Uncertainty Quantification

تكميم عدم اليقين (UQ) هو عملية تقدير وتقييم والتواصل بشأن مدى عدم يقين نموذج الذكاء الاصطناعي أو التعلّم الآلي بشأن تنبؤاته. فبدلًا من إرجاع تصنيف أو قيمة أو مربع إحاطة فقط، توفّر عملية UQ معلومات إضافية مثل توزيع احتمالي أو فترة تنبؤ أو درجة ثقة أو مجموعة تنبؤات. ويساعد ذلك المستخدمين على فهم ليس ما الذي يتنبأ به النموذج فحسب، بل أيضًا مقدار الثقة التي ينبغي وضعها في ذلك التنبؤ.

أهمية تكميم عدم اليقين#

تتعلّم النماذج الأنماط من بيانات محدودة، ولذلك لا تكون مخرجاتها مؤكدة تمامًا على الإطلاق. فقد تكون المدخلات مشوشة، والتسميات ملتبسة، وقد تختلف بيانات الإنتاج عن توزيع بيانات التدريب. يجعل UQ هذه القيود قابلة للقياس، ويدعم اتخاذ قرارات أكثر أمانًا، والمراجعة البشرية، وتحسين جمع البيانات.

توسّع هذه الفكرة الهدف الأعم المتمثل في توصيف جودة النموذج، كما يوضحه برنامج القياس الافتراضي التابع لـ NIST. وفي أنظمة الذكاء الاصطناعي، يمكن لتقديرات عدم اليقين أن تساعد الفرق على:

• رفض التنبؤات أو مراجعتها عندما يتجاوز عدم اليقين مستوى مقبولًا.
• مقارنة التنبؤات البديلة بدلًا من الاعتماد على إجابة واحدة.
• تحديد المدخلات غير المألوفة واحتمال حدوث انجراف البيانات.
• إعطاء الأولوية للعينات غير المؤكدة من أجل وسمها من خلال التعلّم النشط.
• نقل عدم اليقين إلى الحسابات والقرارات اللاحقة، كما يوضحه العرض العام لوزارة الطاقة حول عدم اليقين في النماذج الحاسوبية.

تزداد أهمية UQ خصوصًا عندما تكون لعواقب أخطاء التنبؤ أوزان متفاوتة. فعدم اكتشاف أحد المشاة أخطر من اكتشاف إشارة على جانب الطريق بشكل خاطئ، ولذلك يعتمد حد عدم اليقين المقبول على التطبيق.

عدم اليقين العشوائي وعدم اليقين المعرفي#

توضح فئتان مصدر عدم اليقين في التنبؤ:

• عدم اليقين العشوائي، ويُسمّى أيضًا عدم اليقين العَرَضي، ينشأ من العشوائية أو الالتباس المتأصلين في البيانات. فقد يجعل ضبابية الحركة وتشويش المستشعر والحجب الجزئي والتسميات غير المتسقة الصورة صعبة التفسير حتى بالنسبة إلى نموذج مدرّب جيدًا. وقد تساعد بيانات التدريب الإضافية في تقدير هذا النوع من عدم اليقين، لكنها لا تستطيع إزالة الالتباس الأساسي تمامًا.
• عدم اليقين المعرفي ينشأ من نقص معرفة النموذج. ويظهر غالبًا عندما تكون بيانات التدريب غير كافية أو غير ممثلة أو تفتقر إلى حالات مهمة. ويمكن تقليله في كثير من الأحيان بجمع أمثلة ذات صلة، أو تحسين التعليقات التوضيحية، أو تغيير النموذج.

يجمع UQ معلومات حول هذه المصادر في مخرجات مفيدة. ويمكن لأدوات النمذجة الاحتمالية مثل TensorFlow Probability تمثيل التنبؤات في صورة توزيعات، بينما تقدّر أساليب التجميع عدم اليقين من خلال مقارنة نماذج متعددة أو عمليات تدريب متعددة. ويشير الاختلاف الكبير عمومًا إلى ارتفاع عدم اليقين المعرفي.

يرتبط عدم اليقين بـدرجة الثقة، لكنه أوسع منها. تصف الثقة قوة تنبؤ واحد، في حين يقيّم UQ مدى موثوقية تلك الدرجة ومصادر عدم اليقين التي تؤثر فيها. وبالمثل، فإن التنبؤ المطابق تقنية محددة لإنتاج مجموعات أو فترات تنبؤ ذات تغطية مستهدفة في ظل افتراضات محددة.

