Bayesian Network

تعد الشبكة البايزية (Bayesian Network) نوعاً من النماذج الرسومية الاحتمالية التي تستخدم رسماً بيانياً موجهاً لا دورياً (DAG) لتمثيل مجموعة من المتغيرات وتبعياتها الشرطية. وخلافاً لخوارزميات "الصندوق الأسود" التي تقوم ببساطة بربط المدخلات بالمخرجات، تقوم هذه الشبكات بنمذجة علاقات السبب والنتيجة بين العوامل المختلفة بشكل صريح. يسمح هذا الهيكل لعلماء البيانات بإجراء النمذجة التنبؤية والاستدلال في ظل حالة من عدم اليقين، مما يجعلها فعالة للغاية في السيناريوهات التي قد تكون فيها البيانات غير مكتملة أو حيث يلزم دمج معرفة الخبراء في المجال مع الأدلة الإحصائية.

Link to this sectionالمفاهيم الأساسية والأهمية#

في قلب هذه الشبكات توجد مبرهنة بايز، وهي صيغة رياضية تُستخدم لتحديث احتمالات فرضية ما مع توفر المزيد من الأدلة أو المعلومات. في الشبكة البايزية، تمثل العُقد المتغيرات—مثل عرض معين، أو قراءة مستشعر، أو تصنيف—بينما تمثل الحواف (الأسهم) التبعيات الاحتمالية. إذا وجد رابط من العقدة A إلى العقدة B، فهذا يشير إلى أن A لها تأثير مباشر على B. تُعد هذه البنية أمراً بالغ الأهمية لـ الذكاء الاصطناعي القابل للتفسير (XAI) لأنها تتيح للمستخدمين تتبع مسار تفكير النموذج، مما يوفر شفافية يصعب تحقيقها غالباً مع معماريات التعلم العميق المعقدة.

تكتسب هذه النماذج أهمية خاصة في المجالات التي تتطلب تقييماً دقيقاً للمخاطر. من خلال استخدام توزيعات الاحتمال الشرطي، يمكن للشبكة البايزية الإجابة على استفسارات حول حالة متغير معين بالنظر إلى الأدلة المرصودة حول متغيرات أخرى. وتختلف هذه العملية، التي تُسمى غالباً بالاستدلال الاحتمالي، عن تقريب الوظائف الذي تقوم به الشبكات العصبية القياسية.

Link to this sectionتطبيقات العالم الحقيقي#

يتم نشر الشبكات البايزية على نطاق واسع في الصناعات التي تتطلب فيها عملية اتخاذ القرار موازنة عوامل متعددة غير مؤكدة.

1. التشخيص الطبي: في مجال الذكاء الاصطناعي في الرعاية الصحية، تُستخدم هذه الشبكات لدعم أنظمة دعم القرار السريري. قد تقوم الشبكة بنمذجة العلاقات بين الأمراض (المتغيرات الخفية) والأعراض أو نتائج الاختبارات (المتغيرات المرصودة). على سبيل المثال، قد يوفر تحليل الصور الطبية أدلة تُحدث احتمالية تشخيص معين، مما يساعد الأطباء على التعامل مع التاريخ الطبي المعقد للمرضى.

2. تشخيص الأعطال الصناعية: ضمن الذكاء الاصطناعي في التصنيع، تعتبر الشبكات البايزية فعالة في الكشف عن الشذوذ وتحليل الأسباب الجذرية. إذا اكتشف نظام التصنيع الذكي قراءة غير عادية لدرجة الحرارة، يمكن للشبكة حساب الاحتمالية اللاحقة لفشل مكونات الآلة المختلفة، مما يوجه فرق الصيانة بكفاءة.

Link to this sectionالتمييز عن المفاهيم ذات الصلة#

من المهم التمييز بين الشبكات البايزية ونماذج التعلم الآلي والإحصاء الأخرى:

• مصنف بايز الساذج (Naive Bayes Classifier): هذه حالة خاصة ومبسطة من الشبكة البايزية. الافتراض "الساذج" هو أن جميع ميزات التنبؤ مستقلة بشكل متبادل بالنظر إلى متغير الفئة. ورغم كفاءتها الحسابية في مهام مثل تحليل المشاعر، إلا أنها لا تستطيع التقاط التبعيات المعقدة التي يمكن للشبكة البايزية الكاملة التقاطها.
• عملية قرار ماركوف (Markov Decision Process): بينما يستخدم كلاهما هياكل رسومية، تُستخدم عمليات قرار ماركوف (MDPs) بشكل أساسي في التعلم التعزيزي لنمذجة اتخاذ القرار التسلسلي بمرور الوقت، في حين تركز الشبكات البايزية عادةً على العلاقات الاحتمالية بين المتغيرات في لحظة زمنية معينة.
• نماذج التعلم العميق (مثل YOLO): تم تحسين نماذج مثل YOLO26 للمهام الإدراكية عالية الأبعاد مثل اكتشاف الكائنات. فهي تتعلم تمثيلات الميزات المجردة من البيانات الخام (البكسلات). وعلى النقيض من ذلك، فإن الشبكات البايزية أكثر ملاءمة للتفكير عالي المستوى باستخدام متغيرات مهيكلة.

Link to this sectionالمخرجات الاحتمالية في الذكاء الاصطناعي الحديث#

بينما تتعامل الشبكات البايزية مع رسوم بيانية سببية صريحة، تنتج نماذج التعلم العميق الحديثة أيضاً درجات ثقة احتمالية تعكس مدى اليقين. عند استخدام أدوات مثل Ultralytics Platform لتدريب النماذج على مجموعات بيانات مخصصة، يعد فهم هذه الاحتمالات أمراً أساسياً لتفسير أداء النموذج.

يوضح كود Python التالي كيفية الوصول إلى توزيع الاحتمالية (الثقة) لمهمة تصنيف باستخدام نموذج مُدرب مسبقاً. ويوضح هذا كيفية قياس اليقين في سير عمل الاستدلال الحديث.

from ultralytics import YOLO

# Load the YOLO26n-cls classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
# This returns a results object containing probability data
results = model("https://ultralytics.com/images/bus.jpg")

# Iterate through results to display class probability
for result in results:
    # Access the 'probs' attribute for classification probabilities
    top_class_index = result.probs.top1
    confidence = result.probs.top1conf
    print(f"Predicted Class Index: {top_class_index}, Confidence: {confidence:.4f}")