الذكاء الاصطناعي وعلم الإحصاء: مثاليان معًا | من «MIT SMR» 

ترجمة: رانيا الحربي

ثوماس سي ريدمان وروجر دبليو هورل

تقوم العديد من الشركات بتطوير نماذج الذكاء الاصطناعي دون أسس قوية يمكن الاعتماد عليها في التنبؤات، ما يؤدي إلى الفشل وانعدام الثقة.

إليك كيف يمكن أن يساهم الإحصاء في تحسين النتائج:

من الضروري أن يحقق الذكاء الاصطناعي أهدافه،

كما أشار رحيمي، هذه مشكلة لم تُحل بعد في مجالي الذكاء الاصطناعي وتعلّم الآلة، وهي ما يسبب القلق لقادة التقنية والأعمال لأنها تجعل العديد من نماذج الذكاء الاصطناعي محكومًا عليها بالفشل عند النشر.

ولحسن الحظ، يمكن لفرق ومشاريع الذكاء الاصطناعي الاستفادة من مصدر غير متوقع: الإحصاء الكلاسيكي.

ستستعرض هذه المقالة كيفية استفادة قادة الأعمال من الأساليب الإحصائية وخبراء الإحصاء لمعالجة هذه المشكلة.

البيانات المستثناة: نهج مُغرٍي، ولكنه مُعاب

غالبًا ما يكون الناس غير متأكدين من سبب عمل خوارزميات الذكاء الاصطناعي وتعلّم الآلة.

والأهم من ذلك، لا يستطيع الناس دائمًا توقع أسباب عدم نجاحها.

نال علي رحيمي، الباحث في الذكاء الاصطناعي في شركة قوقل، تصفيقًا حارًا في مؤتمر عام 2017م عندما وصف الكثير مما يُنجز في مجال الذكاء الاصطناعي بأنه خيمياء، أي أن المطوّرين لا يمتلكون أسسًا راسخة للتنبؤ بالخوارزميات التي ستنجح وتلك التي لن تنجح، أو لاختيار بنية ذكاء اصطناعي على أخرى.

وباختصار، يفتقر الذكاء الاصطناعي إلى أساس للاستدلال: قاعدة متينة يمكن الاعتماد عليها في بناء التنبؤات واتخاذ القرارات.

هذا النقص يؤثر على الثقة في نماذج وتقنيات الذكاء الاصطناعي، إذ تعد الثقة عنصرًا أساسيًّا.

تُعتبر بعض فرق الذكاء الاصطناعي أن النموذج المدرب هو أساس الاستدلال، لا سيما عندما يحقّق النموذج دقة

عالية في التنبؤ بالبيانات الأصلية المُستثناة، ومن المُغرٍي استخدام هذه الحُجّة، لكنها مبالغة جدًّا.

إن البيانات المُستثناة ليست سوى عينة من البيانات التي تم جمعها في نفس الوقت والظروف، مثل بيانات التدريب.

وبالتالي، فإن نموذج الذكاء الاصطناعي المدرب بحد ذاته لا يوفر أساسًا موثوقًا للاستدلال عند إجراء التنبؤات على بيانات مستقبلية تم رصدها في ظروف مختلفة. والأسوأ من ذلك، أن العديد من الفرق العاملة على نماذج الذكاء الاصطناعي تفشل في تحديد المشكلة التجارية المطلوب حلها بشكل واضح. وهذا يعني أن أعضاء الفريق يجدون صعوبة بالغة في إبلاغ قادة الأعمال بما إذا كانت بيانات التدريب هي البيانات الصحيحة أم لا. وأيٌّ من هذه المشكلات الثلاث (أساس ضعيف، مشكلة غير صحيحة، أو بيانات خاطئة) قد يكون كارثيًا عند نشر النموذج، وهنا يمكن لخبراء الإحصاء في فرق الذكاء الاصطناعي أن يساهموا في الوقاية منها.

