كيف تقوم الذكاء الاصطناعي القائم على السبب بناء نماذج يمكنها التفكير، وليس فقط التفاعل

لعدة عقود، برعت الذكاء الاصطناعي في اكتشاف الأنماط في البيانات. يمكن أن تنبئ نماذج التعلم الآلي بسلوك العملاء أو اتجاهات السوق أو مخاطر صحية بدقة عالية. لكن هذه الأنظمة غالبًا ما تفشل في تفسير سبب حدوث الأحداث. إنها تعتمد على الارتباطات، والتي لا يمكنها التمييز بين الأسباب الحقيقية والصدفة. هذا القصور يبقي الذكاء الاصطناعي استجابيًا، غير قادر على التكيف عند تغيير الظروف أو التفكير في التدخلات. الذكاء الاصطناعي القائم على السبب يعالج هذا الفجوة. إنه يسمح للأجهزة بالفهم السببي والأثر، وهو أمر ضروري لامتلاك قدرات التفكير الحقيقية. هذه القدرة تسمح للنظم بمحاكاة سيناريوهات “ماذا لو” وتقييم السيناريوهات البديلة وتقديم قرارات يمكن تفسيرها. مع demande المنظمات لمزيد من موثوقية الذكاء الاصطناعي، تتزايد شعبية الأساليب القائمة على السبب عبر الصناعات.

فخ الارتباط

تعمل التعلم الآلي التقليدية عن طريق العثور على الروابط الإحصائية في البيانات. إذا تعافى المرضى الذين يأخذون دواء معين بسرعة، يتعلم الخوارزمية هذه العلاقة. في حين أن هذا النهج حقق تقدمًا رائعًا في التعرف على الصور والترجمة اللغوية وأنظمة التوصية، إلا أنه له عيب قاتل. إنه لا يستطيع التمييز بين السبب والصدفة. هذه العجز يخلق نقطة عمياء خطيرة حول كيفية عمل الآلية الأساسية في الواقع. على سبيل المثال، خوارزمية شائعة مصممة لتحديد المرضى الذين يحتاجون إلى رعاية إضافية تعلمت أن إنفاق الرعاية الصحية يتنبأ بالحاجة الطبية. ومع ذلك، عندما تم تحليل بيانات 200 مليون أمريكي، وجد أن هذا الارتباط تجاهل التحيزات النظامية. إنفاق الرعاية الصحية على الأمريكيين من أصل أفريقي أقل من الأمريكيين البيض الذين يعانون من حالات مشابهة بسبب عوامل نظامية. الخوارزمية، التي كانت عمياء لهذا العامل، أقلت من حاجة الرعاية للمرضى السود. تحدث فشلات مماثلة في مجالات أخرى. في نظام العدالة الجنائية، ارتبط خوارزمية COMPAS العرق ب خطر العودة إلى الجريمة، مما أدى إلى أحكام مشوهة. في الزراعة، قد يرتبط الذكاء الاصطناعي بين رطوبة التربة وأيام الحر، وينصح بعدم الري خلال موجة حر، وهو اقتراح مدمر. في الرعاية الصحية، قد تتعلم أنظمة الذكاء الاصطناعي أن المرضى الذين يعانون من الربو يتعافون بشكل أسرع إذا كان لديهم أيضًا الالتهاب الرئوي. ومع ذلك، هذا النمط يغفل عن السبب الذي يتلقى هؤلاء المرضى علاجًا أكثر شدة لأنهم يعتبرون في خطر عالي، وليس لأن الربو يساعدهم في التعافي.

