Confidence

في مجال الذكاء الاصطناعي وتعلم الآلة، يُعد مستوى الثقة (confidence score) مقياساً يحدد درجة اليقين التي يمتلكها النموذج بشأن تنبؤ معين. تتراوح هذه القيمة عادةً بين 0 و1 (أو من 0% إلى 100%) وتمثل الاحتمال المقدر لتوافق مخرج الخوارزمية مع الحقيقة الأرضية. على سبيل المثال، في مهمة كشف الكائنات، إذا حدد النظام منطقة من الصورة على أنها "دراجة" بثقة قدرها 0.92، فهذا يشير إلى احتمال مقدر بنسبة 92% بأن التصنيف صحيح. تُستمد هذه النتائج من الطبقة الأخيرة من الشبكة العصبية، وغالباً ما تتم معالجتها من خلال دالة التنشيط مثل Softmax لتصنيف الفئات المتعددة أو دالة السيجمويد (Sigmoid function) للقرارات الثنائية.

دور الثقة في الاستدلال#

تُعتبر مستويات الثقة مكوناً أساسياً في سير عمل محرك الاستدلال، حيث تعمل كمرشح للتمييز بين التنبؤات عالية الجودة والضوضاء في الخلفية. تمكن عملية التصفية هذه، المعروفة باسم وضع العتبة (thresholding)، المطورين من ضبط حساسية التطبيق. من خلال إنشاء عتبة ثقة دنيا، يمكنك إدارة المقايضة بين الدقة والاستدعاء (precision-recall trade-off). قد تكتشف العتبة الأقل مزيداً من الكائنات ولكنها تزيد من خطر الإيجابيات الكاذبة (false positives)، بينما تحسن العتبة الأعلى الدقة ولكنها قد تؤدي إلى تفويت الحالات الدقيقة.

في الهياكل المتقدمة مثل Ultralytics YOLO26، تُعد مستويات الثقة ضرورية لتقنيات ما بعد المعالجة مثل الإخماد غير الحد الأقصى (NMS). تستخدم NMS هذه النتائج لإزالة مربعات الإحاطة الزائدة التي تتقاطع بشكل كبير، مع الاحتفاظ فقط بالكشف ذي الاحتمالية الأعلى. تضمن هذه الخطوة أن تكون المخرجات النهائية نظيفة وجاهزة لل المهام اللاحقة مثل عد الكائنات أو التتبع.

يوضح مثال Python التالي كيفية تصفية التنبؤات حسب الثقة باستخدام حزمة 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}")

تطبيقات العالم الحقيقي#

توفر مستويات الثقة طبقة من القابلية للتفسير لا غنى عنها عبر الصناعات حيث يتم تطبيق رؤية الكمبيوتر (CV). وهي تساعد الأنظمة الآلية على تحديد متى يجب المضي قدمًا بشكل مستقل ومتى يتم تشغيل تنبيهات للمراجعة البشرية.

• القيادة الذاتية: في قطاع الذكاء الاصطناعي في السيارات، تعتمد المركبات ذاتية القيادة على مقاييس الثقة لضمان سلامة الركاب. إذا اكتشف نظام الإدراك عстойاً بثقة منخفضة، فقد يقوم بمقارنة هذه البيانات مع أجهزة استشعار LiDAR أو الرادار للتحقق من وجود الكائن قبل تنفيذ مناورة طوارئ. تساعد هذه الزائدة في منع "الكبح الوهمي" الناتج عن الظلال أو الوهج.
• التشخيص الطبي: عند الاستفادة من الذكاء الاصطناعي في الرعاية الصحية، تساعد النماذج المتخصصين الطبيين من خلال الإشارة إلى الحالات الشاذة المحتملة في بيانات التصوير. قد يسلط النظام المخصص لـ كشف الأورام الضوء على المناطق ذات الثقة العالية للتشخيص الفوري، بينما يتم تسجيل تنبؤات الثقة المنخفضة للتحليل الثانوي. يضمن سير العمل هذا البشري في الحلقة (human-in-the-loop) أن يعزز الذكاء الاصطناعي عملية اتخاذ القرار السريري دون استبدال حكم الخبراء.
• الأتمتة الصناعية: في التصنيع الذكي، تستخدم الأذرع الروبوتية مستويات الثقة للتفاعل مع الكائنات على خطوط التجميع. قد يحاول الروبوت المجهز بـ رؤية الذكاء الاصطناعي الإمساك بمكون ما فقط إذا تجاوزت ثقة الاكتشاف 90%، مما يقلل من مخاطر إتلاف الأجزاء الحساسة بسبب عدم المحاذاة.

التمييز بين الثقة والمصطلحات ذات الصلة#

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

• الثقة مقابل الدقة: الدقة (Accuracy) هي مقياس عام يصف مدى صحة النموذج عبر مجموعة بيانات 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 حالات الحافة (edge cases).
• الثقة مقابل معايرة الاحتمالات: لا يتوافق مستوى الثقة الخام دائماً مع احتمالية الصحة الحقيقية. يعتبر النموذج "معاَّراً بشكل جيد" إذا كانت التنبؤات التي تم إجراؤها بثقة 0.8 صحيحة بنسبة 80% تقريباً من الوقت. غالباً ما يتم استخدام تقنيات مثل قياس بلات (Platt scaling) أو الانحدار متساوي التوتر (Isotonic Regression) لمواءمة النتائج مع الاحتمالات التجريبية.
• الثقة مقابل الدقة الإيجابية (Precision): تقيس الدقة (Precision) نسبة التېّنات الإيجابية التي كانت صحيحة بالفعل. في حين أن زيادة عتبة الثقة تعزز عموماً الدقة، إلا أنها غالباً ما تفعل ذلك على حساب الاستدعاء (recall). يجب على المطورين ضبط هذه العتبة بناءً على ما إذا كان تطبيقهم يعطي الأولوية لعدم تفويت الكائنات أو تقليل الإنذارات الكاذبة.

تحسين ثقة النموذج#

إذا كان النموذج ينتج باستمرار ثقة منخفضة للكائنات الصالحة، فإن ذلك يشير غالباً إلى تناقض بين بيانات التدريب وبيئة النشر. تشمل الاستراتيجيات للتخفيف من ذلك زيادة البيانات (data augmentation)، والتي توسع مجموعة البيانات اصطناعياً عن طريق تغيير الإضاءة والدوران والضوضاء. علاوة على ذلك، يتيح استخدام منصة Ultralytics لتنفيذ خطوط أنابيب التعلم النشط (active learning) للمطورين تحديد العينات منخفضة الثقة بسهولة، وتعليقها، وإعادة تدريب النموذج. تعد دورة التكرار هذه أمراً بالغ الأهمية لإنشاء وكلاء ذكاء اصطناعي (AI agents) أقوياء وقادرين على العمل بشكل موثوق في بيئات ديناميكية وعالمية حقيقية.