يعتقد العديد من قادة تقنية المعلومات وعلماء البيانات أن الإحصاء أصبح تقنية قديمة ولم يعد ضروريًّا في عصر البيانات الضخمة والذكاء الاصطناعي.

فبعض قادة الأعمال، عندما كانوا في المدرسة، لم تكن مادة الإحصاء من المواد المفضلة لديهم، ما يجعلهم يحاولون تجنبها الآن.

وغالبًا ما يركز التوظيف على المهارات المرتبطة بتعلّم الآلة، والحوسبة السحابية، وتحليل النصوص، والتعلم العميق، وهي مهارات تُعد قوية وجذابة.

مع أن هناك قدرًا من الحقيقة في اعتبار الإحصاء تقنية قديمة، إلا أن المؤسسات لا تزال بحاجة إليه.

فمجال الإحصاء، المتجذّر في العلوم الطبيعية والرياضيات، يعلّم الإحصائيين النظر إلى النماذج بوصفها تقريبات لـحقيقة علمية في مجتمعٍ يتجاوز البيانات المتاحة، كما يعلّمهم قياس مقدار الخطأ المحتمل في هذا التقريب.
وهذا هو النوع من الأساس الاستدلالي الذي نسعى إليه في الذكاء الاصطناعي.

كيف يمكن للفرق تطبيق علم الإحصاء في أعمال الذكاء الاصطناعي؟

كيف يمكن للقادة الاستفادة من خبراء الإحصاء وطرقهم خلال مشاريع الذكاء الاصطناعي لتعزيز فرص نجاح نشر الذكاء الاصطناعي؟

دعونا نلقِ نظرة على الأمثلة الأربعة التالية:

1. البيانات الصحيحة:

تحديد الانحياز في الذكاء الاصطناعي هو أحد التحديات الرئيسية لـ 83% من محترفي تعلّم الآلة، وفقًا لاستطلاع أجرته شركة أبوريا في سبتمبر 2023م.

ولحسن الحظ فقد طورت عينة الاستطلاع نظرية عميقة حول الانحيازيات المحتملة في البيانات، وهي واحدة من مجال الإحصاء بما في ذلك الانحياز في العينة، والانحياز في عدم الاستجابة، والأسئلة الموجهة، والعديد من الأمور الأخرى. ويمكن أن تساعد هذه الاعتبارات فرق الذكاء الاصطناعي على فهم الانحيازيات والقيود المحتملة في مجموعات بياناتهم بشكل أفضل.

كما ذُكر سابقًا، يتم غالبًا بناء نماذج تعلّم الآلة على مجموعات البيانات المتاحة بدلًا من البيانات الصحيحة، أي البيانات الأكثر ملاءمة لحل المشكلة المطروحة.

 يتمحور التركيز الوحيد للتجارب المصممة بالإحصاء حول الحصول على البيانات الصحيحة لمعالجة مشكلة أو سؤال معين.

• العشوائية

أنتج تصميم التجارب أيضًا واحدة من أكبر الإنجازات في تاريخ علم البيانات وهي التجربة العشوائية.

تظل التجارب السريرية العشوائية هي المعيار الذهبي في تطوير الأدوية، وتعد اختبارات ألف وباء، التي تستخدمها شركات مثل جوجل وميتا وغيرها من شركات التقنية، تجارب عشوائية أساسية.

ومن الجدير بالذكر أن أبهِيجيت بانيرجي، وإستير دوفلو، ومايكل كريمر حصلوا على جائزة نوبل التذكارية في العلوم الاقتصادية لتطبيقهم التجارب العشوائية في مكافحة الفقر.

وتوفر العشوائية أساسًا ممتازًا للاستدلال لأنها تمنع تأثير المتغيرات الأخرى غير الموجودة في مجموعة البيانات (المتغيرات الخفية أو البيانات المظلمة) من تشويش النتائج وليس الارتباط فقط،ما يسمح بتحديد العلاقات السببية، فبلا شك يُعد فهم العلاقات السببية أفضل أساس ممكن للاستدلال.

