الدرس 4 — الاحتمالات
النموذج لا يعطي أجوبة، بل درجات ثقة. وهذا الدرس يعلّمك قراءتها، وهي مهارة تفصل بين استخدام سليم واستخدام يورّط صاحبه.
ما تعنيه درجة 0.83 فعلاً
عندما يعيد نموذج «احتيال باحتمال 0.83»، فالمعنى ليس أنّه متأكّد بنسبة 83 %. المعنى المقصود هو: من بين كلّ الحالات التي أعطيتها هذه الدرجة، نحو 83 % منها احتيال فعلاً.
هذا التعريف يقتضي شرطاً غير مضمون تلقائياً، وهو المعايرة (calibration): أن تتطابق الدرجات المعلَنة مع الترددات الواقعية. ونماذج كثيرة غير معايرة: شبكة عميقة تُخرج غالباً درجات متطرّفة (0.99 أو 0.01) أكثر ممّا يبرّره الواقع، أي أنّها واثقة أكثر ممّا تستحقّ.
إذا استخدمت درجة غير معايرة في قرار مالي — مثل تحديد قيمة مخاطرة بناءً على الاحتمال — فأنت تحسب على رقم لا يعني ما تظنّه. تُفحص المعايرة برسم بياني يقارن الدرجة المعلَنة بالتردّد الحقيقي، وتُصحَّح بتقنيات معروفة.
التوزيع: شكل التنوّع في البيانات
التوزيع يصف كيف تتوزّع القيم: أيّها شائع وأيّها نادر.
- الطبيعي (الجرسي): القيم تتكدّس حول متوسّط بتماثل. الطول والوزن وأخطاء القياس. مفيد، ومُفترض أكثر ممّا ينبغي.
- المنحرف (skewed): ذيل طويل في جهة. الدخل، وأسعار العقارات، ومدّة الجلسات. المتوسّط هنا مضلِّل والوسيط أصدق.
- الثنائي النمط: قمّتان، وهو غالباً علامة على أنّ بياناتك تخلط مجموعتين مختلفتين ينبغي فصلهما.
المتوسّط يقول أين المركز، والتباين (أو الانحراف المعياري) يقول كم الانتشار. والمقياسان معاً ضروريان: متوسّطان متطابقان بتباينين مختلفين وضعان مختلفان تماماً.
كثير من الخوارزميات تعمل أفضل حين تكون السمات على مقياس متقارب، ولهذا نقيّس البيانات. وبعضها يفترض توزيعاً معيّناً. وفهم شكل توزيع سمة قبل التدريب يوفّر جلسات تصحيح كاملة.
الاحتمال الشرطي وبديهة بايز
الاحتمال الشرطي هو احتمال شيء بعد معرفة شيء آخر. وكلّ تنبّؤ في تعلّم الآلة احتمال شرطي: احتمال الاحتيال بمعرفة سمات المعاملة.
بديهة بايز تصحّح خطأً بشرياً شائعاً: الخلط بين «احتمال الإشارة عند وجود المرض» و«احتمال المرض عند وجود الإشارة». وهذان مختلفان جدّاً إذا كان المرض نادراً.
المثال الكلاسيكي، ويستحقّ التوقّف: اختبار دقّته 99 % لمرض يصيب شخصاً من كلّ عشرة آلاف. إذا كانت نتيجتك موجبة، فاحتمال أنّك مريض ليس 99 %، بل نحو 1 %. السبب: عدد الأصحّاء هائل، فحتى نسبة خطأ صغيرة (1 %) تنتج مئة نتيجة موجبة كاذبة مقابل حالة حقيقية واحدة.
هذا ليس تمريناً نظرياً. هو بالضبط ما يحدث في كشف الاحتيال، وتشخيص الأمراض النادرة، وأنظمة التنبيه الأمني: حين تكون الحالة نادرة، تغرق الإ يجابيات الكاذبة الإيجابيات الحقيقية.
المقاييس: حين تكون الدقّة كذباً
من الفكرة السابقة تنبع أهمّ نتيجة عملية في هذا الدرس.
خُذ مجموعة معاملات فيها 1 % احتيال. نموذج يقول «ليس احتيالاً» في كلّ الحالات يحقّق دقّة 99 % وقيمته صفر. الدقّة (accuracy) وحدها عديمة النفع على البيانات غير المتوازنة، وهي حالة معظم المسائل المهمّة.
المقاييس التي تُستخدم فعلاً:
| المقياس | ما يقيسه | متى يهمّ أكثر |
|---|---|---|
| الإحكام (precision) | من بين ما أشرت إليه، كم كان صحيحاً | حين تكون الإشارة الكاذبة مكلفة (إزعاج العملاء) |
| الاستدعاء (recall) | من بين الحالات الحقيقية، كم أمسكت | حين يكون الفوات مكلفاً (كشف مرض) |
| F1 | توازن بين الاثنين | حين تريد رقماً واحداً موجزاً |
| AUC | جودة الترتيب بمعزل عن الحدّ | لمقارنة النماذج قبل اختيار حدّ القرار |
| مصفوفة الالتباس | التفصيل الكامل للأخطاء | دائماً، قبل أيّ رقم مختصر |
والمبادلة بين الإحكام والاستدعاء لا مهرب منها: خفض حدّ القرار يمسك حالات أكثر ويضيف إشارات كاذبة، ورفعه يفعل العكس. واختيار الحدّ قرار عملي لا تقني: كم يكلّف الفوات، وكم يكلّف الإنذار الكاذب؟
اسأل: ما هو الخطأ الذي يؤلم أكثر؟ إذا كان تفويت حالة حقيقية، فحسّن الاستدعاء. وإذا كان الإنذار الكاذب، فحسّن الإحكام. ومن لا يجيب هذا السؤال يُحسّن رقماً لا معنى له.
العيّنة والتمثيل
آخر فكرة، وهي أكثر الأفكار التي تُهدم عليها المشاريع.
النموذج يتعلّم من عيّنة، ويُستخدَم على العالم. وإذا لم تكن العيّنة ممثِّلة للعالم الذي سيعمل فيه، فالنموذج خاطئ بنيوياً — وهو لن ينبّهك.
أمثلة واقعية متكرّرة: نموذج طبّي دُرِّب في مستشفى جامعي ثم استُخدم في عيادة ريفية بتركيبة مرضى مختلفة. ونموذج توظيف دُرِّب على متقدّمين سابقين، وهم ليسوا كلّ السكّان بل من اجتاز مرشِّحاً سابقاً. ونموذج صور دُرِّب على صور نهارية واستُخدم ليلاً.
هذه المشكلة ليست إحصائية فقط بل أخلاقية أيضاً، ودورة أخلاقيات الذكاء الاصطناعي تعالجها من هذه الجهة.
في ثلاث جمل
درجة الثقة تعني تردّداً واقعياً، وهذا يقتضي معايرة لا تتحقّق تلقائياً، خصوصاً في الشبكات العميقة التي تبالغ في ثقتها. وبديهة بايز تفسّر لماذا تغرق الإيجابيات الكاذبة الحالات الحقيقية عندما يكون الحدث نادراً، ومن هنا تكون الدقّة وحدها مقياساً كاذباً على البيانات غير المتوازنة. والعيّنة غير الممثِّلة تُبطل النموذج بنيوياً من دون أن يظهر ذلك في أيّ رقم.
التالي — الدرس 5: قراءة الرموز ←