الذكاء الاصطناعي القابل للتفسير باستخدام صيغ بولية ذات قدرة تعبيرية عالية

انفجار الذكاء الاصطناعي وتطبيقات التعلم الآلي يمتد إلى معظم الصناعات والجوانب الحياتية.

ولكن نموه لا يأتي بدون تناقض. في حين أن الذكاء الاصطناعي موجود لتبسيط وتسريع اتخاذ القرارات أو عمليات العمل، فإن المنهجية لتحقيق ذلك غالبًا ما تكون معقدة للغاية. في الواقع، بعض خوارزميات التعلم الآلي “الصندوق الأسود” معقدة ومتعددة الجوانب لدرجة أنها يمكن أن تتعارض مع الشرح البسيط، حتى من قبل علماء الحاسوب الذين أنشأوها.

يمكن أن يكون ذلك مشكلة كبيرة عندما تكون بعض الحالات – مثل في مجالات المالية والطب – محددة بممارسات أفضل في الصناعة أو لوائح حكومية تتطلب توضيحات شفافة حول آليات حلول الذكاء الاصطناعي. وإذا لم تكن هذه التطبيقات تعبيرية بدرجة كافية لتلبية متطلبات القابلية للشرح، فقد تصبح غير قابلة للاستخدام بغض النظر عن فعاليتها العامة.

لمواجهة هذا المأزق، قام فريقنا في مركز فيديليتي للتكنولوجيا التطبيقية (FCAT) — بالتعاون مع مختبر أمازون للحلول الكمومية — باقتراح وتنفيذ نموذج تعلم آلي قابل للفهم للذكاء الاصطناعي القابل للتفسير (XAI) باستخدام صيغ بولية تعبيرية. يمكن أن يتضمن هذا النهج أي عامل يمكن تطبيقه على متغير بولي واحد أو أكثر، وبالتالي تقديم تعبيرية أعلى مقارنة بالمناهج القائمة على القواعد والأشجار الصلبة.

يمكنك قراءة الورقة الكاملة هنا للحصول على تفاصيل شاملة حول هذا المشروع.

كانت فرضيتنا أن النماذج – مثل أشجار القرار – يمكن أن تصبح عميقة وصعبة الفهم، وبالتالي فإن العثور على قاعدة ذات قدرة تعبيرية عالية وتعقيد منخفض ودقة عالية يمثل مسألة تحسين مستعصية حسابيًا ينبغي حلها. بالإضافة إلى ذلك، من خلال تبسيط النموذج من خلال هذا النهج المتقدم للذكاء الاصطناعي القابل للتفسير، يمكننا تحقيق فوائد إضافية، مثل كشف الانحيازات التي تهم في سياق الاستخدام الأخلاقي والمسؤول للتعلم الآلي؛ كما يجعل من الصيانة وتحسين النموذج أسهل.

اقترحنا نهجًا قائمًا على صيغ بولية ذات قدرة تعبيرية عالية، لأنها تحدد قواعد يمكن ضبط تعقيدها، أو قابليتها للتفسير، وتُصنّف بيانات الإدخال وفقًا لها. يمكن أن تتضمن هذه الصيغة أي عامل يمكن تطبيقه على متغير بولي واحد أو أكثر (مثل And («و») أو AtLeast («على الأقل»))، وبالتالي تقديم تعبيرية أعلى مقارنة بالمناهج القائمة على القواعد والأشجار الصلبة.

في هذه المشكلة لدينا هدفان متنافسان: تعظيم أداء الخوارزمية، وتقليل تعقيداتها. وبالتالي، بدلاً من اتباع النهج المعتاد لتطبيق أحد الطرق التحسينية – دمج عدة أهداف في واحد أو تقييد أحد الأهداف – اخترنا تضمين كلاهما في صياغتنا. وبذلك، وبدون فقدان للعمومية، نستخدم في الغالب دقة متوازنة بوصفها مقياسنا العام للأداء.

أيضًا، من خلال تضمين عوامل مثل AtLeast، كنا مدفوعين بالفكرة التي تهدف إلى تلبية الحاجة إلى قوائم تحقق يسهل تفسيرها بدرجة كبيرة، مثل قائمة من الأعراض الطبية التي تشير إلى حالة معينة. من المفترض أن يتم اتخاذ القرار باستخدام قائمة الأعراض هذه بطريقة تتطلب وجود حد أدنى من الأعراض للحصول على تشخيص إيجابي. وبالمثل، في مجال المالية، قد يقرر البنك ما إذا كان سيمنح العميل ائتمانًا بناءً على وجود عدد معين من العوامل من قائمة أكبر.

نفذنا نموذج الذكاء الاصطناعي القابل للتفسير بنجاح، وقارنّا أداءه باستخدام بعض مجموعات البيانات العامة المتعلقة بالائتمان وسلوك العملاء والحالات الطبية. وجدنا أن نموذجنا يتنافس بشكل عام مع البدائل المعروفة الأخرى. كما وجدنا أن النموذج قد يستفيد من عتاد مخصص أو أجهزة كمومية لحل مسائل البرمجة الخطية بالأعداد الصحيحة (ILP) أو التحسين الثنائي التربيعي غير المقيّد (QUBO) بسرعة. وتقلّل إضافة محلّلات QUBO عدد التكرارات، مما يسرّع الحل عبر اقتراح انتقالات غير محلية بسرعة.

كما هو مذكور، يمكن أن يكون للنماذج القابلة للتفسير باستخدام الصيغ البولية العديد من التطبيقات في مجال الرعاية الصحية وفي مجال فيديليتي المالي (مثل تقييم الائتمان أو تقييم سبب اختيار بعض العملاء لمنتج معين بينما لم يفعل آخرون). من خلال إنشاء هذه القواعد القابلة للتفسير، يمكننا الحصول على رؤى أعمق التي يمكن أن تؤدي إلى تحسينات مستقبلية في تطوير المنتجات أو تحسينها، بالإضافة إلى تحسين حملات التسويق.

استنادًا إلى نتائجنا، خلصنا إلى أن الذكاء الاصطناعي القابل للتفسير باستخدام الصيغ البولية التعبيرية هو مناسب ومطلوب لحالات الاستخدام التي تتطلب تفسيرًا إضافيًا. بالإضافة إلى ذلك، مع استمرار تطور الحوسبة الكمومية، نتوقع الفرصة لتسريع العمليات الحسابية باستخدامها وأجهزة التسريع المخصصة الأخرى.

العمل المستقبلي قد يركز على تطبيق هذه المصنفات على مجموعات بيانات أخرى، أو إدخال عوامل جديدة، أو تطبيق هذه المفاهيم على حالات استخدام أخرى.