Statistical AI

الذكاء الاصطناعي الإحصائي هو نهج الذكاء الاصطناعي الذي يبني الأنظمة عبر تقدير الأنماط والاحتمالات من البيانات بدلًا من ترميز قواعد مكتوبة يدويًا. ويمثّل النظام الإحصائي عدم اليقين صراحةً، ويضبط معلماته وفق الأمثلة، ويُقيّم بمدى أدائه على بيانات لم يسبق له رؤيتها. وتعمل بهذه الطريقة جميع تطبيقات الذكاء الاصطناعي الحديثة تقريبًا، من مرشحات البريد المزعج وأنظمة التعرّف على الكلام إلى كواشف الأجسام ونماذج اللغة الكبيرة (LLMs)، التي تسند احتمالًا إلى كل رمز تالي محتمل. ويُستخدم المصطلح غالبًا للمقارنة مع الذكاء الاصطناعي الرمزي، وهو النهج القائم على القواعد والمنطق الذي هيمن على العقود الأولى من هذا المجال.

من القواعد إلى الاحتمالات#

من خمسينيات القرن العشرين حتى ثمانينياته، اتبعت معظم أبحاث الذكاء الاصطناعي الأساليب الرمزية: المنطق والبحث والأنظمة الخبيرة التي دوّن مهندسو المعرفة فيها قواعد «إذا-فإن». عملت هذه الأنظمة في مجالات محدودة ومحددة جيدًا، لكنها أخفقت مع المدخلات المشوشة أو الملتبسة، وكان كل موقف جديد يتطلب قواعد جديدة. وفي ثمانينيات القرن العشرين وتسعينياته، حلّت الأساليب الاحتمالية محلها في مجال تلو الآخر. أصبحت نماذج ماركوف المخفية أساسًا للتعرّف على الكلام، وجعل كتاب جوديا بيرل الصادر عام 1988 عن الشبكات البايزية الاستدلال الاحتمالي عمليًا، وهو العمل الذي نال تقديرًا لاحقًا بجائزة تورنغ لعام 2011. ونشر باحثو IBM نهجًا إحصائيًا للترجمة الآلية عام 1990، ثم ظهرت آلات المتجهات الداعمة عام 1995. ومنذ عام 2012، وسّع التعلّم العميق هذا النهج من السمات المصممة يدويًا إلى البكسلات والصوت والنصوص الخام.

المفاهيم الأساسية#

• نماذج الاحتمالات: تُمثّل المعتقدات بتوزيعات احتمالية، وتحدّث مبرهنة بايز اعتقادًا سابقًا باستخدام احتمال الدليل الجديد للوصول إلى اعتقاد لاحق. ويقود التحديث نفسه مرشحات البريد المزعج والنماذج التشخيصية ومتتبعات الأجسام.
• التعلّم بوصفه تقديرًا: يختار التدريب المعلمات التي تجعل البيانات المرصودة أكثر احتمالًا، وهو ما يعادل، في معظم النماذج، تقليل دالة الخسارة، عادةً باستخدام الانحدار المتدرّج.
• التعميم: يمكن للنموذج المرن أن يلائم الضوضاء في مجموعة تدريبه، لذا يُقاس الأداء على بيانات مستبعدة، ويصف مقايضة التحيز والتباين التوازن بين النماذج الأبسط من اللازم والأكثر مرونة من اللازم بالنسبة إلى البيانات.
• الثقة المتدرجة: تأتي التنبؤات مصحوبة باحتمالات يمكن للأنظمة اللاحقة تحديد عتبة لها أو ترتيبها أو دمجها مع أدلة أخرى.