سلم بيرل للسببية

جوديا بيرل، رائد الاستدلال القائم على السبب الحاصل على جائزة تURING، أطر الذكاء الاصطناعي القائم على السبب من خلال سلم السببية. يحدد هذا السلم ثلاثة مستويات من التفكير متميزة. الدرج الأول هو الارتباط. هذا هو المكان الذي تعمل فيه الذكاء الاصطناعي التقليدية عن طريق ملاحظة الأنماط أو الارتباطات من البيانات. إنه يجيب على أسئلة مثل “ما هي الأعراض المرتبطة بالمرض؟” الدرج الثاني هو التدخل. إنه يسأل، “ماذا يحدث إذا فعلت X؟” هذا يتطلب فهم كيف يؤثر تغيير متغير واحد بشكل نشط على المتغيرات الأخرى. إنه الفرق بين ملاحظة أن العملاء الذين يتلقون رسائل بريدية يشترون أكثر واعتمادًا على ما إذا كان البريد الإلكتروني تسبب في الشراء. الدرج الأعلى هو الاستدلال البديل. إنه يتضمن سؤال “ماذا كان سيحدث لو فعلت شيئًا مختلفًا؟” هذا يتطلب تخيل سيناريوهات بديلة وهو أمر ضروري للمساءلة والتعلم، مثل تحديد ما إذا كان علاجًا مختلفًا كان سيخلص مريضًا. يعمل الذكاء الاصطناعي القائم على السبب عبر جميع الدرجات الثلاث. إنه يبني نماذج تمثل ليس فقط الأنماط في البيانات، ولكن الآليات السببية الكامنة التي تولد هذه الأنماط.

كيف يبني الذكاء الاصطناعي القائم على السبب نماذج يمكنها التفكير

التنفيذ العملي للذكاء الاصطناعي القائم على السبب يتضمن ثلاثة مكونات رئيسية:

النماذج السببية الهيكلية (SCMs): تعتمد هذه النماذج على المعادلات لوصف الآليات السببية التي تولد البيانات. هذا النهج يسمح للذكاء الاصطناعي بنمذجة عملية توليد البيانات الأساسية بدلاً من تعلم الأنماط السطحية.

الرسوم التوجيهية الدورية (DAGs): هذه التمثيلات البصرية تستخدم العقد والسهام لتحديد افتراضات سببية بشكل صريح. إنها تساعد الخبراء في تحديد المتغيرات المضطربة واعتماد منطق النموذج.

حساب “فعل”: هذا المشغل الرياضي، الذي طوّره بيرل، يميز بشكل رسمي بين ملاحظة P (Y|X) وتدخل P (Y| فعل(X)). إنه يوفر الآلة للاجابة على أسئلة “ماذا لو” باستخدام البيانات.

يسمح هذا الإطار للنظم الذكية بالمحاكاة قبل حدوثها والتفكير في الاحتمالات. إنه يعيد تعريف الذكاء الاصطناعي من أداة تراقب العالم إلى أداة تساعدنا على فهمه.

تطور الأدوات

تطور أدوات البرمجيات المتاحة أيضًا يلعب دورًا حيويًا في تسريع الذكاء الاصطناعي القائم على السبب. إطار DoWhy من مايكروسوفت هو مكتبة بايثون مفتوحة المصدر تنفذ عملية من أربعة خطوات تضم أدوات لنمذجة العلاقات السببية وتحديد التأثير السببي وتقدير التأثير ورفض الفرضيات لاختبار المتانة. هذا النهج المنظم يعالج تحديًا رئيسيًا: قد يفترض باحثون مختلفون افتراضات سببية مختلفة. يساعد DoWhy في تحديد هذه الافتراضات من خلال الرسوم التوجيهية السببية ويوفر أدوات لاختبار حساسية الاستنتاجات.

يمكن ملاحظة نضج الذكاء الاصطناعي القائم على السبب من نموه السريع في السوق. يتنبأ المحللون بأن سوق الذكاء الاصطناعي القائم على السبب سينمو من حوالي 63 مليون دولار في عام 2025 إلى أكثر من 1.6 مليار دولار بحلول عام 2035، بمعدل نمو سنوي مركب يزيد عن 38٪. هذا النمو مدفوع بالاعتراف بأن فهم السبب والنتيجة يوفر ميزة تنافسية. الطلب المتزايد على الذكاء الاصطناعي القابل للشرح (XAI)也是 محفز رئيسي. تشترط اللوائح مثل قانون الذكاء الاصطناعي في الاتحاد الأوروبي تفسيرات شفافة للقرارات. النماذج السببية توفر ذلك بشكل طبيعي من خلال وصف القرار لا فقط، ولكن أيضًا لماذا تم اتخاذه، من خلال مسارات سببية واضحة.

