المصافحة الخفية لتعلم الآلة

تخيل أنك تحاول تعليم روبوت التعرف على القطط. تعرض عليه آلاف الصور، وهو يتعلم من خلال ضبط إعدادات "دماغه" الداخلي. في عالم علوم الحاسوب، يُسمى هذا تعلم الآلة. ولكن إليك الجزء الماكر: كيف نعرف ما إذا كان الروبوت ذكيًا حقًا، أم أنه مجرد حفظ الصور المحددة التي عرضتها عليه؟ عادةً ما يقسم العلماء بياناتهم إلى مجموعتين: مجموعة "تدريب" لتعليم الروبوت، ومجموعة "اختبار" للتحقق من عمله.

لفترة طويلة، تعامل الباحثون مع هذا التقسيم كخطوة إدارية بسيطة ومملة — مثل فرز الغسيل إلى "أبيض" و"داكن". افترضوا أن مجموعة الاختبار كانت مجرد مرآة محايدة، تعكس قدرة الروبوت الحقيقية دون تغييرها. ومع ذلك، يشير أسلوب تفكير جديد إلى أن الطريقة التي نصنف بها هذه البيانات هي في الواقع قوة قوية تشكل دماغ الروبوت. تأتي هذه الفكرة من مجال يُسمى الاستدلال السببي (Causal Inference)، وهو باختصار علم معرفة ما الذي يسبب ماذا. بدلاً من مجرد مراقبة الأشياء وهي تحدث، يسأل الاستدلال السببي: "لو فعلت الأشياء بشكل مختلف، ما الذي كان سيتغير؟" وفي سياق الذكاء الاصطناعي، يعني هذا السؤال: "إذا نقلت هذه الصورة المحددة من كيس 'التعليم' إلى كيس 'الاختبار'، هل كان دماغ الروبوت سيتغير، وهل ستكون نتيجته النهائية مختلفة؟"

هذا هو بالضبط السؤال الذي يتناوله باحث يدعى فيكاس راماتشاندرا في ورقة بحثية جديدة بعنوان "التدريب كعلاج" (Training as Treatment). تجادل الورقة بأننا بحاجة إلى التوقف عن معاملة عملية التدريب كروتين سلبي والبدء في معاملتها كتجربة طبية. تمامًا كما يعطي الطبيب مريضًا دواءً معينًا ليرى ما إذا كان سيعالج مرضًا ما، يجب أن ننظر إلى عملية تغذية الآلة بالبيانات كـ "علاج" يغير النتيجة بشكل نشط.

الدماغ المشترك للروبوت

الفكرة الجوهرية لورقة راماتشاندرا بسيطة لكنها ثورية: دماغ الروبوت هو مساحة مشتركة. عندما تعلم الروبوت بصورة محددة، فإن تلك الصورة لا تبقى فقط في كيس "التدريب"؛ بل تغير دماغ الروبوت لكل صورة أخرى سيراها في المستقبل.

فكر في الأمر كفصل دراسي من الطلاب يدرسون لامتحان كبير. إذا تعلم طالب واحد (لنسمه "نقطة البيانات أ") حيلة ذكية لحل مسألة رياضية، واستخدم المعلم (الخوارزمية) تلك الحيلة لمساعدة الفصل بأك Tot، فإن كل طالب آخر سيستفيد. ولكن إذا تعلم "نقطة البيانات أ" حيلة خاطئة، فقد يرتبك الفصل بأكمله. في تعلم الآلة التقليدي، غالبًا ما نتظاهر بأن الطالب الذي يؤدي الاختبار (مجموعة "الاختبار") منفصل تمامًا عن الطلاب الذين درسوا (مجموعة "التدريب"). يقول راماتشاندرا إن هذا كذب؛ فالطالب الذي يؤدي الاختبار يقوم بالامتحان بناءً على دماغ شكله الطلاب الذين تدربوا. لذلك، فإن نقل صورة من كيس التدريب إلى كيس الاختبار ليس مجرد نقل ملف؛ بل هو أشبه بإزالة طالب من مجموعة الدراسة ووضعه في الامتحان. هذا يغير دماغ الطلاب المتبقين وأيضًا يغير من الذي يؤدي الاختبار.