• اختبار النماذج:

المثال الثالث يتضمن استخدام الإحصاء لتصميم اختبارات للنماذج التي تم نشرها بالفعل.

 لنأخذ نموذج تقييم الائتمان كمثال؛ لدى الشركة بيانات الأداء المتعلقة بالائتمان التي تصدرها، لكنها في الجانب الآخر تُبقي بعض البيانات مخفية، فهل كانت قراراتها في الرفض صحيحة؟ قد لا تعرف الشركة أبدًا.

فالحل الوحيد هو منح الائتمان في بعض الحالات التي لم تكُن الشركة عادة تقوم بذلك لاختبار نموذج الذكاء الاصطناعي فقط، حيث يقع تصميم وتقييم التجارب لمنح الائتمان في هذا النوع من الاختبارات ضمن نطاق الإحصاء، فبعض الشركات التي نعمل معها تقوم بذلك بالفعل.

• عمليات التحكم الإحصائي:

أخيرًا، يوفر التحكم الإحصائي في العمليات طرقًا لمراقبة العمليات مع مرور الوقت لاكتشاف التغييرات في الأداء بسرعة.

كما يمكن تطبيقه على مراقبة أداء نماذج الذكاء الاصطناعي بعد نشرها، فالقليل من مطوري تعلّم الآلة درسوا ذلك، وعندما تحافظ النماذج على الأداء مع مرور الوقت خاصةً على البيانات الجديدة، فيكون لدينا أساس آخر للاستنتاج؛ حيث تكون دقة التنبؤ مستقرة مع مرور الوقت.

لماذا قد يحتاج فريقك إلى النظائر الإحصائية:

حين نفكر في الأمر بشكل أوسع، فيمكن للإحصائيات مساعدة الفرق التي تطور نماذج الذكاء الاصطناعي من خلال استخدام النظير الإحصائي، الذي يشبه التوائم الرقمية للأنظمة الفيزيائية.

يمكن للفرق دمج نموذج تعلّم الآلة مع نموذج إحصاء تقليدي وتطوير كليهما في الوقت نفسه.

نموذج تعلّم الآلة سيقدّم في الغالب دقّة تنبؤ أعلى على بيانات الاحتفاظ، ولكن النموذج الإحصائي يتمتّع ببعض المزايا؛ إذ يحتوي على معاملات ومعاملات ترجيح ذات تفسيرات واقعية يمكن شرحها ومقارنتها بالمعرفة الحالية لدى خبراء المجال.

 كما تأتي النماذج الإحصائية مزوّدة بطبيعتها بمقاييس جودة الملاءمة وقياسات عدم اليقين، وهي أدوات مفيدة للغاية في تحديد ما إذا كانت البيانات المناسبة قد استُخدمت، وكذلك في إجراء الاستقراء خارج نطاق مجموعة الاختبار.

الخلاصة: يمكن للمطوّرين معايرة النموذجين أحدهما مقابل الآخر واختبار مدى تقارب التنبؤات بينهما.

ويكتسب هذا الأمر أهمية خاصة عند تحديد المجالات (أو الفئات الفرعية من السكان) التي يضعف فيها أداء أحد النموذجين.

ولا يوجد أي حرج في استخدام النموذج الأفضل عادةً في معظم الحالات، والاستعانة بـالنموذج المكمّل عندما يقدّم أداءً أفضل أو عندما تكون قابلية التفسير كما ذُكر سابقًا بأنه يعد أمرًا حاسمًا.

علاوة على ذلك، يميل مطورو تعلّم الآلة إلى التركيز بشكل ضيق على العثور على أفضل نموذج واحد، عادةً بناءً على مقياس واحد: دقة التنبؤ على بيانات خارج العينة.

