Accuracy

تُعدّ الدقة معيارًا أساسيًا لتقييم أنظمة الذكاء الاصطناعي، إذ تقيس نسبة التنبؤات الصحيحة التي يصدرها النموذج إلى إجمالي عدد التنبؤات. وفي سياق التعلم الآلي، وتحديدًا التعلّم الخاضع للإشراف، يقدم هذا المقياس لمحة عامة عن مدى توافق الخوارزمية مع القيم المرجعية الصحيحة المقدمة خلال عملية التدريب. ومع أن الدقة أبسط مقاييس الأداء وأكثرها حدسية—إذ تجيب عن السؤال المباشر: «كم مرة تكون إجابة النموذج صحيحة؟»—فإنها تُعد مؤشرًا أوليًا على موثوقية النظام قبل أن يتعمق المطورون في مقاييس أكثر تفصيلًا.

دقة تقييم الأداء والفروق الدقيقة فيها#

على الرغم من أن الدقة نقطة انطلاق ممتازة، فإنها تكون أكثر فاعلية عند تطبيقها على بيانات تدريب متوازنة تُمثَّل فيها جميع الفئات بالتساوي. فعلى سبيل المثال، في مهمة تصنيف الصور القياسية للتمييز بين القطط والكلاب، إذا احتوت مجموعة البيانات على 500 صورة لكل فئة، كانت الدقة مقياسًا موثوقًا. لكن التحديات تظهر مع مجموعات البيانات غير المتوازنة، ما يؤدي إلى «مفارقة الدقة».

إذا دُرّب نموذج على كشف الاحتيال حيث لا تتجاوز المعاملات الاحتيالية 1%، فسيحقق نموذج يتنبأ بأن كل معاملة «سليمة» دقة تبلغ 99%، مع إخفاقه الكامل في المهمة المطلوبة منه. وللتخفيف من ذلك، غالبًا ما يستخدم المهندسون منصة Ultralytics لتصور توزيع مجموعة البيانات وضمان عدم اكتفاء النماذج بحفظ الفئة الأكبر.

التمييز بين الدقة والمصطلحات ذات الصلة#

لفهم أداء النموذج فهمًا كاملًا، من الضروري التمييز بين الدقة والمقاييس المشابهة:

• الإحكام: يقيس هذا المقياس جودة التنبؤات الإيجابية. ويطرح السؤال: «من بين جميع الحالات التي صُنّفت على أنها إيجابية، كم حالة كانت إيجابية بالفعل؟»
• الاستدعاء: يُعرف أيضًا بالحساسية، ويقيس قدرة النموذج على العثور على جميع الحالات ذات الصلة. ويطرح السؤال: «من بين جميع الحالات الإيجابية الفعلية، كم حالة حددها النموذج على نحو صحيح؟»
• درجة F1: هي المتوسط التوافقي للإحكام والاستدعاء، وتوفر درجة واحدة توازن بينهما، ما يجعلها مفيدة بوجه خاص عند تفاوت توزيع الفئات.

بينما تقدم الدقة نظرة عامة على صحة التنبؤات، يوفر الإحكام والاستدعاء رؤى حول أنواع محددة من الأخطاء، مثل الإيجابيات الكاذبة أو السلبيات الكاذبة.

تطبيقات عملية#

تتجاوز فائدة الدقة قطاعات متنوعة، إذ تثبت موثوقية نماذج الرؤية الحاسوبية والنماذج التنبؤية في البيئات الحساسة.

• التشخيص الطبي: في مجال تحليل الصور الطبية، تُستخدم النماذج لتصنيف صور الأشعة السينية أو التصوير بالرنين المغناطيسي. ويعتمد النموذج الذي يصنف الصور على أنها «سليمة» أو «مرضية» على دقة عالية لضمان حصول المرضى على تشخيصات صحيحة. وتعتمد الابتكارات في الذكاء الاصطناعي في الرعاية الصحية اعتمادًا كبيرًا على التحقق الدقيق لتقليل الأخطاء الآلية.
• مراقبة الجودة في التصنيع: تستخدم الأنظمة الآلية في التصنيع الذكي الفحص البصري لتحديد العيوب على خطوط التجميع. وتضمن الدقة العالية شحن المنتجات الخالية من العيوب فقط، ما يقلل الهدر وتكاليف الضمان. ومن خلال استخدام اكتشاف الكائنات لرصد العيوب، تحافظ المصانع على معايير الإنتاج تلقائيًا.

قياس الدقة في الشيفرة#

في التطبيقات العملية باستخدام Python، يستطيع المطورون قياس دقة النموذج بسهولة باستخدام المكتبات المعتمدة. ويوضح المثال التالي كيفية التحقق من صحة نموذج تصنيف YOLO26 للحصول على دقته من النوع top-1. وتشير دقة top-1 إلى معدل تطابق التنبؤ الأعلى احتمالًا للنموذج مع التصنيف الصحيح.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Validate the model on a standard dataset (e.g., MNIST)
metrics = model.val(data="mnist")

# Print the Top-1 Accuracy
print(f"Top-1 Accuracy: {metrics.top1:.4f}")

استراتيجيات التحسين#

عندما يعاني النموذج من انخفاض الدقة، يمكن استخدام عدة تقنيات لتحسين الأداء. وغالبًا ما يستخدم المهندسون زيادة البيانات لزيادة تنوع مجموعة التدريب اصطناعيًا، ومنع النموذج من فرط التكيّف. وإضافة إلى ذلك، يمكن أن يؤثر ضبط المعلمات الفائقة — أي تعديل إعدادات مثل معدل التعلّم — تأثيرًا كبيرًا في التقارب. وفي المهام المعقدة، يتيح التعلّم بالنقل للنموذج الاستفادة من المعرفة المكتسبة من مجموعة بيانات كبيرة مدرّب عليها مسبقًا (مثل ImageNet) لتحقيق دقة أعلى على مجموعة بيانات أصغر ومحددة.