تُعدّ أنظمة الذكاء الاصطناعي العاملة (Agentic AI) أحد أبرز الاتجاهات في مجال الذكاء الاصطناعي، خاصة في المجالات الطبية، حيث تُبسط تطوير الحلول من خلال الاستفادة من النماذج الأساسية دون الحاجة إلى تدريب نماذج مخصصة من الصفر. ورغم الابتكار الكبير المُبْرَز في مؤتمر NeurIPS 2025، حيث شكلت هذه الأنظمة ما يقارب 20–25% من الأوراق المقدمة، فإنها تواجه تحدّيًا جوهريًا: الانفصال بين نمط إخراجها (قرارات ثنائية) وطريقة تقييم نماذج التنبؤ الطبية التقليدية (مقياس AUC). في التقييم الطبي، يُعدّ AUC (مقياس المساحة تحت منحنى استجابة المُستقبل) المعيار الذهبي لتقييم نماذج الكشف والتنبؤ، خصوصًا في السياقات التي تُعاني من توازن غير متساوٍ بين الحالات الموجبة والسلبية (مثل فحص سرطان الثدي، حيث انتشار المرض يقل عن 0.5%). فـAUC يقيس قدرة النموذج على ترتيب المرضى المصابين أعلى من غير المصابين، بغض النظر عن دقة التصنيف المطلق. لكن الأنظمة العاملة غالبًا ما تُخرِج قرارات نهائية ثنائية: "مصاب" أو "غير مصاب"، دون تعبير عن درجة احتمال أو مصداقية. هذا يُضعف القدرة على حساب AUC، لأن المنحنى الرباعي (ROC) يصبح مُنْهَارًا إلى نقطتين فقط (النهايتين والقيمة الوسطى)، ما يجعل AUC غير مُعَرَّف أو غير موثوق. لحل هذه الفجوة، يُقترح سلسلة من الطرق العملية لاستخلاص قيم مستمرة من إخراج الأنظمة العاملة، بحيث يمكن تقييمها باستخدام AUC: استخراج احتمالات اللوغاريتم الداخلي (Log probabilities): عندما يكون متاحًا الوصول إلى طبقات النموذج النهائية، يمكن استخدام القيم المحسوبة داخليًا لتحديد درجة التفضيل نحو المرض، مما يوفر إشارة مستمرة ومستقرة تتوافق مع التفكير الداخلي للنموذج. طلب تعبير عن الاحتمال صراحةً: يمكن تعديل التعليمات لتطلب من النظام إخراج قيمة احتمال ضمن نطاق 0 إلى 1 بعد إكمال التفكير الخطوة بخطوة. رغم سهولة التنفيذ، إلا أن هذه الطريقة تعاني أحيانًا من عدم التماسك في التقدير (مثل تجميع القيم حول القيم القصوى)، ما يتطلب أمثلة تدريبية دقيقة لتقويم النموذج. العينات المتكررة باستخدام مونت كارلو: إعادة تشغيل النظام عدة مرات على نفس المدخل يُنتج توزيعًا تجريبيًا لقراراته. نسبة التصنيف كمصاب تُعتبر تقديرًا للاحتمال، ورغم تكلفتها العالية، فهي تُقدّم تقييمًا دقيقًا لدرجة عدم اليقين. تحويل مسافات التشابه من قواعد البيانات المسترجعة: في الأنظمة المدعومة باسترجاع المعلومات، يمكن استخدام متوسط تشابه المريض مع حالات مصابة سابقة كمقياس لخطورة الحالة. تدريب نموذج تقويم فوق إخراج النظام: عند وجود مخرجات مصنفة (مثل "منخفض"، "متوسط"، "مرتفع")، يمكن تدريب نموذج صغير لتحويلها إلى قيم مستمرة مُقابلة للخطورة الحقيقية. تغيير معاملات النظام بشكل متدرج: إذا كان النظام يسمح بضبط معلمات مثل الحذر أو التهور، فيمكن تغييرها وتسجيل أداء النموذج عند كل مستوى، لبناء منحنى ROC تقريبي. النتيجة: تُمكّن هذه الطرق من تقييم الأنظمة العاملة باستخدام نفس المعايير المتعارف عليها (مثل AUC)، مما يُسهم في مقارنة فعّالة مع النماذج التقليدية، وضمان أن الابتكار لا يُقاس بسهولة، بل بجودة أداء مُقاسة بصرامة. في عصر الذكاء الاصطناعي العامل، لا يكفي أن يُقدّم النظام قرارًا؛ بل يجب أن يُقاس تأثيره بمعيار معياري، وAUC يظل أحد أقوى الأدوات المتاحة لضمان ذلك.