بينما يتدرب الإحصائيون على التفكير في النماذج بشكل أوسع: هل النموذج بسيط بما يكفي؟ أين تكون نقاط ضعف النموذج وقابلية تحسينه؟ هل تم تضمين المتغيرات غير الضرورية؟ هل يمكننا دمج النموذج مع المعرفة في المجال للإشارة إلى علاقة سببية؟

استخدام زوج من النماذج المطورة باستخدام أساليب مختلفة يسمح لفرق علم البيانات بالحصول على فوائد التحليل والاستفادة منها في الوقت نفسه.

 بينما قد لا تتطابق الأساليب الإحصائية مع قوة نماذج تعلّم الآلة، إلا أنها تعززها بالتأكيد من خلال مساعدتها في سد فجوة أساس الاستدلال.

التغييرات الإضافية التي يمكن لقادة الأعمال القيام بها الآن:

قادة الأعمال وليس الأشخاص الذين يقومون ببناء نماذج الذكاء الاصطناعي، هم المسؤولون عن الأداء النهائي لأنظمة الذكاء الاصطناعي والنماذج المتعلقة بتعلّم الآلة.

فيجب على المديرين طرح الأسئلة الصحيحة لضمان أن يستخدم المصممون البيانات المناسبة لحل المشكلات.

يمكن للمدراء النظر إلى الإحصائيات كطريقة للتفكير في المشكلات، تُستخدم جنبًا إلى جنب مع مجموعة من الأدوات التي يمكن أن تساعد في تحديد البيانات الصحيحة، وتزويد النماذج بأسس أقوى للاستدلال.

وبمجرد رؤية الإحصائيات بهذه الطريقة، يبدو أن دمج أساليب ومواهب الإحصائيات مع فرق الذكاء الاصطناعي هو نهج بديهي.

يُمثل ذلك فرصة كبيرة لمعالجة مشكلات الجودة التي أبطأت التقدم في نشر الذكاء الاصطناعي.

كخطوة أولى فورية، يجب على المديرين طرح الأسئلة الإضافية التالية على مطوري نماذج الذكاء الاصطناعي وتعلّم الآلة:

1- هل يتوافق النموذج مع التوقعات بناءً على المعرفة المتخصصة؟ ففي أحد الأمثلة، أشار نموذج تعلّم الآلة الذي تم تطويره للتنبؤ بالنتائج السلبية بين المرضى المصابين بالالتهاب الرئوي، اقترح أن المرضى الذين يعانون من الربو هم أقل عرضة لتجربة نتائج سلبية.

 وهذا يتناقض مع العلوم الطبية المعروفة، وبعد مزيد من التحقيق، تبين أن النموذج لم يكن على دراية بأن مرضى الربو عادةً يتلقّون علاجًا طارئًا للالتهاب الرئوي؛ نظرًا لارتفاع خطر الإصابة لديهم. ما يجب أن تعرفه هو أن النموذج يتم مراجعته من قبل مختصين ذوي خبرة عالية في هذا المجال.

2- هل يمكن تبسيط النموذج؟ ما يجب أن تعرفه هو: أظهرت الاختبارات المكثفة أن النماذج التي تحتوي على عدد أقل من الميزات تؤدي إلى دقة تنبؤ أسوأ بكثير.

3- ما هو أساس استنتاجك؟ بعبارة أخرى، على أي أساس أنت واثق من أن النموذج سيؤدي بشكل جيد في المستقبل؟ ما يجب أن تعرفه هو: احذر من الادعاء بأن دقة التنبؤ خارج العينة تضمن الدقة على بيانات مستقبلية تم جمعها في ظروف مختلفة.

 ستشير الإجابات الأفضل إلى البيانات الصحيحة.

بعد ذلك، يجب على المديرين في أقرب وقت ممكن الاستفادة من أكبر قدر من الخبرة الإحصائية التي يمتلكونها أو تمتلكها فرقهم في أعمال المشروع المتعلقة بالذكاء الاصطناعي.

 ويمكن للعديد من الفرق، على سبيل المثال، تطبيق تقنيات إحصائية لاختبار النماذج، كما وصفنا في مثال تقييم الائتمان أعلاه.

