شبكة بايزية

شبكة بايز، والمعروفة أيضًا باسم شبكة بايز أو شبكة الاعتقاد، هي نوع من النماذج البيانية الاحتمالية التي تمثل مجموعة من المتغيرات وتبعياتها الشرطية باستخدام رسم بياني متسلسل موجه (DAG). وهي أداة قوية في التعلم الآلي والذكاء الاصطناعي (AI) لنمذجة عدم اليقين والاستدلال على السببية. على عكس العديد من نماذج التعلّم العميق التي يمكن أن تعمل كـ"صناديق سوداء"، تقدم شبكات بايزي طريقة شفافة وقابلة للتفسير لفهم كيفية تأثير العوامل المختلفة على بعضها البعض. وهي مبنية على مبادئ نظرية بايز وهي حجر الزاوية في مجال الذكاء الاصطناعي الإحصائي.

كيف تعمل شبكات بايزية

يتكون جوهر شبكة بايزية من مكونين رئيسيين:

• العقد: تمثل كل عقدة متغيرًا عشوائيًا، والذي يمكن أن يكون حدثًا يمكن ملاحظته أو فرضية أو سمة مجهولة.
• الحواف الموجهة: تمثل الأسهم أو الحواف الموجهة التي تربط بين العقد التبعيات الشرطية بينها. يشير السهم من العقدة (أ) إلى العقدة (ب) إلى أن للعقدة (أ) تأثير مباشر على العقدة (ب).

تلتقط بنية الرسم البياني بصريًا العلاقات السببية بين المتغيرات، مما يجعله نموذجًا بديهيًا للخبراء البشريين لبناء والتحقق من صحته. على سبيل المثال، يمكن لشبكة بسيطة أن تمثل العلاقة بين "المطر" (عقدة أصلية) و"العشب الرطب" (عقدة فرعية). يزيد وجود المطر مباشرةً من احتمال أن يكون العشب رطباً. يمكن أن تشير العقدة الأم الأخرى، "تشغيل الرشاش"، أيضًا إلى "العشب الرطب"، مما يدل على أن كلا العاملين يمكن أن يسبب هذه النتيجة.

التطبيقات الواقعية

تتفوق شبكات بايزي في المجالات التي يكون فيها فهم العلاقات الاحتمالية أمرًا أساسيًا. فيما يلي مثالان بارزان:

1. التشخيص الطبي: في الطب، ينطوي تشخيص المرض في الطب على الموازنة بين عدة عوامل غير مؤكدة. يمكن لشبكة بايزية نمذجة العلاقات بين الأمراض والأعراض. على سبيل المثال، يمكن أن تمثل العقد الأمراض (مثل الإنفلونزا أو نزلات البرد الشائعة) والأعراض (مثل الحمى والسعال والصداع). وبناءً على وجود أو عدم وجود أعراض معينة، يمكن للشبكة حساب احتمال إصابة المريض بمرض معين. يُستخدم هذا النهج في أنظمة تحليل الصور الطبية ودعم التشخيص، مما يساعد الأطباء على اتخاذ قرارات أكثر استنارة. يمكن الاطلاع على لمحة عامة عن هذا التطبيق في الأبحاث المتعلقة بأنظمة دعم القرارات السريرية.
2. تصفية البريد الإلكتروني غير المرغوب فيه: مرشحات بايزية هي مثال كلاسيكي على فائدتها العملية. تتعلم الشبكة احتمالية ظهور كلمات أو عبارات معينة في رسائل البريد الإلكتروني غير المرغوب فيها مقابل رسائل البريد الإلكتروني غير المرغوب فيها (غير المرغوب فيها). تمثل العقد وجود كلمات رئيسية محددة (على سبيل المثال، "فياجرا"، "مجاني"، "فائز")، وتؤثر هذه العقد على احتمالية العقدة النهائية، "هل هي رسائل غير مرغوب فيها". عند وصول بريد إلكتروني جديد، يستخدم المرشح الأدلة من محتواه لحساب احتمال أن يكون بريدًا غير مرغوب فيه، وهي تقنية مفصلة في الأبحاث حول اكتشاف الرسائل غير المرغوب فيها.

شبكات بايزي مقابل النماذج الأخرى

من المفيد تمييز شبكات بايزي عن النماذج الأخرى ذات الصلة:

• مصنف بايز الساذج: نموذج باييز الساذج هو نوع مبسط للغاية من شبكات باييز. وهو يتكون من عقدة أصلية واحدة (تسمية الفئة) والعديد من العقد الفرعية (السمات). افتراضها "الساذج" هو أن جميع الميزات مستقلة شرطيًا عن بعضها البعض، بالنظر إلى الفئة. تعتبر شبكات بايزي أكثر عمومية ويمكنها تمثيل التبعيات المعقدة حيث لا تكون الميزات مستقلة، مما يوفر نموذجًا أكثر واقعية للعالم.
• الشبكات العصبية (NNs): بينما يُستخدم كلاهما في الذكاء الاصطناعي، إلا أنهما يخدمان أغراضًا مختلفة. تتفوق الشبكات العصبية، بما في ذلك البنى المعقدة مثل الشبكات العصبية التلافيفية (CNNs) المستخدمة في نماذج Ultralytics YOLO، في تعلم الأنماط المعقدة من كميات هائلة من البيانات الأولية لمهام مثل تصنيف الصور واكتشاف الأشياء. وهي أجهزة تقريب دالة قوية ولكنها غالباً ما تفتقر إلى قابلية التفسير. في المقابل، شبكات بايزي هي نماذج احتمالية صريحة تتفوق في التعامل مع عدم اليقين وتمثيل العلاقات السببية بطريقة شفافة، وهو مفهوم ابتكره جودا بيرل الحائز على جائزة تورينغ. وهي مفيدة بشكل خاص عندما تكون البيانات شحيحة أو عندما تكون هناك حاجة إلى دمج معرفة الخبراء في النموذج.

الأدوات والموارد

تسهل العديد من مكتبات البرمجيات إنشاء واستخدام شبكات بايزي:

• pgmpy: مكتبة بايثون الشهيرة للعمل مع النماذج البيانية الاحتمالية.
• احتمالية تينسورفلو: امتداد ل TensorFlow يوفر أدوات للاستدلال الاحتمالي، بما في ذلك شبكات بايزي.
• PyTorch: على الرغم من عدم وجود مكتبة BN مخصصة في الأساس، إلا أنه يمكن استخدام مكتبات البرمجة الاحتمالية المبنية على PyTorch مثل Pyro.
• صندوق أدوات بايز نت لماتلاب: صندوق أدوات يستخدم على نطاق واسع في المجتمع الأكاديمي.

يمكن أن تساعد منصات مثل Ultralytics HUB في إدارة دورة حياة مشروع الذكاء الاصطناعي الأوسع، حتى لو كان النموذج الأساسي عبارة عن شبكة بايزي تم تطويرها باستخدام أدوات متخصصة. يوفر فهم شبكات بايزيان مهارات قيّمة لمعالجة المشاكل التي تنطوي على عدم اليقين والاستدلال السببي في مجال التعلم الآلي الأوسع نطاقاً. استكشف وثائق Ultralytics لمعرفة المزيد عن نماذج وتطبيقات الذكاء الاصطناعي.