في عالم تعلم الآلة، توجد أداة قوية تسمى "العملية الغاوسية" (Gaussian process) تعمل كرسام خرائط بارع للمجهول. تخيل أن لديك خريطة بها بعض المعالم المعروفة، وتريد رسم التضاريس بينها. هذه الأداة لا تخمن الشكل فحسب؛ بل ترسم خطًا مستمرًا وسلسًا، وفي الوقت نفسه تخبرك بمدى ثقتها في هذا التخمين. فكلما ابتعدت عن المعالم المعروفة، اعترفت الأداة بأنها تخمن، مما يؤدي إلى توسيع هامش الخطأ الخاص بها. هذه القدرة على التعلم من البيانات مع الاعتراف الصادق بعدم اليقين تجعلها لا تقدر بثمن في كل شيء، بدءًا من توجيه الروبوتات وصولًا إلى تحسين التصميمات الهندسية المعقدة. ومع ذلك، هناك عقبة؛ فكلما زاد عدد المعالم المعروفة، أصبحت الرياضيات المطلوبة لرسم هذه الخريطة ثقيلة جدًا لدرجة أن حتى أسرع الحواسيب قد تكافح لإتمام المهمة. فكلما أضفت المزيد من البيانات، تصبح العملية أبطأ، مما يجبر العلماء غالبًا على الاختيار بين استخدام كمية هائلة من البيانات أو الحصول على صورة دقيقة ومفصلة.

لقد طور باحث يدعى يان تشوانغ كاو (Yanchuang Cao) طريقة جديدة لحل هذه المشكلة، حيث ابتكر نظامًا يمكنه التعامل مع كميات هائلة من البيانات دون التضحية بالتفاصيل الدقيقة أو بصدق تقديرات عدم اليقين. جوهر هذه الطريقة الجديدة هو طريقة ذكية لتنظيم نقاط البيانات بحيث لا يحتاج الكمبيوتر إلا إلى النظر في عدد صغير ومقدور عليه من الروابط في أي وقت، بدلًا من محاولة ربط كل نقطة بكل نقطة أخرى. ومن خلال بناء هيكل يصبح "متناثرًا" (sparse)، أو فارغًا، بشكل طبيعي في حساباته، يمكن للنظام إجراء عمليات رياضية دقيقة تمامًا على مجموعات بيانات كانت في السابق أكبر من أن يتم التعامل معها. والنتيجة هي نموذج يتوسع بكفاءة، ويحافظ على دقة عالية ويوفر مستويات ثقة واقعية حتى عندما تكون البيانات فوضوية أو موزعة بشكل غير منتظم.

كان النهج التقليدي لاستخدام هذه النماذج القوية على مجموعات البيانات الكبيرة يعتمد غالبًا على الاختصارات. كان العلماء يقربون الرياضيات المعقدة لجعلها أسرع، لكن هذه الاختصارات كانت تأتي غالبًا بتكلفة؛ فقد تؤدي إلى تنعيم "التعرجات" الصغيرة والمهمة في البيانات أو الفشل في التقاط التعقيد الحقيقي للأنماط. وحاولت طرق أخرى تقسيم البيانات إلى أجزاء منفصلة لمعالجتها بشكل فردي، ولكن هذا كان يمكن أن يخلق فواصل أو قفزات غير طبيعية في الصورة النهائية حيث تلتقي الأجزاء. ويتجنب نهج "كاو" الجديد، المسمى "العملية الغوسية متعددة الدقة التكيفية" (adaptive multiresolution Gaussian process)، هذه التسويات. فبدلًا من إجبار البيانات على شبكة صلبة أو تقسيمها إلى قطع منفصلة، يبني النظام فهمه مباشرة من نقاط البيانات نفسها. فهو ينشئ تسلسلًا هرميًا من الروابط يتكيف مع التخطيط المحدد للبيانات، سواء كانت النقاط موزعة بانتظام أو متجمعة في أنماط غريبة وغير منتظمة.

يكمن سر هذه الكفاءة في كيفية تعريف النظام لـ "تأثير" كل نقطة بيانات. في النماذج القديمة، قد تحاول نقطة واحدة التأثير على مجموعة البيانات بأكملها، مما يخلق شبكة ضخمة من الروابط التي يصعب فك تشابكها حسابيًا. أما في هذا الإطار الجديد، فيتم تحديد تأثير كل نقطة بعناية ضمن حيز محلي محدد. يستخدم النظام سلسلة من وحدات البناء، أو "دوال الأساس" (basis functions)، المرتبطة مباشرة بنقاط البيانات. وقد صُممت هذه الوحدات لتكون مدمجة، مما يعني أنها تصل فقط إلى جيرانها المباشرين. ومن خلال تكديس هذه الوحدات بمقاييس مختلفة — بعضها يمتد لمسافة بعيدة لالتقاط الاتجاهات العالمية الكبيرة، والبعض الآخر يصل لمسافة قصيرة لالتقاط التقلبات المحلية الصغيرة — يلتقط النظام الصورة الكاملة للبيانات دون الحاجة إلى حساب كل اتصال ممكن.