المزايا الرئيسية: المتانة والثقة

من أهم مزايا الذكاء الاصطناعي القائم على السبب متانته تجاه الظروف المتغيرة. عندما تتغير البيئة من التدريب إلى النشر، غالبًا ما تفشل النماذج التقليدية بشكل كارثي لأن الارتباطات المكتسبة تتحلل. نموذج يعتمد على الارتباط للعائد المحصولي قد يتعلم أن الرطوبة العالية في التربة تتنبأ بالعائدات العالية. لكن إذا كان هذا الارتباط مشوشًا بممارسات الري في بيانات التدريب، فإن النموذج يفشل عند نشره في منطقة جديدة.

النماذج السببية مختلفة. من خلال تعلم الآليات الكامنة، تحدد العلاقات المستقرة التي تظل عبر البيئات. إنها تفهم لماذا تهمنا الرطوبة، وليس فقط أنها ترتبط بالعائدات. تظهر الأبحاث أن النماذج السببية تحتفظ بالأداء على مجموعات بيانات ذات توزيعات متغيرة، في حين يمكن أن يرى النماذج التقليدية انخفاضًا في الدقة يزيد عن 20 نقطة مئوية.

علاوة على ذلك، يعالج الذكاء الاصطناعي القائم على السبب مشكلة الصندوق الأسود. على عكس الشبكات العصبية غير الشفافة، توفر الرسوم التوجيهية السببية والمسارات تفسيرات واضحة: “تغيير X يسبب Y من خلال Z”. هذه القدرة حاسمة لتنفيذ الذكاء الاصطناعي في مجالات عالية المخاطر، وهي متطلبة الآن محددة في اللوائح مثل قانون الذكاء الاصطناعي في الاتحاد الأوروبي. يساعد الذكاء الاصطناعي القائم على السبب أيضًا في التخفيف من الانحياز من خلال فصل الارتباطات الزائفة (مثل العرق والنتائج) عن الأسباب التمييزية.

التأثير الواقعي عبر الصناعات

الانتقال إلى التفكير السببي يولد بالفعل قيمة عبر الصناعات. في الرعاية الصحية، يستخدم كايزر بيرمانينتي الذكاء الاصطناعي القائم على السبب لتحديد الأسباب الكامنة لإعادة دخول المرضى، مما يسمح بالتدخلات المستهدفة مثل تذكيرات الوصفات الطبية المخصصة التي تحسنت بشكل كبير من معدلات الامتثال. في الصناعة الدوائية، تستخدم الشركات الذكاء الاصطناعي القائم على السبب لتحديد الأهداف الجزيئية التي تسبب في الواقع تقدم المرض، وليس فقط تلك المرتبطة به. هذا يسرع اكتشاف الأدوية من خلال محاكاة التدخلات قبل التجارب السريرية المكلفة. في التصنيع، تقوم النماذج السببية بتحليل الأسباب الجذرية للخطوط الإنتاجية. عندما تنخفض الجودة، تتبع النظام ما إذا كان السبب كائنًا في إعدادات الآلة أو عيوب المواد أو العمليات التي تسبقها، مما يوفر للمهندسين رؤى قابلة للتنفيذ. في التمويل، تستخدم البنوك الاستدلال السببي لفهم السائقين الحقيقيين لافتراض الائتمان، وليس فقط الارتباطات. هذا يسمح لهم بتصميم التدخلات مثل جداول الدفع المعدلة التي تعالج الأسباب الجذرية للضائقة المالية.

المركبات ذاتية القيادة هي واحدة من التطبيقات الأكثر صعوبة للذكاء الاصطناعي القائم على السبب. في حين أن الأنظمة القائمة على الارتباط يمكنها التعرف على المشاة، يمكن للنماذج السببية استنتاج لماذا قد يعبرون الشارع، أو يطاردون كرة، أو يتجنبون عقبة. هذا الفهم للنية والسببية ضروري للتنقل الآمن في البيئات الديناميكية.

الخلاصة

عصر الذكاء الاصطناعي الذي يعتمد على الارتباط ينتهي. من خلال بناء نماذج تفهم لماذا تحدث الأشياء، يوفر الذكاء الاصطناعي القائم على السبب القدرة على التفكير اللازم لتحليل “ماذا لو” الموثوق، والمتانة ضد الظروف المتغيرة، والقابلية للتفسير التي يطالب بها الأعمال الحديثة واللوائح.