمس فوق المحيط" بينما الصورة في الواقع هي غروب شمس فوق صحراء.

كيف يعمل CRU: كاشف "الاختلاف"

تكمن براعة CRU في كيفية قياس هذا الاختلاف. فبدلاً من مجرد السؤال: "ما مدى ثقتك؟" (والذي قد يكون مضللاً إذا كان الكمبيوتر واثقاً بشكل خاطئ)، يسأل CRU سؤالين محددين:

• الغموض (Ambiguity): هل الكمبيوتر مرتبك؟ إذا كان كلا القاضيين يوزعان أصواتهما على صور مختلفة كثيرة، فإن النظام يعرف أن الإجابة غامضة.
• الاختلاف (Disagreement): هل القضاة يتشاجرون؟ إذا كان القاضي العالمي متأكداً بنسبة 100% أن الصورة (أ) هي الأفضل، بينما القاضي المحلي متأكد بنسبة 100% أن الصورة (ب) هي الأفضل، فهذا يعتبر صراعاً.

يجمع CRU بين هذين الشعورين في "درجة عدم يقين" واحدة. إذا كانت الدرجة منخفضة، يكون النظام واثقاً والترتيب مرجح الصواب. وإذا كانت الدرجة مرتفعة، يدرك النظام أن هناك أمراً مريباً.

ما يجعل هذا مميزاً هو أنه لا يحتاج إلى تشغيل دماغ الكمبيوتر عدة مرات (كما تفعل بعض الطرق الأخرى التي تحاول التخمين عبر تشغيل نفس الاختبار مراراً وتكراراً). إنه يفعل كل ذلك في تمريرة واحدة فقط. الأمر يشبه توظيف محققين لحل القضية في جولة واحدة ثم مقارنة ملاحظاتهما فوراً لمعرفة ما إذا كانا على نفس الصفحة.

النتائج: أذكى، وليس فقط أسرع

اختبر الباحثون نظامهم الجديد على ثلاث مجموعات بيانات شهيرة: Flickr30K-1K و MS-COCO-1K و MS-COCO-5K. وهذه المجموعات هي بمثابة مكتبات ضخمة من الصور والتعليقات المستخدمة لتدريب الذكاء الاصطناعي.

إليك ما وجدوه:

• دقة أفضل: لم يتفوق CRU في اكتشاف الأخطاء فحسب، بل وجد أيضاً مطابقات أفضل. في اختبار Flickr30K-1K، حقق درجة (تسمى rSum) بلغت 520.4. وفي MS-COCO-1K، وصل إلى 535.1، وعلى المجموعة الأكبر MS-COCO-5K، سجل 446.9. كانت هذه الأرقام أعلى من أفضل الطرق السابقة، مما يعني أن النظام وجد الصورة الصحيحة في كثير من الأحيان.
• اكتشاف أفضل للأخطاء: عندما تعلق الأمر برصد الأخطاء، كان CRU بطلاً. فمقارنة بأقوى طريقة سابقة (تسمى ++PCME)، حسن CRU قدرته على اكتشاف الأخطاء (مقاسة بـ AUROC) بمقدار 4.3 إلى 4.6 نقطة.
• المعايرة (Calibration): هذا مصطلح تقني يعني "أن تكون صادقاً". إذا قال النظام إنه واثق بنسبة 90%، فيجب أن يكون مصيباً في 90% من المرات. كان CRU أفضل بكثير في هذا الجانب من الطرق الأخرى، حيث خفض "خطأ المعايرة المتوقع" (ECE) إلى أدنى مستوياته عند 0.023، مما يعني أن مستويات ثقته كانت قريبة جداً من الواقع.
• الاسترجاع الانتقائي (Selective Retrieval): وهي القدرة على قول: "أنا لست متأكداً بشأن هذا، لذا سأتجاوزه". عندما أخبر الباحثون النظام بتجاهل الإجابات الأكثر عدم يقيناً، انخفض معدل الخطأ بشكل كبير. قلل CRU "المساحة تحت منحنى المخاطرة والتغطية" (AURC) بنسبة تتراوح بين 16.4% إلى 21.6% مقارنة بأفضل خط أساس (baseline). وهذا يعني أنه بمجرد تجاهل التخمينات التي لم يكن متأكداً منها، أصبح النظام أكثر موثوقية.

لماذا يهم هذا؟

تشير الورقة البحثية إلى أنه من خلال التعامل مع المطابقة العالمية والمحلية كـ "آراء متكاملة" بدلاً من مجرد خطوات للحصول على درجة، يمكننا بناء أنظمة ليست دقيقة فحسب، بل واعية بذاتها أيضاً. ويؤكد المؤلفون صراحةً على فكرة أنك لست بحاجة إلى نماذج احتمالية معقدة تعمل آلاف المرات للحصول على هذا النوع من الرؤية، بل إن تمريرة واحدة بسيطة وحتمية (deterministic) تتحقق من الاختلاف بين "رؤيتين" مختلفتين كافية تماماً.

كما يشيرون إلى أنه رغم براعة النظام، إلا أنه ليس مثالياً؛ فهو يعتمد على البيانات التي تدرب عليها، وإذا تغير العالم بشكل جذري (مثل حدوث تحول مفاجئ في كيفية التقاط الناس للصور أو كتابة التعليقات)، فقد يحتاج النظام إلى إعادة معايرة. ولكن في الوقت الحالي، يوفر CRU طريقة عملية وفعالة لجعل محركات البحث عن الصور أكثر ذكاءً، فهي لا تعطيك إجابة فحسب، بل تخبرك أيضاً بمدى إمكانية الثقة بها. إنه يحول البحث الأعمى إلى حوار يعرف فيه الكمبيوتر متى يقول: "أعتقد أنني أعرف، ولكن دعني أتحقق مجدداً".