الأساليب والتقييم#

تشمل أساليب UQ الشائعة المخرجات الاحتمالية، والتجميعات، وأخذ العينات المتكرر، والنمذجة البايزية، وفترات التنبؤ. وتقدّر فترات الثقة بطريقة Bootstrap التباين من خلال إعادة أخذ عينات من البيانات المرصودة بصورة متكررة. وبالنسبة إلى التصنيف، يتحقق اختبار المعايرة مما إذا كانت التنبؤات التي أُسند إليها احتمال يقارب 80% تكون صحيحة نحو 80% من الوقت.

قد يكون النموذج دقيقًا لكنه سيئ المعايرة، ولذلك ينبغي للفرق تقييم أداء المهمة وجودة عدم اليقين معًا. وتستخدم أدوات معايرة الاحتمالات مخططات الموثوقية وتقنيات المعايرة لمقارنة الاحتمالات المتنبأ بها بالنتائج المرصودة. كما تؤكد قواعد التعلّم الآلي التابعة لـ Google على التنبؤات الاحتمالية القابلة للتفسير والخاضعة للمراقبة.

تشمل معايير التقييم المفيدة التغطية، وعرض الفترة، وخطأ المعايرة، والأداء على شرائح البيانات الصعبة. وبالنسبة إلى الرؤية الحاسوبية، يساعد وضع التحقق في Ultralytics ودليل مقاييس أداء YOLO في فحص الدقة، والاسترجاع، ومصفوفات الالتباس، وسلوك الثقة عبر الفئات والعتبات.

التطبيقات الواقعية#

• تحليل الصور الطبية: يمكن لنموذج تشخيصي وضع علامة على صورة للفحص من جانب اختصاصي عندما تكون عدة نتائج محتملة ذات درجات متقاربة، أو عندما تختلف الصورة عن بيانات التدريب الخاصة به. ومن دون هذا التصعيد، قد يؤدي تنبؤ خاطئ مفرط الثقة إلى تأخير العلاج.
• الفحص البصري في التصنيع: قد يواجه كاشف العيوب وهجًا أو مواد جديدة أو أضرارًا لم يسبق رؤيتها. ويمكن للتوجيه المراعي لعدم اليقين إرسال المنتجات الملتبسة إلى الفحص اليدوي بدلًا من قبولها أو رفضها تلقائيًا، مما يقلل من العيوب المتسربة والهدر غير الضروري معًا.

تربط هذه السياسات عدم اليقين في النموذج بالمخاطر التشغيلية. ويوصي الإطار الأساسي لإدارة مخاطر الذكاء الاصطناعي من NIST بقياس عدم اليقين، وتوثيق حدود التعميم، ومراقبة الأنظمة طوال فترة النشر.

عدم اليقين في عمليات عمل Ultralytics YOLO#

يُظهر Ultralytics YOLO26 درجات الثقة في الكشف من خلال وضع التنبؤ الموثّق لديه:

from ultralytics import YOLO

# Load an official detection model
model = YOLO("yolo26n.pt")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Inspect each detection's confidence
for box in result.boxes:
    class_id = int(box.cls.item())
    class_name = result.names[class_id]
    confidence = box.conf.item()
    print(f"{class_name}: {confidence:.3f}")

تكشف عملية العمل هذه عن إشارة مفيدة مرتبطة بعدم اليقين، لكن الثقة وحدها لا تمثل UQ بشكل كامل، ولا ينبغي تفسيرها تلقائيًا على أنها احتمال معاير. تحقّق من صحة الدرجات باستخدام بيانات ممثلة محجوزة للاختبار، واختر العتبات استنادًا إلى تكاليف الأخطاء، وراقب توزيعات الثقة بعد النشر.

يمكن للفرق استخدام منصة Ultralytics لوَسم مجموعات البيانات، وتدريب النماذج ونشرها، ومراقبة نقاط النهاية. وبالاقتران مع مراقبة النماذج وصيانتها المستمرة، يمكن لإشارات عدم اليقين أن تكشف الظروف غير المألوفة، وتوجّه المراجعة البشرية، وتحدد الحاجة إلى بيانات جديدة أو إعادة التدريب.