لقد أخبرنا العديد من الإحصائيين في شركات التقنية بشكل مستمر أنهم يشعرون بالامتنان لمهاراتهم في تعلّم الآلة، وليس لمهاراتهم الإحصائية.

ويشير ذلك إلى أن العديد من الشركات لديها بالفعل مستويات حرجة من مهارات الإحصاء، لكنها لا تستخدم خبراء الإحصاء بالطريقة الصحيحة، كما يجب عليهم الاستفادة منهم بعمليات الإحصاء.

ثالثًا، يجب على المديرين عند تكوين فرق علم البيانات أخذ التنوع الفني بعين الاعتبار وتعزيزه.

تتكون العديد من الفرق من علماء بيانات يمتلكون مهارات مشابهة، ما يؤدي إلى فريق ضيق من الناحية التقنية وعمق كبير، لتوضيح ذلك، فإن فريق كرة قدم أمريكية يتكون من ربع النهائيين المحكوم عليهم بخسارة في كل مباراة.

العديد من الفرق تتكوّن من علماء بيانات يمتلكون مهارات متشابهة، ما يؤدي إلى فريق ضيّق من الناحية التقنية ومحدود العمق في المهارات المتنوعة.

للتوضيح، فريق كرة القدم الأمريكية المكوّن بالكامل من لاعبي الربع الخلفي (Quarterbacks) محكوم عليه بالخسارة في كل مباراة.

يمكن للإحصائيين وغيرهم من أصحاب المهارات الإحصائية توسيع نطاق فرق علم البيانات والذكاء الاصطناعي.

علاوة على ذلك، يجب على المديرين العمل مع أقسام الموارد البشرية لإجراء جرد للمهارات التنظيمية المتعلقة بالذكاء الاصطناعي وتعلّم الآلة والإحصاء.

 فيتمتع العديد من الإحصائيين التطبيقيين بخبرة في العمل مع الأشخاص غير الفنيين وقد طوروا مهارات التعاون لمساعدتهم في تحديد المشكلة التجارية الأساسية المطروحة.

ولقد تعلم الإحصائيون منذ فترة طويلة أن المشكلة المعلنة غالبًا ما لا تكون هي المشكلة الحقيقية.

 في عمل الذكاء الاصطناعي، تثبت هذه المهارات أنها حاسمة في تأطير المشكلة التجارية بشكل صحيح والحصول على البيانات المناسبة.

يجب أن يتناول جرد المهارات هذا المجال، على المدى الطويل، كما يجب على المديرين توظيف أشخاص يمتلكون هذه المهارات لتجنب وجود نقاط ضعف عمياء.

كلٌّ من القادة في مجال التقنية والأعمال عاشوا وقتًا طويلًا وقتاً طويلاً من الإحساس بالقلق، متمنين الأفضل في نشرات الذكاء الاصطناعي.

يمكن للأساليب الإحصائية أن تعزّز أساليب تعلّم الآلة الحالية وتساعد في توفير أساسٍ للاستدلال يغرس الثقة، ويكون أساس مبني على العلم لا على الأمل.

نبذة عن المؤلفين 

توماس سي. ريدمان هو رئيس شركة داتا كواليتي سولوشينز، ومؤلف كتاب “الأشخاص والبيانات: متحدون لتحويل مؤسستك” (صفحة كوجان، 2023م)

روجر و. هويرل هو أستاذ الإحصاء في جامعة يونيون في شينيكتادي، نيويورك، ومؤلف مشارك مع رونالد د. سني في كتاب “قيادة التحسين الشامل باستخدام منهجية لين سيجما ستة”، الطبعة الثانية 2018م.

—————————-

تُرجمت هذه المقالة بدعم من مبادرة «ترجم»، إحدى مبادرات هيئة الأدب والنشر والترجمة.

الآراء والأفكار الواردة في المقالة تمثّل وِجهة نَظر المؤلف فقط.