Confidence

في مجال الذكاء الاصطناعي وتعلم الآلة، تعد درجة الثقة (confidence score) مقياساً يحدد مدى يقين النموذج فيما يتعلق بتنبؤ معين. تتراوح هذه القيمة عادةً من 0 إلى 1 (أو من 0% إلى 100%) وتمثل الاحتمالية المقدرة لتوافق مخرجات الخوارزمية مع الحقيقة الأرضية. على سبيل المثال، في مهمة اكتشاف الأشياء، إذا قام نظام بتحديد منطقة في صورة على أنها "دراجة" بثقة قدرها 0.92، فهذا يشير إلى احتمالية مقدرة بنسبة 92% بأن التصنيف صحيح. تُشتق هذه الدرجات من الطبقة النهائية لـ شبكة عصبية، وغالباً ما تتم معالجتها من خلال دالة تنشيط مثل Softmax للتصنيف متعدد الفئات أو دالة Sigmoid للقرارات الثنائية.

Link to this sectionدور الثقة في الاستدلال#

تعد درجات الثقة مكوناً أساسياً في سير عمل محرك الاستدلال، حيث تعمل كمرشح لتمييز التنبؤات عالية الجودة عن ضوضاء الخلفية. تمكّن عملية الترشيح هذه، المعروفة باسم وضع العتبة (thresholding)، المطورين من تعديل حساسية التطبيق. من خلال تحديد حد أدنى للثقة، يمكنك إدارة المفاضلة بين الدقة والاستدعاء الحاسمة. قد تكتشف العتبة المنخفضة المزيد من الأشياء ولكنها تزيد من خطر الإيجابيات الكاذبة، في حين أن العتبة الأعلى تحسن الدقة ولكنها قد تؤدي إلى فقدان حالات دقيقة.

في البنى المتقدمة مثل Ultralytics YOLO26، تعد درجات الثقة ضرورية لتقنيات ما بعد المعالجة مثل كبت غير الأعظميات (NMS). تستخدم NMS هذه الدرجات لإزالة صناديق الإحاطة الزائدة التي تتداخل بشكل كبير، مع الاحتفاظ فقط بالاكتشاف ذي الاحتمالية الأعلى. تضمن هذه الخطوة أن تكون المخرجات النهائية نظيفة وجاهزة للمهام اللاحقة مثل عد الأشياء 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}")

Link to this sectionتطبيقات العالم الحقيقي#

توفر درجات الثقة طبقة من القابلية للتفسير لا غنى عنها عبر الصناعات التي يتم فيها تطبيق الرؤية الحاسوبية (CV). فهي تساعد الأنظمة الآلية على تحديد متى يجب المضي قدماً بشكل مستقل ومتى يجب إطلاق 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 عائقاً بثقة منخفضة، فقد يقوم بمطابقة هذه البيانات مع مستشعرات LiDAR أو الرادار للتحقق من وجود الكائن قبل تنفيذ مناورة طوارئ. يساعد هذا التكرار في منع "الكبح الوهمي" الناجم عن الظلال أو الوهج.
• التشخيص الطبي: عند الاستفادة من الذكاء الاصطناعي في الرعاية الصحية، تساعد النماذج المهنيين الطبيين من خلال تحديد الشذوذات المحتملة في بيانات التصوير. قد يسلط نظام مصمم لـ اكتشاف الأورام الضوء على المناطق ذات الثقة العالية للتشخيص الفوري، بينما يتم تسجيل التنبؤات ذات الثقة المنخفضة للتحليل الثانوي. يضمن سير العمل هذا البشري في الحلقة أن يعزز الذكاء الاصطناعي صنع القرار السريري دون استبدال حكم الخبراء.
• الأتمتة الصناعية: في التصنيع الذكي، تستخدم الأذرع الروبوتية درجات الثقة للتفاعل مع الأشياء على خطوط التجميع. قد لا يحاول روبوت مجهز بـ الرؤية بالذكاء الاصطناعي الإمساك بمكون إلا إذا تجاوزت ثقة الاكتشاف 90%، مما يقلل من خطر إتلاف الأجزاء الحساسة بسبب عدم المحاذاة.

Link to this sectionالتمييز بين الثقة والمصطلحات ذات الصلة#

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

• الثقة مقابل الدقة: الدقة (Accuracy) هي مقياس عالمي يصف عدد المرات التي يكون فيها النموذج صحيحاً عبر مجموعة بيانات كاملة (مثل "النموذج دقيق بنسبة 92%"). في المقابل، الثقة هي قيمة محلية خاصة بالتنبؤ (مثل "النموذج متأكد بنسبة 92% من أن هذه الصورة المحددة تحتوي على قطة"). يمكن أن يتمتع النموذج بدقة إجمالية عالية ولكنه لا يزال ينتج ثقة منخفضة في الحالات الطرفية.
• الثقة مقابل معايرة الاحتمالية: لا تتوافق درجة الثقة الخام دائماً مع احتمالية الصحة الحقيقية. يكون النموذج "معايراً جيداً" إذا كانت التنبؤات التي تم إجراؤها بثقة 0.8 صحيحة بنسبة 80% تقريباً من الوقت. غالباً ما يتم توظيف تقنيات مثل Platt scaling أو Isotonic Regression لمواءمة الدرجات مع الاحتمالات التجريبية.
• الثقة مقابل الإحكام: الإحكام (Precision) يقيس نسبة التعريفات الإيجابية التي كانت صحيحة بالفعل. بينما تؤدي زيادة عتبة الثقة بشكل عام إلى تعزيز الإحكام، فإنها غالباً ما تفعل ذلك على حساب الاستدعاء. يجب على المطورين ضبط هذه العتبة بناءً على ما إذا كان تطبيقهم يعطي الأولوية لفقدان عدد أقل من الأشياء أو تقليل الإنذارات الكاذبة.

Link to this sectionتحسين ثقة النموذج#

إذا كان النموذج ينتج باستمرار ثقة منخفضة للأشياء الصحيحة، فغالباً ما يشير ذلك إلى وجود تباين بين بيانات التدريب وبيئة النشر. تشمل استراتيجيات التخفيف من ذلك زيادة البيانات، والتي توسع مجموعة البيانات بشكل مصطنع عن طريق تغيير الإضاءة، والدوران، والضوضاء. علاوة على ذلك، يسمح استخدام منصة Ultralytics لتنفيذ مسارات التعلم النشط للمطورين بتحديد العينات ذات الثقة المنخفضة بسهولة، وتصنيفها، وإعادة تدريب النموذج. تعد دورة التكرار هذه حيوية لإنشاء وكلاء ذكاء اصطناعي قادرين على العمل بشكل موثوق في إعدادات ديناميكية واقعية.