يوضح مصنّف بايز الساذج للبريد المزعج هذه الأفكار في بضعة أسطر. فهو يقدّر معدل ظهور كل كلمة في الرسائل المزعجة والعادية، ثم يجمع هذه التقديرات باستخدام مبرهنة بايز لتقييم رسالة جديدة:

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# Labeled examples replace hand-written rules: 1 = spam, 0 = not spam
messages = ["win a free prize now", "claim your free cash reward", "limited offer, click now to win"]
messages += ["meeting moved to monday", "can you review my draft today", "lunch with the team on friday"]
labels = [1, 1, 1, 0, 0, 0]

# Count words, then estimate each word's probability under each class
vectorizer = CountVectorizer()
model = MultinomialNB()
model.fit(vectorizer.fit_transform(messages), labels)

for text in ["free prize inside", "draft for monday", "free lunch on friday"]:
    spam_probability = model.predict_proba(vectorizer.transform([text]))[0, 1]
    print(f"{text!r}: P(spam) = {spam_probability:.2f}")

تبلغ احتمالية أن تكون عبارة «جائزة مجانية في الداخل» رسالة مزعجة 0.86، وتبلغ احتمالية «مسودة ليوم الاثنين» 0.21، بينما تبلغ احتمالية «غداء مجاني يوم الجمعة» 0.29، إذ تجمع هذه العبارة كلمات من الفئتين. وقد تعلّم النموذج أن كلمة «مجاني» تشير إلى البريد المزعج من ست رسائل موسومة فقط.

عائلات الأساليب الإحصائية#

يشمل الذكاء الاصطناعي الإحصائي نماذج احتمالية صغيرة وشبكات عميقة تضم مليارات المعلمات، وتوازن هذه العائلات بين البنية المضمّنة والبيانات. ترمّز النماذج البيانية التبعيات صراحةً وتعمل ببيانات قليلة، بينما تتعلّم الأساليب الكلاسيكية، مثل أقرب الجيران k وأشجار التعزيز التدرّجي مثل XGBoost وLightGBM، من جداول السمات، وتتعلم الشبكات العميقة سماتها بنفسها من المدخلات الخام:

الذكاء الاصطناعي الإحصائي مقارنةً بالمصطلحات ذات الصلة#

• الذكاء الاصطناعي الرمزي: يمثّل المعرفة برموز وقواعد صريحة، مثل عبارات «إذا-فإن» في نظام خبير، ويستنتج النتائج بالاستدلال المنطقي. ويمكن تتبّع استدلاله خطوةً بخطوة ولا يحتاج إلى بيانات تدريب، لكنه يتعطل عند مواجهة مدخلات لا تغطيها قواعده.
• تعلّم الآلة: الممارسة الأساسية للذكاء الاصطناعي الإحصائي. يتداخل المصطلحان إلى حد كبير، ويظهر مصطلح «الذكاء الاصطناعي الإحصائي» غالبًا عند المقارنة بين الأساليب القائمة على البيانات والأساليب الرمزية.
• الذكاء الاصطناعي العصبي الرمزي: يجمع بين النماذج المتعلّمة والاستدلال الرمزي، مثل نموذج LLM يستدعي آلة حاسبة أو استعلام قاعدة بيانات أو مبرهنًا للنظريات.
• المنطق الضبابي: يسند درجات من الصدق بين 0 و1 إلى عبارات مبهمة، مثل «الغرفة دافئة»، وهو مقياس للإبهام يختلف عن احتمال وقوع حدث.

تطبيقات عملية#

• تصفية البريد المزعج: ساهم مقال بول غراهام لعام 2002 خطة لمكافحة البريد المزعج في انتشار مرشحات بايز التي تتعلم احتمالات الكلمات من بريد كل مستخدم، وتطبّق المرشحات الحديثة الفكرة نفسها على إشارات أكثر بكثير.
• الترجمة الآلية: أُطلقت خدمة Google Translate عام 2006 معتمدةً على الترجمة الآلية الإحصائية، التي تعلّمت احتمالات ترجمة العبارات من النصوص المتوازية، ثم انتقلت إلى الترجمة الآلية العصبية في عام 2016.
• توليد النص: تنتج نماذج LLM النص عبر أخذ عينات من توزيع احتمالي على مفرداتها في كل خطوة، وتُستخدم إعدادات درجة الحرارة لزيادة حدّة هذا التوزيع أو تسطيحه قبل كل عينة.
• الإدراك البصري: كواشف الأجسام نماذج إحصائية من البداية إلى النهاية. ويتعلم Ultralytics YOLO26 أوزانه بتقليل الخسارة على الصور الموسومة، ويُخرج درجة ثقة مع كل صندوق، وفي وضع التنبؤ يستبعد الصناديق التي تقل عن عتبة conf، والبالغة 0.25 افتراضيًا.