شبكة بايزي

شبكة بايزية هي نوع من النماذج الرسومية الاحتمالية التي تستخدم رسم بياني غير دوري موجه (DAG) لتمثيل مجموعة من المتغيرات وتبعياتها الشرطية. على عكس خوارزميات "الصندوق الأسود" التي تقوم ببساطة بتعيين المدخلات إلى المخرجات، فإن هذه الشبكات تقوم بشكل صريح بنمذجة العلاقات السببية بين العوامل المختلفة. تسمح هذه البنية لعلماء البيانات بإجراء النمذجة التنبؤية والاستدلال في ظل الشك، مما يجعلها فعالة للغاية في السيناريوهات التي قد تكون فيها البيانات غير كاملة أو التي تتطلب الجمع بين المعرفة المتخصصة في المجال والأدلة الإحصائية.

المفاهيم الأساسية وأهميتها

في قلب هذه الشبكات يوجد نظرية بايز، وهي صيغة رياضية تستخدم لتحديث احتمالات فرضية ما مع توفر المزيد من الأدلة أو المعلومات . في شبكة بايزية، تمثل العقد متغيرات — مثل الأعراض، وقراءات أجهزة الاستشعار، أو تصنيف العلامات — بينما تمثل الحواف (الأسهم) التبعيات الاحتمالية. إذا كان هناك رابط من العقدة A إلى العقدة B، فهذا يشير إلى أن A لها تأثير مباشر على B. هذه البنية أمر بالغ الأهمية بالنسبة للذكاء الاصطناعي القابل للتفسير (XAI) لأنها تتيح للمستخدمين تتبع مسار استدلال النموذج، مما يوفر شفافية يصعب تحقيقها في كثير من الأحيان مع بنى التعلم العميق المعقدة .

هذه النماذج ذات صلة خاصة في المجالات التي تتطلب تقييمًا دقيقًا للمخاطر. من خلال استخدام توزيعات الاحتمالات الشرطية، يمكن لشبكة بايزية الإجابة على الاستفسارات حول حالة متغير معين بالنظر إلى الأدلة الملحوظة حول المتغيرات الأخرى. هذه العملية، التي تسمى غالبًا الاستدلال الاحتمالي، تختلف عن تقريب الدالة الذي تقوم به الشبكات العصبية القياسية .

تطبيقات واقعية

تستخدم الشبكات البايزية على نطاق واسع في الصناعات التي يتطلب فيها اتخاذ القرار موازنة عدة عوامل غير مؤكدة .

1. التشخيص الطبي: في مجال الذكاء الاصطناعي في الرعاية الصحية، تُستخدم هذه الشبكات لدعم أنظمة دعم القرارات السريرية. قد تقوم الشبكة بنمذجة العلاقات بين الأمراض (المتغيرات الخفية) والأعراض أو نتائج الاختبارات (المتغيرات الملحوظة). على سبيل المثال، قد يوفر تحليل الصور الطبية أدلة تحدّث احتمالية تشخيص معين، مما يساعد الأطباء على تصفح تاريخ المرضى المعقد.
2. تشخيص الأعطال الصناعية: في مجال الذكاء الاصطناعي في التصنيع، تلعب الشبكات البايزية دوراً أساسياً في الكشف عن الحالات الشاذة وتحليل الأسباب الجذرية. إذا اكتشف نظام تصنيع ذكي قراءة غير عادية لدرجة الحرارة، يمكن للشبكة حساب الاحتمال اللاحق لحدوث عطل في مختلف مكونات الماكينة، مما يوجه فرق الصيانة بكفاءة.

التمييز عن المفاهيم ذات الصلة

من المهم التمييز بين الشبكات البايزية ونماذج الإحصاء والتعلم الآلي الأخرى:

• مصنف بايز الساذج: هذا هو حالة خاصة مبسطة لشبكة بايزية. الافتراض "الساذج" هو أن جميع سمات المتنبئ مستقلة عن بعضها البعض بالنظر إلى متغير الفئة. على الرغم من كفاءته الحسابية في مهام مثل تحليل المشاعر، إلا أنه لا يمكنه التقاط الترابطات المعقدة التي يمكن لشبكة بايزية كاملة التقاطها.
• عملية قرار ماركوف: على الرغم من أن كلاهما يستخدم هياكل بيانية، فإن عمليات اتخاذ القرار الماركوفية تستخدم بشكل أساسي في التعلم المعزز لنمذجة اتخاذ القرارات المتسلسلة بمرور الوقت، في حين تركز الشبكات البايزية عادةً على العلاقات الاحتمالية بين المتغيرات في لحظة معينة من الزمن.
• نماذج التعلم العميق (مثل YOLO): تم تحسين نماذج مثل YOLO26 للمهام الإدراكية عالية الأبعاد مثل اكتشاف الأشياء. وهي تتعلم تمثيلات الميزات المجردة من البيانات الأولية (بكسلات). في المقابل، تعد الشبكات البايزية أكثر ملاءمة للتفكير عالي المستوى باستخدام متغيرات منظمة.

الناتج الاحتمالي في الذكاء الاصطناعي الحديث

بينما تتعامل الشبكات البايزية مع الرسوم البيانية السببية الصريحة، فإن نماذج التعلم العميق الحديثة تنتج أيضًا درجات ثقة احتمالية تعكس اليقين. عند استخدام أدوات مثل Ultralytics لتدريب النماذج على مجموعات بيانات مخصصة ، فإن فهم هذه الاحتمالات هو المفتاح لتفسير أداء النموذج.

يوضح Python التالي كيفية الوصول إلى توزيع الاحتمالات (الثقة) لمهمة التصنيف باستخدام نموذج مدرب مسبقًا. وهذا يوضح 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}")