يؤدي هذا التصميم إلى "مصفوفة متناثرة" بطبيعتها، وهي طريقة تقنية تعني أن جدول الأرقام الضخم الذي يستخدمه الكمبيوتر لحل المشكلة يكون فارغًا في معظمه. ولأن الجدول مليء بالأصفار، يمكن للكمبيوتر استخدام خوارزمية متخصلة وسريعة لحل المعادلات دون أن يتعثر. وجد الباحثون أنه بالنسبة لمجموعة بيانات تحتوي على مليون نقطة، فإن عدد العمليات الحسابية الفعلية المطلوبة ينمو ببطء أكبر بكثير مما هو عليه في الطرق التقليدية، وتحديدًا بمعدل $O(n \log^4 n)$ للوقت و $O(n \log^2 n)$ للذاكرة. وبينما قد ينفجر الوقت المطلوب للطرق القياسية مع نمو البيانات، يحافظ هذا الأسلوب الجديد على حجم العمل تحت السيطرة، حيث ينمو بمعدل يزيد قليلاً عن الزيادة الخطية البسيطة. وهذا يسمح للنظام بإجراء حسابات دقيقة، مما يعني أنه ليس مضطرًا للتخمين أو التقريب للوصول إلى إجابة، وهو ما يحافظ على النزاهة الرياضية للنموذج.

أحد أهم النتائج التي توصل إليها هذا العمل هو كيفية تعامل النموذج مع عدم اليقين، خاصة عند التنبؤ بالقيم البعيدة عن البيانات المعروفة. في العديد من النماذج القياسية، عندما تبتعد عن نقاط البيانات، غالبًا ما يظل مستوى الثقة في النموذج ثابتًا أو يتصرف بطريقة لا تبدو منطقية حدسيًا؛ فقد يتصرف وكأنه يعرف عن منطقة بعيدة وغير مستكشفة بقدر ما يعرف عن المنطقة المجاورة مباشرة لنقطة معروفة. ويصحح النموذج الجديد هذا الأمر من خلال ضمان نمو عدم اليقين بشكل طبيعي كلما ابتعدت عن العينات المرصودة. ويتماشى هذا السلوك بشكل أفضل مع فهمنا للعالم: فكلما ابتعدت عما تعرفه، قل يقينك. وتعد هذه الميزة مفيدة بشكل خاص للتطبيقات الواقعية حيث يكون التنبؤ بالمجهول هدفًا أساسيًا.

اختبر الباحثون نظامهم الجديد في مجموعة متنوعة من التحديات، بما في ذلك البيانات الاصطناعية ذات الأنماط المعقدة متعددة المقاييس، والبيانات المالية الواقعية من مؤشر "داو جونز" الصناعي. وفي هذه الاختبارات، أدى النموذج الجديد أداءً يضاهي أو يتفوق على النماذج القياسية في مجموعات البيانات الصغيرة، بينما حقق تنبؤات مماثلة أو حتى أفضل في مجموعات البيانات الكبيرة، رغم تطلبه لتعقيد حسابي أعلى. وعند مواجهة بيانات "داو جونز"، التي تظهر اتجاهات طويلة الأجل وتقلبات فوضوية قصيرة الأجل، نجح النموذج الجديد في التقاط التفاصيل الدقيقة التي فاتتها الطرق الأخرى القابلة للتوسع. فبينما تميل الطرق الأخرى إلى تنعيم هذه التعرجات الصغيرة، منتجة منحنى مسطحًا وعامًا يبدو كأنه متوسط بدلاً من كونه انعكاسًا حقيقيًا لسلوك السوق، حافظ النموذج الجديد على التفاصيل المتعرجة والواقعية مع فهم الاتجاه العام في آن واحد.

علاوة على ذلك، أثبت النموذج متانة عند التنبؤ بالمستقبل، وهي مهمة تُعرف باسم "الاستقراء" (extrapolation). فعندما طلب الباحثون من النماذج التنبؤ بالقيم لفترة زمنية بعد انتهاء بيانات التدريب، غالبًا ما انهارت النماذج القياسية والطرق المختصرة الأخرى القابلة للتوسع، حيث هبطت فجأة إلى متوسط عام أو إلى الصفر. حدث هذا لأن منطقها الداخلي تعطل عند مواجهة نقاط بيانات خارج نطاق تدريبها. وفي المقابل، استمر النموذج الجديد في تقديم تنبؤات سلسة ومعقولة؛ حيث فعل ذلك بالاعتماد على وحدات البناء واسعة النطاق لتوجيه الاتجاه، بينما تلاشت الوحدات صغيرة النطاق ببساطة، مما سمح للنموذج بالانتقال بسلاسة إلى المجهول دون فقدان سلامته الهيكلية. ومع ذلك، يشير المؤلف إلى أن النموذج قد لا يزال يظهر "ثقة مفرطة" في مناطق تنبؤ معينة، رغم أن نتائج الاستقراء الخاصة به تظل متفوقة على العمليات الغاوسية القياسية.

