Confidence

في مجال الذكاء الاصطناعي وتعلّم الآلة، تُعد درجة الثقة مقياسًا يحدد مستوى اليقين الذي يمتلكه النموذج بشأن تنبؤ محدد. تتراوح هذه القيمة عادةً بين 0 و1 (أو بين 0% و100%)، وتمثل الاحتمال المقدّر لتوافق مخرجات الخوارزمية مع الحقيقة الأساسية. على سبيل المثال، في مهمة اكتشاف الأجسام، إذا حدد نظامٌ منطقةً من صورة على أنها "دراجة" بدرجة ثقة تبلغ 0.92، فهذا يشير إلى احتمال مقدّر بنسبة 92% بأن يكون التصنيف صحيحًا. تُشتق هذه الدرجات من الطبقة النهائية لـشبكة عصبية، وغالبًا ما تُعالج من خلال دالة تنشيط مثل Softmax للتصنيف متعدد الفئات أو دالة Sigmoid للقرارات الثنائية.

دور الثقة في الاستدلال#

تُعد درجات الثقة مكوّنًا أساسيًا في سير عمل محرك الاستدلال، إذ تعمل كمرشح للتمييز بين التنبؤات عالية الجودة وضوضاء الخلفية. تتيح عملية التصفية هذه، المعروفة باسم تحديد العتبة، للمطورين ضبط حساسية التطبيق. ومن خلال تحديد حد أدنى للثقة، يمكنك إدارة المفاضلة بين الدقة والاسترجاع المهمة. قد يكتشف الحد المنخفض مزيدًا من الأجسام، لكنه يزيد خطر الإيجابيات الكاذبة، في حين يحسّن الحد المرتفع الدقة، لكنه قد يؤدي إلى تفويت الحالات الدقيقة.

في البنى المتقدمة مثل Ultralytics YOLO26، تُعد درجات الثقة ضرورية لتقنيات المعالجة اللاحقة مثل كبت عدم القيم العظمى (NMS). يستخدم NMS هذه الدرجات لإزالة مربعات الإحاطة الزائدة التي تتداخل بدرجة كبيرة، مع الإبقاء على الاكتشاف ذي الاحتمال الأعلى فقط. تضمن هذه الخطوة أن تكون المخرجات النهائية مرتبة وجاهزة للمهام اللاحقة مثل عدّ الأجسام أو التتبع.

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

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}")

التطبيقات الواقعية#

توفر درجات الثقة طبقة من قابلية التفسير لا غنى عنها في القطاعات التي يُطبَّق فيها رؤية الحاسوب (CV). فهي تساعد الأنظمة الآلية على تحديد الوقت المناسب للمتابعة بصورة مستقلة، ومتى ينبغي إطلاق تنبيهات لإجراء مراجعة بشرية.

• القيادة الذاتية: في قطاع الذكاء الاصطناعي في صناعة السيارات، تعتمد المركبات ذاتية القيادة على مقاييس الثقة لضمان سلامة الركاب. إذا اكتشف نظام إدراك عائقًا بثقة منخفضة، فقد يقارن هذه البيانات مع مستشعرات LiDAR أو الرادار للتحقق من وجود الجسم قبل تنفيذ مناورة طارئة. يساعد هذا التكرار في منع "الكبح الوهمي" الناجم عن الظلال أو الوهج.
• التشخيص الطبي: عند الاستفادة من الذكاء الاصطناعي في الرعاية الصحية، تساعد النماذج المتخصصين الطبيين على تحديد الحالات الشاذة المحتملة في بيانات التصوير. قد يبرز نظام مصمم لـاكتشاف الأورام المناطق ذات الثقة العالية لتشخيصها فورًا، بينما تُسجّل التنبؤات ذات الثقة المنخفضة للتحليل الثانوي. يضمن سير العمل هذا القائم على الإنسان ضمن الحلقة أن يعزز الذكاء الاصطناعي عملية اتخاذ القرارات السريرية دون أن يحل محل حكم الخبراء.
• الأتمتة الصناعية: في التصنيع الذكي، تستخدم الأذرع الروبوتية درجات الثقة للتفاعل مع الأجسام على خطوط التجميع. قد لا يحاول روبوت مزود بـذكاء اصطناعي للرؤية الإمساك بمكوّن إلا إذا تجاوزت ثقة الاكتشاف 90%، مما يقلل خطر إتلاف الأجزاء الدقيقة بسبب عدم المحاذاة.

التمييز بين الثقة والمصطلحات ذات الصلة#

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

• الثقة مقابل الدقة: الدقة مقياس شامل يصف مدى صحة النموذج عبر مجموعة بيانات بأكملها (مثل: "دقة النموذج تبلغ 92%"). وعلى النقيض من ذلك، فإن الثقة قيمة محلية خاصة بتنبؤ محدد (مثل: "النموذج واثق بنسبة 92% من أن هذه الصورة المحددة تحتوي على قطة"). قد يتمتع النموذج بدقة إجمالية عالية، لكنه يظل يُنتج ثقة منخفضة بشأن الحالات الحدّية.
• الثقة مقابل معايرة الاحتمالات: لا تتوافق درجة الثقة الأولية دائمًا مع احتمال الصحة الحقيقي. يكون النموذج "مُعايرًا جيدًا" إذا كانت التنبؤات التي أُجريت بثقة قدرها 0.8 صحيحة في نحو 80% من الحالات. وغالبًا ما تُستخدم تقنيات مثل معايرة Platt أو الانحدار المتساوي التوتّر لمواءمة الدرجات مع الاحتمالات التجريبية.
• الثقة مقابل الدقة الإيجابية: تقيس الدقة الإيجابية نسبة التحديدات الإيجابية التي كانت صحيحة فعليًا. وعلى الرغم من أن رفع حد الثقة يؤدي عمومًا إلى زيادة الدقة الإيجابية، فإنه غالبًا ما يحدث ذلك على حساب الاسترجاع. يجب على المطورين ضبط هذا الحد استنادًا إلى ما إذا كان تطبيقهم يعطي الأولوية لتفويت عدد أقل من الأجسام أو لتقليل الإنذارات الكاذبة.

تحسين ثقة النموذج#

إذا كان النموذج يُخرج باستمرار ثقة منخفضة للأجسام الصحيحة، فغالبًا ما يشير ذلك إلى وجود تباين بين بيانات التدريب وبيئة النشر. تشمل استراتيجيات الحد من ذلك زيادة البيانات، التي توسّع مجموعة البيانات اصطناعيًا من خلال تغيير الإضاءة والدوران والضوضاء. علاوة على ذلك، يتيح استخدام منصة Ultralytics لتنفيذ مسارات عمل التعلّم النشط للمطورين تحديد العينات منخفضة الثقة وتعليقها وإعادة تدريب النموذج بسهولة. وتُعد هذه الدورة التكرارية حيوية لإنشاء وكلاء ذكاء اصطناعي متينين قادرين على العمل بصورة موثوقة في بيئات ديناميكية واقعية.