Synergizing Intelligence: A Comparative Evaluation of Machine Learning and Data Mining Techniques for Optimized Computational Analytics

في العالم الحديث، تُجمع كميات هائلة من المعلومات في كل ثانية، من السجلات المستشفيات إلى أجهزة استشعار الطقس. ولا يكمن التحدي الذي يواجه العلماء في مجرد جمع هذه البيانات، بل في تحويلها إلى إجابات واضحة وموثوقة. وقد ظهر نهجان رئيسيان لحل هذا اللغز؛ النهج الأول هو طريقة تبحث عن الأنماط والقواعد الخفية داخل البيانات، تماماً مثل أمين مكتبة يصنف الكتب حسب النوع لتجد الروابط بينها. هذا النهج واضح جداً وسهل الفهم بالنسبة للبشر، لكنه قد يغفل أحياناً عن تفاصيل دقيقة تؤدي إلى أكثر التنبؤات دقة. أما النهج الثاني، فيستخدم برامج حاسوبية قوية للتعلم من الأمثلة، حيث يجد علاقات معقدة قد لا يراها البشر أبداً. هذه البرامج بارعة للغاية في تخمين الإجابة الصحيحة، لكنها غالباً ما تعمل كصندوق أسود، حيث لا تقدم أي تفسير لكيفية وصولها إلى استنتاجها. وبالنسبة للقرارات المصيرية، مثل تشخيص حالة قلبية، لا يكفي الحصول على إجابة صحيحة فحسب؛ بل يحتاج الأطباء والمرضى إلى معرفة سبب تقديم تلك الإجابة. ولطالما تساءل الباحثون عما إذا كان من الممكن الجمع بين وضوح الطريقة الأولى وقوة التنبؤ الحادة للطريقة الثانية، لإنشاء نظام يتسم بالدقة والقدرة على الفهم في آن واحد.

لقد شرع فريق من الباحثين في جامعة الدكتور إيه بي جيه عبد الكلام في إندور في اختبار هذه الفكرة من خلال بناء إطار عمل جديد يدمج هاتين الطريقتين المختلفتين من التفكير. وقد ركزوا على مجموعة طبية معروفة جيداً تحتوي على معلومات حول 303 مرضى، بما في ذلك تفاصيل مثل العمر، وضغط الدم، ومستويات الكوليسترول، ومعدل ضربات القلب، لمعرفة ما إذا كان بإمكانهم التنبؤ بوجود أمراض القلب بشكل أفضل. وبدلاً من اختيار طريقة واحدة دون الأخرى، صمموا عملية خطوة بخطوة حيث تعمل أدوات البحث عن الأنماط كدليل لأدوات التعلم القوية. أولاً، استخدموا تقنيات البحث عن الأنماط لتنظيم البيانات الخام، وتجميع المرضى المتشابهين معاً وتحديد أي مجموعات من الأعراض تظهر غالباً جنباً إلى جنب. ثم استخدموا هذه الرؤى المنظمة لتنقية المعلومات، وإزالة التفاصيل المربكة أو الزائدة، وتسليط الضوء على القرائن الأكثر أهمية. وفقط بعد هذه المرحلة من التحضير، قاموا بتغذية البيانات المنقحة إلى برامج التعلم المتقدمة لإجراء التنبؤ النهائي.

أظهرت نتائج هذه التجربة أن النهج الهجين كان متفوقاً على استخدام أي من الطريقتين بمفرده. فعندما اختبر الباحثون نظامهم الهجين الجديد مقابل الأدوات القياسية، حقق معدل دقة بلغ 92.8 بالمائة في تحديد حالات أمراض القلب بشكل صحيح. وكان هذا تحسناً ملحوظاً عن أفضل برنامج تعلم منفرد، والذي وصل إلى حوالي 90.7 بالمائة، وأفضل بكثير من أدوات البحث عن الأنماط وحدها، التي كانت تحوم حول 80 بالمائ المائ. وفضلاً عن كون النظام الجديد أكثر دقة، فقد حافظ أيضاً على مستوى عالٍ من الوضوح. ولأن الخطوات الأولية تضمنت إيجاد قواعد واضحة حول كيفية ارتباط الأعراض، فقد استطاع الباحثون الإشارة إلى أسباب محددة لتنبؤاتهم، مثل الارتباط القوي بين التقدم في السن المصحوب بآلام الصدر التقليدية ووجود المرض. وقد أكدت الاختبارات الإحصائية أن هذه التحسينات لم تكن وليدة الصدفة، مما أثبت أن الطريقتين تعملان حقاً بشكل أفضل معاً مما لو عملتا بشكل منفصل.

كما كشفت الدراسة أن هذا الجمع لم يأتِ بتكلفة باهظة من حيث السرعة. فبينما استغرق النظام الهجين جزءاً ضئيلاً جداً من الثانية أطول من أسرع برنامج منفرد، إلا أن المكاسب في الدقة والقدرة على شرح النتائج جعلت هذه المقايضة تستحق العناء. ووجد الباحثون أنه من خلال ترك المهام الشاقة لأدوات البحث عن الأنماط لتنظيم البيانات أولاً، تمكنت برامج التعلم من التركيز على المعلومات الأكثر صلة، مما قلل من الأخطاء وتجنب الارتباك. ويشير هذا النهج إلى أنه في المجالات التي تكون فيها الثقة والشفافية بنفس أهمية الحصول على الإجابة الصحيحة، فإن المستقبل يكمن في مزج هذين النوعين من الذكاء. إن هذا العمل يثبت أننا لسنا مضطرين للاختيار بين نظام سهل الفهم ونظام عالي الدقة؛ فمن خلال هيكلة كيفية عملهما معاً بعناية، يمكننا بناء أدوات تقدم أفضل ما في العالمين.