الثقة

في مجال الذكاء الاصطناعي والتعلم الآلي، درجة الثقة هي مقياس يحدد مستوى اليقين الذي يتمتع به النموذج فيما يتعلق بتنبؤ معين. تتراوح هذه القيمة عادةً بين 0 و 1 (أو 0٪ إلى 100٪) وتمثل الاحتمال المقدر لتوافق ناتج الخوارزمية مع الحقيقة الأساسية. على سبيل المثال، في مهمة الكشف عن الكائنات ، إذا قام النظام منطقة من الصورة على أنها "دراجة" بثقة تبلغ 0.92، فإن ذلك يشير إلى احتمال تقديري بنسبة 92٪ أن التصنيف صحيح. يتم اشتقاق هذه الدرجات من الطبقة النهائية من الشبكة العصبية، والتي غالبًا ما تتم معالجتها من خلال وظيفة تنشيط مثل Softmax للتصنيف متعدد الفئات أو وظيفة Sigmoid للقرارات الثنائية.

دور الثقة في الاستدلال

تعد درجات الثقة مكونًا أساسيًا في سير عمل محرك الاستدلال، حيث تعمل كمرشح لتمييز التنبؤات عالية الجودة عن الضوضاء الخلفية. تتيح عملية التصفية هذه، المعروفة باسم تحديد العتبة، للمطورين ضبط حساسية التطبيق. من خلال تحديد عتبة ثقة دنيا، يمكنك إدارة المفاضلة الحاسمة بين الدقة والاسترجاع. قد detect الحد الأدنى detect الكائنات ولكنه يزيد من خطر النتائج الإيجابية الخاطئة، في حين أن الحد الأعلى يحسن الدقة ولكنه قد يؤدي إلى فقدان حالات دقيقة.

في البنى المتقدمة مثل Ultralytics تعد درجات الثقة ضرورية لتقنيات المعالجة اللاحقة مثل Non-Maximum Suppression (NMS). تستخدم NMS هذه الدرجات لإزالة المربعات المحددة الزائدة التي تتداخل بشكل كبير، مع الاحتفاظ فقط بالكشف ذو الاحتمالية الأعلى. تضمن هذه الخطوة أن يكون الناتج النهائي نظيفًا وجاهزًا للمهام اللاحقة مثل عد الكائنات أو تتبعها.

يوضح Python التالي Python كيفية تصفية التنبؤات حسب الثقة باستخدام ultralytics الحزمة:

from ultralytics import YOLO

# Load the latest YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with a confidence threshold of 0.5 (50%)
# Only detections with a score above this value are returned
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.5)

# Inspect the confidence scores of the detected objects
for box in results[0].boxes:
    print(f"Class: {box.cls}, Confidence: {box.conf.item():.2f}")

تطبيقات واقعية

توفر درجات الثقة طبقة من قابلية التفسير التي لا غنى عنها في جميع الصناعات التي يتم فيها تطبيق الرؤية الحاسوبية (CV). فهي تساعد الأنظمة الآلية على تحديد متى يجب المضي قدماً بشكل مستقل ومتى يجب تشغيل التنبيهات للمراجعة البشرية.

• القيادة الذاتية: في قطاع الذكاء الاصطناعي في السيارات، تعتمد المركبات ذاتية القيادة على مقاييس الثقة لضمان سلامة الركاب. إذا اكتشف نظام الإدراك عقبة بثقة منخفضة، فقد يقارن هذه البيانات مع مستشعرات LiDAR أو الرادار للتحقق من وجود الجسم قبل تنفيذ مناورة طارئة. تساعد هذه التكرار على منع "الفرملة الوهمية" الناجمة عن الظلال أو الوهج.
• التشخيص الطبي: عند الاستفادة من الذكاء الاصطناعي في الرعاية الصحية، تساعد النماذج المهنيين الطبيين من خلال الإشارة إلى الحالات الشاذة المحتملة في بيانات التصوير. قد يسلط نظام مصمم للكشف عن الأورام الضوء على المناطق التي يمكن التشخيص الفوري لها بثقة عالية، بينما يتم تسجيل التنبؤات الأقل ثقة للتحليل الثانوي. يضمن سير العمل هذا الذي يشمل تدخل الإنسان أن الذكاء الاصطناعي يعزز عملية اتخاذ القرارات السريرية دون أن يحل محل حكم الخبراء.
• الأتمتة الصناعية: في التصنيع الذكي، تستخدم الأذرع الروبوتية درجات الثقة للتفاعل مع الأشياء على خطوط التجميع. قد يحاول الروبوت المزود بالرؤيةالاصطناعية الإمساك بمكون ما فقط إذا تجاوزت درجة الثقة في الكشف 90٪، مما يقلل من خطر إتلاف الأجزاء الحساسة بسبب سوء المحاذاة.

التمييز بين الثقة والمصطلحات ذات الصلة

من الضروري التمييز بين الثقة والمقاييس الإحصائية الأخرى المستخدمة في تقييم النموذج.

• الثقة مقابل الدقة: الدقة هي مقياس شامل يصف مدى صحة النموذج في مجموعة البيانات بأكملها (على سبيل المثال، "النموذج دقيق بنسبة 92٪ "). في المقابل، الثقة هي قيمة محلية خاصة بالتنبؤ (على سبيل المثال، "النموذج متأكد بنسبة 92٪ أن هذه الصورة المحددة تحتوي على قطة"). يمكن أن يتمتع النموذج بدقة إجمالية عالية ولكنه لا يزال ينتج ثقة منخفضة في الحالات الحدية.
• الثقة مقابل معايرة الاحتمالية: لا تتوافق درجة الثقة الأولية دائمًا مع احتمالية الصحة الحقيقية. يكون النموذج "معايرًا جيدًا" إذا كانت التنبؤات التي تم إجراؤها بثقة 0.8 صحيحة في حوالي 80٪ من الحالات. غالبًا ما يتم استخدام تقنيات مثل مقياس بلات أو الانحدار المتساوي التوتر لمواءمة الدرجات مع الاحتمالات التجريبية.
• الثقة مقابل الدقة: تقيس الدقة نسبة التحديدات الإيجابية التي كانت صحيحة بالفعل. في حين أن زيادة عتبة الثقة تعزز الدقة بشكل عام، فإنها غالبًا ما تفعل ذلك على حساب الاسترجاع. يجب على المطورين ضبط هذه العتبة بناءً على ما إذا كان تطبيقهم يعطي الأولوية لتقليل عدد الكائنات المفقودة أو تقليل الإنذارات الكاذبة.

تحسين الثقة بالنموذج

إذا كان النموذج ينتج باستمرار ثقة منخفضة للأشياء الصالحة، فهذا غالبًا ما يشير إلى وجود تباين بين بيانات التدريب وبيئة النشر. تشمل الاستراتيجيات للتخفيف من ذلك زيادة البيانات، والتي توسع بشكل مصطنع مجموعة البيانات عن طريق تغيير الإضاءة والدوران والضوضاء. علاوة على ذلك، فإن استخدام Ultralytics لتنفيذ خطوط أنابيب التعلم النشط يسمح للمطورين بسهولة تحديد العينات ذات الثقة المنخفضة، وتوضيحها، وإعادة تدريب النموذج. هذه الدورة التكرارية ضرورية لإنشاء عوامل ذكاء اصطناعي قوية قادرة على العمل بشكل موثوق في إعدادات ديناميكية في العالم الحقيقي.