تجربة "التدريب كعلاج"

يقترح راماتشاندرا إطار عمل جديدًا يسمى "التدريب كعلاج". بدلاً من مجرد تشغيل نموذج مرة واحدة والحصول على درجة، يقترح أن نقوم بتشغيل آلاف التجارب الصغيرة لمعرفة ما تفعله كل قطعة من البيانات بالضبط.

هو يقسم العملية إلى أدوار مختلفة للبيانات:

1. الملاءمة (Fitting): البيانات المستخدمة لتعليم الروبوت.
2. التحقق (Validation): البيانات المستخدمة لضبط إعدادات الروبوت (مثل تحديد مدى صعوبة الدراسة).
3. التقييم (Evaluation): البيانات المستخدمة لإعطاء الدرجة النهائية.
4. التدقيق (Audit): مجموعة خاصة وغير ملموسة من البيانات تُستخدم للتحقق مما إذا كان الروبوت عادلًا ودقيقًا حقًا، دون أن يراها الروبوت أبدًا أثناء التدريب.

تقدم الورقة مفهومًا يسمى التداخل (Interference). بعبارات بسيطة، يعني هذا أن ما يحدث لنقطة بيانات واحدة يؤثر على جميع النقاط الأخرى. إذا ضمنت صورة معينة في مجموعة التدريب، فقد يجعل ذلك الروبوت أفضل في التعرف على القطط (تأثير إيجابي جانبي)، أو قد يجعله أسوأ في التعرف على الكلاب لأنه ارتبك (تأثير سلبي جانبي).

لقياس ذلك، يقترح المؤلف عدة طرق ذكية للتجربة:

• الاشتمال العشوائي: تخيل رمي عملة معدنية لكل صورة في مجموعتك. إذا ظهرت الصورة، يدرسها الروبوت؛ وإذا ظهرت الوجه الآخر، يتجاهلها الروبوت. من خلال القيام بذلك آلاف المرات، يمكنك رؤية مدى مساعدة تلك الصورة الواحدة للروبوت أو ضررها لدرجته النهائية.
• التبديل المزدوج: تخيل أخذ صورتين، الصورة (أ) والصورة (ب). تدرب الروبوت باستخدام (أ) وليس (ب)، ثم تبدل بينهما وتدرب باستخدام (ب) وليس (أ). من خلال مقارنة النتائج، يمكنك معرفة أي صورة هي الأكثر قيمة بالفعل.

ماذا أظهرت التجارب؟

الورقة البحثية لا تتحدث عن النظرية فحسب؛ بل أجرت تجارب فعلية لاختبار هذه الأفكية. استخدم الباحثون مجموعات بيانات حقيقية (مثل السجلات الطبية لسرطان الثدي وجودة النبيذ) وأنشأوا مجموعات بيانات وهمية ذات مشكلات معروفة (مثل صور بملصقات خاطئة أو حيل مخفية).

إليك ما وجدوه:

1. "التقسيم" هو مخادع
النتيجة الأكثر إثارة للدهشة هي أن طريقة تقسيمك للبيانات (سياسة التقسيم) تعمل كمفتاح سحري يغير درجة الروبوت، حتى لو ظل دماغ الروبوت ثابتًا تمامًا.

• في عمليات المحاكاة الخاصة بهم، تسبب مجرد تغيير كيفية تقسيم البيانات في قفز أو هبوط درجة دقة الروبوت (المسماة AUC) بمقدار يصل إلى 0.257.
• على سبيل المثال، في محاكاة ببيانات مشوشة (غير دقيقة)، جعل استخدام تقسيم "الاحتجاز العنقودي" (حيث يتم تجميع العناصر المتشابهة معًا) الروبوت يبدو أسوأ بكثير من استخدام التقسيم العشوائي القياسي. وهذا يثبت أن "درجة الاختبار" ليست مجرد مقياس لمدى ذكاء الروبوت؛ بل هي أيضًا مقياس لكيفية تصميم الاختبار.

