الثقة

في مجال التعلّم الآلي والذكاء الاصطناعي فإن درجة الثقة هي قيمة رقمية تمثل احتمالية أن يكون تنبؤ معين تم إجراؤه بواسطة نموذج صحيح. وعادةً ما يتم التعبير عنها كاحتمال بين 0 و1 (أو نسبة مئوية من 0% إلى 100%)، وهذه الدرجة تقيس هذه الدرجة مدى يقين الشبكة العصبية فيما يتعلق بمخرجاتها. على سبيل المثال على سبيل المثال، في مهمة الكشف عن الأشياء، قد يتنبأ النظام قد يتنبأ بوجود "قطة" بثقة تبلغ 0.95، مما يشير إلى اعتقاد قوي في دقة تلك التسمية. عادةً ما يتم اشتقاق هذه الدرجات من الطبقة النهائية للنموذج باستخدام دوال التنشيط مثل دالة دالة softmax للمشاكل متعددة الفئات أو الدالة الدالة السهمية للتصنيف الثنائي.

دور الثقة في الاستدلال

درجات الثقة هي عنصر أساسي في سير عمل محرك الاستدلال. فهي تسمح للمطوّرين بتصفية التنبؤات بناءً على مستوى مطلوب من اليقين، وهي عملية تُعرف باسم الحد الأدنى. من خلال تعيين معيّن، يمكنك إدارة المفاضلة بين تحديد كل كائن ممكن (استرجاع عالٍ) وضمان صحة الكائنات المحددة (دقة عالية).

في النشر العملي للنموذج، تحتوي التنبؤات الأولية الخام غالبًا ما تحتوي على ضوضاء أو اكتشافات منخفضة الاحتمالية. تقنيات مثل الكبت غير الأقصى (NMS) التي تستخدم درجات الثقة لإزالة المربعات المتداخلة الزائدة عن الحاجة، مع الاحتفاظ فقط بالكشف ذي الاحتمالية الأعلى. يضمن ذلك أن يكون الناتج النهائي المقدم للمستخدم نظيفاً وقابلاً للتنفيذ.

يوضح المثال التالي كيفية تطبيق عتبة الثقة أثناء الاستدلال باستخدام Ultralytics YOLO11:

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image with a confidence threshold of 0.6 (60%)
# This filters out any detections with a confidence score lower than 0.6
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.6)

# Display the count of objects detected above the threshold
print(f"Detected {len(results[0].boxes)} objects with high confidence.")

تطبيقات واقعية

تمتد فائدة درجات الثقة عبر كل الصناعات التي تستخدم حلول حلول الرؤية الحاسوبية والذكاء الاصطناعي.

• الأنظمة المستقلة: في تطوير المركبات ذاتية القيادة، تعتبر السلامة أمراً بالغ الأهمية. تستخدم أنظمة الإدراك البصري درجات الثقة لدمج البيانات من الكاميرات و LiDAR. إذا اكتشف نموذج الرؤية عائقاً بثقة منخفضة، فقد يقوم النظام بمقارنة ذلك مع بيانات الرادار قبل تشغيل الكبح الاضطراري. هذا النهج متعدد الطبقات، وهو أمر بالغ الأهمية للذكاء الاصطناعي في السيارات, يساعد على منع أحداث الكبح الوهمية الخطيرة الناجمة عن الإيجابيات الخاطئة.
• التشخيص الطبي: في تحليل الصور الطبية، تساعد أدوات الذكاء الاصطناعي الأطباء من خلال تحديد الحالات الشاذة المحتملة في صور الأشعة السينية أو التصوير بالرنين المغناطيسي. قد يقوم نظام مصمم من أجل للذكاء الاصطناعي في الرعاية الصحية قد يقوم بالفرز التلقائي للحالات بناءً على على أساس الثقة. يتم إعطاء الأولوية للكشف عن الحالات المرضية ذات الثقة العالية للمراجعة الفورية من قبل أخصائي الأشعة، بينما قد يتم تسليط الضوء على المناطق ذات الثقة المنخفضة ببساطة من أجل "نظرة ثانية"، مما يضمن أن يعمل الذكاء الاصطناعي كمساعد داعم بدلاً من أن يكون صانع قرار نهائي صانع قرار نهائي.

الثقة مقابل الدقة والدقة

من الضروري أن يميز الممارسون بين "الثقة" ومقاييس التقييم القياسية مقاييس التقييم القياسية المستخدمة لقياس النماذج.

• الثقة مقابل الدقة: الدقة تقيس الدقة صحة النموذج بشكل عام عبر مجموعة بيانات كاملة (على سبيل المثال، "النموذج دقيق بنسبة 90%"). في المقابل، الثقة هي قيمة قيمة خاصة بالتنبؤ (على سبيل المثال، "أنا متأكد بنسبة 90% من أن هذه الصورة المحددة هي كلب"). يمكن أن يكون النموذج دقيقًا بشكل عام ولكن لا يزال ينتج ثقة منخفضة في الأمثلة الصعبة.
• الثقة مقابل الدقة: تحسب الدقة النسبة المئوية للتنبؤات الإيجابية الإيجابية التي كانت صحيحة بالفعل. في حين أن درجة الثقة العالية لا تضمن دقة عالية إذا كان النموذج إذا كان النموذج يعاني من الإفراط في الملاءمة أو إذا كان أو كانت معايرته ضعيفة.
• المعايرة: يُعتبر النموذج "مُعايَرًا بشكل جيد" إذا كانت درجات الثقة فيه تعكس الاحتمال الحقيقي للصحة. على سبيل المثال, من بين جميع التنبؤات التي تم إجراؤها بثقة 0.8، يجب أن تكون 80% تقريبًا مطابقات إيجابية فعلية.

تحسين الثقة بالنموذج

إذا كان النموذج يعطي ثقة منخفضة باستمرار للكائنات الصحيحة، فقد يشير ذلك إلى وجود مشاكل في بيانات التدريب. تتضمن استراتيجيات تحسين ذلك ما يلي زيادة البيانات لتعريض النموذج إلى المزيد من إضاءة واتجاهات أكثر تنوعًا، أو استخدام التعلّم النشط للتعليق وإعادة التدريب على "حالات محددة حيث يكون النموذج غير مؤكد حالياً. يعد ضمان وجود مجموعات بيانات متنوعة وعالية الجودة أمرًا ضروريًا ضروري لبناء أنظمة قوية يمكن للمستخدمين الوثوق بها.