تعريف الذكاء الاصطناعي باستخدام الصيغ البولية التعبيرية

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 “ال盒ة السوداء” 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 يتم إ.renderingها عديمة الفائدة بغض النظر عن فعاليتها العامة.

لمواجهة هذا المأزق، قام فريقنا في مركز فيديليتي للتكنولوجيا التطبيقية (FCAT) — بالتعاون مع مختبر حلول الكموم الأمازون — بالطرح وتنفيذ نموذج تعلم آلي قابل للفهم لتعريف الذكاء الاصطناعي (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 الأشجار القرارية – يمكن أن تصبح عميقة وصعبة الفهم، وبالتالي الحاجة إلى العثور على قاعدة تعبيرية منخفضة التعقيد ولكن دقيقة عالية كانت مشكلة تحسين غير قابلة للتسوية. بالإضافة إلى ذلك، من خلال تبسيط النموذج من خلال هذا النهج المتقدم لتعريف الذكاء الاصطناعي، يمكننا تحقيق فوائد إضافية، مثل كشف الانحيازات التي تهم في سياق الاستخدام الأخلاقي والمسؤول للتعلم الآلي؛ كما يجعل من الصيانة وتحسين النموذج أسهل.

قمنا بالطرح لنهج قائم على الصيغ البولية التعبيرية لأنها تعرف القواعد بالتعقيد (أو القابلية للتفسير) وفقًا لتصنيف البيانات المدخلة. يمكن أن تتضمن هذه الصيغة أي عامل يمكن تطبيقه على متغير بولي واحد أو أكثر (مثل And أو AtLeast)، 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 كأداء شامل.

أيضًا، من خلال تضمين عوامل مثل AtLeast، كنا مدفوعين بالفكرة التي تهدف إلى تلبية الحاجة إلى قوائم تفسيرية عالية، مثل قائمة من الأعراض الطبية التي تشير إلى حالة معينة. من المفترض أن يتم اتخاذ القرار باستخدام قائمة الأعراض هذه بطريقة ت yêu cầu وجود عدد معين من الأعراض للحصول على تشخيص إيجابي. وبالمثل، في مجال المالية، قد تقرر البنك ما إذا كان سيقدم رصيدًا للعميل بناءً على وجود عدد معين من العوامل من قائمة أكبر.

لقد قمنا بتحقيق نموذج تعريف الذكاء الاصطناعي بنجاح، وقمنا بتحديثه على بعض مجموعات البيانات العامة للاستخدامات الائتمانية وسلوك العملاء والظروف الطبية. وجدنا أن نموذجنا يتنافس بشكل عام مع البدائل المعروفة الأخرى. كما وجدنا أن نموذج تعريف الذكاء الاصطناعي يمكن أن يتم تمكينه من خلال الأجهزة المخصصة الخاصة أو الأجهزة الكمومية لحل برامج التعلم الآلي السريع أو برامج التحسين غير المقيدة.

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 مستويات أعلى من الاكتشافات التي يمكن أن تؤدي إلى تحسينات مستقبلية في تطوير المنتجات أو تحسينها، بالإضافة إلى تحسين حملات التسويق.

استنادًا إلى نتائجنا، قدمنا أن تعريف الذكاء الاصطناعي باستخدام الصيغ البولية التعبيرية هو مناسب ومطلوب للcases التي تتطلب تفسيرًا إضافيًا. بالإضافة إلى ذلك، مع استمرار تطور الحوسبة الكمومية، نتوقع الفرصة لتحقيق سرعات إضافية 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.