2. ليست كل البيانات متساوية
أظهرت التجارب أن بعض الصور يتم "حفظها" من قبل الروبوت لكنها لا تساعده فعليًا على التعلم.

• وجدوا أن إزالة صور تدريب معينة أدى في الواقع إلى تحسين أداء الروبوت على صور أخرى. هذا يعني أن تلك الصور كانت ضارة أو زائدة عن الحاجة.
• وعلى العكس من ذلك، فإن إزالة صور أخرى جعلت الروبوت أسوأ، مما يثبت أنها كانت مفيدة.
• تشير الورقة إلى أن الصورة يمكن أن تُحفظ (يتذكرها الروبوت تمامًا) ولكنها تظل "ضارة" بقدرة الروبوت على التعميم في مواقف جديدة.

3. الخوارزميات "انتقائية"
اختبر الباحثون نوعين مختلفين من أدمغة الروبوت: "الانحدار اللوجستي" (مفكر بسيط ومستقيم) و"الغابة العشوائية" (مفكر معقد يشبه فروع الأشجار).

• وجدوا أن "الأفضل" يعتمد كليًا على الموقف. في محاكاة نظيفة وبسيطة، كان "الغابة العشوائية" أفضل بكثير. ولكن في مجموعة بيانات سرطان الثدي الحقيقية، كان "الانحدار اللوجستي" الأبسط أفضل أو مساويًا له في الأداء.
• هذا يعني أنه لا يمكنك القول "الخوارزمية (س) هي الأفضل". يجب أن تقول "الخوارزمية (س) هي الأفضل لهذا النوع المحدد من البيانات وهذه الطريقة المحددة للتقسيم".

4. "التدقيق" هو قائل الحقيقة
تؤكد الورقة على الحاجة إلى مجموعة "تدقيق" — وهي مجموعة بيانات لا يراها الروبوت إلا في النهاية تمامًا.

• وجدوا أنه إذا استخدمت بيانات الاختبار لتعديل إعداداتك (مثل تغيير مستوى صعوبة الروبوت)، فقد تحصل على درجة عالية زائفة.
• من خلال الاحتفاظ بمجموعة "تدقيق" منفصلة، تمكنوا من رؤية أن بعض سياسات التقسيم جعلت الروبوت يبدو رائعًا في الاختبار ولكنه أدى بشكل سيئ في التدقيق. هذا يساعد في كشف "التسرب"، حيث يتعلم الروبوت بالخطأ من بيانات الاختبار التي لا ينبغي له معرفتها.

الصورة الكبيرة

تشير ورقة راماتشاندرا إلى أننا بحاجة إلى التوقف عن النظر إلى تعلم الآلة كطريق ذي اتجاه واحد حيث تدخل البيانات وتخرج درجة. بدلاً من ذلك، يجب أن نراه كشبكة معقدة من التفاعلات حيث تؤثر كل قطعة من البيانات على كل قطعة أخرى.

الخلاصة الرئيسية هي أن طريقة تدريبنا واختبارنا للذكاء الاصطناعي هي تدخل سببي. إنها ليست مجرد أداة قياس؛ بل هي جزء نشط من التجربة التي تشكل النتيجة. من خلال معاملة التدريب كـ "علاج" واستخدام هذه الأساليب التجريبية الجديدة، يمكننا أخيرًا الإجابة على أسئلة مثل: "هل تساعد هذه الصورة المحددة الذكاء الاصطناعي حقًا، أم أنه يحفظها فقط؟" و"هل هذه الدرجة العالية حقيقية، أم أننا حالفنا الحظ فقط في كيفية تقسيم البيانات؟"

لا تدعي الورقة أنها حلت جميع مشاكل الذكاء الاصطناعي. فهي تقر بأن إجراء هذه التجارب مكلف ويستهلك موارد حوسبية كبيرة. ومع ذلك، فهي توفر خريطة جديدة ومجموعة جديدة من الأدوات للإبحار في الواقع الفوضوي لتعلم الآلة، مما يساعدنا على التمييز بين الروبوت الذي تعلم حقًا وبين الروبوت الذي حالفه الحظ فحسب.