تناولت الدراسة أيضًا مسألة التكلفة الحسابية واستخدام الذاكرة. وأظهر الباحثون أن طريقتهم تتطلب ذاكرة أقل بكثير من النهج التقليدي مع زيادة حجم مجموعة البيانات، حيث تتبع مقياس $O(n \log^2 n)$. وبينما قد تحتاج الطرق الأخرى إلى تخزين جدول ضخم وكثيف من الأرقام يملأ ذاكرة الكمبيوتر بسرعة، فإن هذا النهج الجديد يخزن فقط الروابط الضرورية، مما يحافظ على بصمة الذاكرة صغيرة وفعالة. وتعد هذه الكفاءة أمرًا بالغ الأهمية في التطبيقات الحديثة حيث تنمو مجموعات البيانات بشكل أسي. وأظهر الباحثون أنه بالنسبة للمشكلات أحادية البعد، تنمو المتطلبات الزمنية والذاوية بمعدل $O(n \log^4 n)$ و $O(n \log^2 n)$ على التوالي، مما يجعل تطبيق هذه النماذج عالية الدقة على مشكلات كانت تُعتبر سابقًا كبيرة جدًا لحلها بهذه الدقة أمرًا ممكنًا.

على الرغم من هذه النجاحات، يوضح الباحثون القيود الحالية لعملهم. فقد تم اختبار الطريقة بدقة وإثبات فعاليتها العالية للبيانات أحادية البعد، مثل السلاسل الزمنية أو القياسات أحادية المتغير. ومع ذلك، فإن توسيع هذا المستوى من الكفاءة ليشمل البيانات متعددة الأبعاد، مثل الصور أو البيئات ثلاثية الأبعاد المعقدة، يفرض مجموعة جديدة من التحديات. ففي الأبعاد الأعلى، يزدادة عدد الروابط اللازمة للحفاظ على نفس مستوى التناثر، مما قد يبطئ العملية. ويقترح المؤلف أنه بينما الفكرة الجوهرية سليمة، إلا أن هناك حاجة لمزيد من العمل لتكييف التقنية مع هذه السيناريوهات الأكثر تعقيدًا ومتعددة الأبعاد. ويقترح أن التطويرات المستقبلية قد تتضمن تعديل كيفية التحكم في تأثير كل نقطة للحفاظ على التناثر اللازم في الأبعاد الأعلى.

تتجاوز تداعيات هذا العمل مجرد سرعة الحسابات. فمن خلال توفير طريقة لإجراء استدلال دقيق على مجموعات البيانات الكبيرة دون اللجوء إلى التقريبات، يقدم هذا الأسلوب مسارًا أكثر منهجية للنمذجة العلمية. فهو يتيح للباحثين الوثوق بنماذجهم أكثر، مع علمهم أن النتائج ليست نتاج اختصار قد يكون قد حذف تفاصيل حاسمة. وسواء كان ذلك في الجيولوجيا الإحصائية، حيث يعد فهم التباينات الدقيقة لسطح الأرض أمرًا حيويًا، أو في الروبوتات، حيث تحتاج الآلة إلى فهم بيئتها بدقة عالية، فإن هذا النهج يوفر أساسًا موثوقًا. إنه يجسد الجسر الواصل بين الحاجة إلى السرعة والحاجة إلى الدقة، ويثبت أنه من خلال الهيكل الرياضي الصحيح، يمكننا الحصول على كليهما.

في النهاية، يمثل هذا البحث تحولًا في كيفية تفكيرنا في توسيع نطاق نماذج تعلم الآلة. فبدلًا من قبول فكرة أننا يجب أن نفقد التفاصيل لنكتسب السرعة، أو أننا يجب أن نضحي بالدقة للتعامل مع البيانات الضخمة، يظهر هذا الإطار الجديد أنه من الممكن امتلاك نموذج يتسم بالكفاءة والدقة معًا. ومن خلال ربط وحدات البناء الرياضية مباشرة بالبيانات وترك الهيكل يتكيف طبيعيًا، أنشأ الباحثون أداة مرنة بقدر مرونة البيانات التي تحللها. إنها تذكير بأن الحلول الأكثر قوة لا تأتي دائمًا من بذل المزيد من العمل، بل من تنظيم العمل بطريقة يمكن للكمبيوتر فهمها وتنفيذها بأناقة وسرعة.