دور النظرية الاحتمالية في تعليم الآلة: فهم الغموض وزيادة الثقة والقابلية للتفسير

ملخص: تجاوز مفهوم الرسم البياني البسيط: استكشاف الأسس الاحتمالية للتعلم الآلي ما هو التعلم الآلي من وجهة نظر احتمالية؟ تعرّف توم ميتشل، عالم الحاسوب الأمريكي، التعلم الآلي على أنه: برنامج كمبيوتر يعتبر أنه قد تعلم من خبرة E فيما يتعلق بمجموعة مهام T، وبمقياس أداء P، إذا تحسنت أداؤه في مهام T، كما يقاس بمقياس P، مع زيادة الخبرة E. في التعلم الآلي التقليدي، يتم التوقع بقيمة ثابتة، مثل "سعر المنزل هو 317 ألف فرنك سويسري". ومع ذلك، في وجهة النظر الاحتمالية، يتم التركيز على تعلم التوزيعات الاحتمالية بدلاً من التوقعات الثابتة. هذا يعني أن كل ما هو غامض في العالم، سواء كان الإخراجات أو المعلمات أو التوقعات، يُعالج كمتغيرات عشوائية. ما هو التعلم المشرف عليه (Supervised Learning)؟ التعلم المشرف عليه هو عملية حيث تكون لدينا أمثلة ولكل مثال نعرف معناه. على سبيل المثال: إذا رأيت هذه الصورة (الإدخال x)، فالزهرة تُدعى ستيوسا (الإخراج y). الهدف هو العثور على قاعدة تتنبأ بشكل جيد للإدخالات الجديدة غير المعروفة. من الأمثلة الشائعة لهذه المهام التصنيف والتعامد. ما الذي تضيفه وجهة النظر الاحتمالية؟ تذكّرنا وجهة النظر الاحتمالية بأن لا شيء يمكن التنبؤ به بنسبة 100٪ في العالم الحقيقي. بدلاً من العمل بـ"إجابة ثابتة"، تعمل النماذج الاحتمالية بـ"احتمالات": "النموذج متأكد بنسبة 95٪ أنها زهرة ستيوسا." بهذا الشكل، لا يخمن النموذج فقط بل يعبر أيضًا عن مدى ثقته في توقعه. ما هو التعلم غير المشرف عليه (Unsupervised Learning)؟ التعلم غير المشرف عليه يعني أن النموذج يتلقى البيانات ولكن بدون شروحات أو تسميات. على سبيل المثال: عندما يرى النموذج صورة (الإدخال x)، فهو لا يعرف ما إذا كانت تظهر زهرة ستيوسا أو فيرسيكولور أو فيرجينيكا. الهدف هو أن يكتشف النموذج بنفسه ما إذا كانت هناك مجموعات أو أنماط أو هياكل في البيانات. مثال شائع لهذا النوع من التعلم هو التجميع (Clustering). كيف تساعدنا وجهة النظر الاحتمالية هنا؟ لا نحاول القول: "هذه الصورة تظهر زهرة ستيوسا بالتأكيد." بل نقول: "ما هي الهياكل أو الأنماط التي ربما تختبئ في البيانات؟" تفكير الاحتمالات يسمح لنا بتقاطع الغموض والتنوع في التفسيرات المحتملة. بدلاً من فرض تصنيف قاطع، نقوم بنمذجة الاحتمالات. لماذا نحتاج إلى التعلم غير المشرف عليه؟ في بعض الأحيان، لا توجد تسميات للبيانات أو يكون جمعها مكلفًا أو صعبًا (مثل التشخيصات الطبية). في أحيان أخرى، قد لا تكون الفئات محددة بشكل واضح (مثل تحديد بداية ونهاية العمل). وأحيانًا، يكون الهدف من النموذج هو اكتشاف أنماط لا نعرفها بعد. ما هو التعلم التعزيزي (Reinforcement Learning)؟ التعلم التعزيزي يعني أن نظامًا يتعلم من الخبرة من خلال الفعل وتحقيق ردود فعل حول ما إذا كانت أفعاله جيدة أو سيئة. ببساطة، هو مماثل لتدريب الكلاب. لننظر إلى مثال: روبوت يحاول تعلم كيفية المشي. يحاول حركات مختلفة. إذا سقط الروبوت، فإنه يتعلم أن تلك الحركة كانت سيئة. وإذا نجح في خطوات قليلة، فإنه يحصل على مكافأة إيجابية. وراء الكواليس، يقوم الروبوت ببناء استراتيجية تسمى السياسة π(x): "في الموقف x، اختر الحركة a." في البداية، تكون هذه القواعد عشوائية أو سيئة للغاية. يكون الروبوت في مرحلة الاستكشاف لتحديد ما يعمل وما لا يعمل. من خلال كل تجربة (مثل السقوط أو المشي)، يتلقى الروبوت ردود فعل (مكافآت) مثل نقطة إيجابية واحدة للاستقامة، و10 نقاط سلبية للسقوط. مع مرور الوقت، يعدل الروبوت سياسته ليفضل الأفعال التي تؤدي إلى مكافآت تراكمية أعلى. يغير قاعدة π(x) لاستخلاص أفضل ما يمكن من تجارب جيدة وتجنب تجارب سيئة. ما هو هدف الروبوت؟ يريد الروبوت العثور على أفعال تجلب أعلى مكافأة على المدى الطويل (مثل البقاء مستقيمًا، التحرك للأمام). رياضيًا، يحاول الروبوت تحسين مكافأته المتوقعة في المستقبل. كيف تساعدنا وجهة النظر الاحتمالية؟ غالبًا ما لا يعلم النظام (مثل الروبوت) بشكل دقيق أي من أفعاله العديدة أدت إلى المكافأة. هذا يعني أنه يجب عليه التعلم تحت الغموض بشأن أي الاستراتيجيات (السياسات) جيدة. في التعلم التعزيزي، نحاول تعلم سياسة: π(x) هذه السياسة تحدد، أي حركة يجب أن يقوم بها النظام في أي موقف لتحقيق أعلى مكافأة على المدى الطويل. ما هي النموذج في التعلم الآلي من وجهة نظر احتمالية؟ عندما نتحدث عن نموذج في التعلم الآلي، نعني أكثر من مجرد دالة في وجهة النظر الاحتمالية. النموذج هو افتراض توزيعي عن العالم. لننظر إلى وجهة النظر التقليدية: النموذج هو دالة f(x)=y تقوم بترجمة الإدخال إلى الإخراج. الآن لننظر إلى وجهة النظر الاحتمالية: النموذج يصف الغموض بشكل صريح، مثل f(x)=p(y|x). ليس الهدف هو تقديم "أفضل إجابة"، بل نمذجة مدى احتمال مختلف الإجابات. الخلاصة: ما قيمة فهم وجهة النظر الاحتمالية على أي حال؟ في العالم الحقيقي، تكاد لا توجد الأمور حتمية. الغموض والمعلومات غير الكاملة والعشوائية تحدد كل قرار نتخذه. يساعد التعلم الآلي الاحتمالي في التعامل مع هذا الغموض. بدلاً من مجرد محاولة زيادة الدقة، يكون النهج الاحتمالي: أكثر مقاومة للأخطاء والغموض. على سبيل المثال، في نظام تشخيص طبي، نريد نموذجًا يشير إلى غموضه («60٪ من اليقين أنه سرطان») بدلاً من إعطاء تشخيص ثابت. بهذه الطريقة، يمكن إجراء اختبارات إضافية إذا كان الغموض عاليًا. أكثر مرونة وبالتالي أكثر قدرة على التكيف مع المواقف الجديدة. على سبيل المثال، يمكن لنموذج ينمذج بيانات الطقس احتماليًا أن يتكيّف بسهولة أكبر مع الظروف المناخية الجديدة لأنه يتعلم عن الغموض. أكثر فهمًا وقابلية للتفسير، حيث يوفر النماذج إجابات ويتعبّر عن مدى ثقتها فيها. على سبيل المثال، في نظام تقييم القروض، يمكننا عرض أن النموذج متأكد بنسبة 90٪ من أن العميل جدير بالائتمان. الغموض المتبقي بنسبة 10٪ يتم التواصل عنه صراحة — وهذا يساعد في اتخاذ قرارات شفافة وتقييم المخاطر. هذه المزايا تجعل النماذج الاحتمالية أنظمة أكثر شفافية وثقة وقابلية للتفسير (بدلاً من خوارزميات الصندوق الأسود). التقييم من قبل المختصين يعد فهم وجهة النظر الاحتمالية في التعلم الآلي ضروريًا للمتخصصين في هذا المجال لأنها تقدم طرقًا أكثر فعالية للتعامل مع الغموض والبيانات الغير كاملة. هذا الفهم يساعد في تطوير أنظمة أكثر ذكاءً وموثوقية، مما يجعل التعلم الآلي أداة قوية في العديد من التطبيقات العملية، مثل التشخيص الطبي والتوقعات المالية والروبوتات الذكية. نبذة تعريفية عن المؤلف كيفن بي. ميرфи هو عالم كمبيوتر أمريكي ومؤلف كتاب "Probabilistic Machine Learning – An Introduction". يعد الكتاب مرجعًا أساسيًا للمهتمين بفهم الأسس الرياضية والاحتمالية للتعلم الآلي، ويغطي مواضيع متنوعة تشمل التعلم المشرف عليه وغير المشرف عليه والتعلم التعزيزي، مع التركيز على كيفية التعامل مع الغموض في البيانات والعالم الحقيقي.