السبت 18 يوليو 2026
باحثو MIT يطورون تقنية “Thermometer” لتعزيز موثوقية الذكاء الاصطناعي وتحسين تقييم عدم اليقين في التعلم الآلي، مما يضمن قرارات أكثر دقة في المجالات الحساسة
معهد ماساتشوستس للتكنولوجيا (MIT) يكشف عن تقنية “Thermometer” الجديدة التي تُحسن تقديرات عدم اليقين في نماذج التعلم الآلي، مما يرفع من دقة التنبؤات في مجالات مثل الرعاية الصحية والسلامة العامة.
كيف يمكن أن تُغير تقنية “Thermometer” من MIT مستقبل الذكاء الاصطناعي؟ تحسين دقة التعلم الآلي وتقديم تقديرات عدم يقين أكثر موثوقية في الرعاية الصحية والأمن السيبراني وتطبيقات السلامة.
في خطوة ثورية نحو تطوير أنظمة الذكاء الاصطناعي، أعلن باحثو معهد ماساتشوستس للتكنولوجيا (MIT) عن تقنية “Thermometer”، التي تهدف إلى تحسين تقديرات عدم اليقين في نماذج التعلم الآلي. تُعد هذه التقنية تطورًا حاسمًا في مجالات الرعاية الصحية والتشخيص الطبي والسلامة العامة، حيث تحتاج هذه الأنظمة إلى تقديم توقعات دقيقة يمكن الوثوق بها. تعتمد التقنية على مبدأ الحد الأدنى لطول الوصف (MDL)، والذي يُحسن معايرة عدم اليقين في النماذج دون الحاجة إلى افتراضات مسبقة قد تؤثر على الدقة. من خلال تقنية IF-COMP، يتم تسريع العمليات الحسابية وتحسين تقييم مدى ثقة النماذج في قراراتها، مما يُقلل من الأخطاء في التصنيفات ويكشف عن النقاط الشاذة في البيانات. أظهرت الاختبارات أن Thermometer تُحقق دقة غير مسبوقة، مما يجعلها مثالية لتطبيقات مثل تحليل الصور الطبية، والأمن السيبراني، والقيادة الذاتية. بفضل هذه التقنية، يُمكن للمستخدمين اتخاذ قرارات أكثر استنارة بناءً على معلومات دقيقة حول موثوقية التوقعات. مع استمرار الأبحاث، يُتوقع أن تُطبق هذه المنهجية على نماذج الذكاء الاصطناعي اللغوية الضخمة مثل GPT-4 وBERT، مما يعزز قدرتها على التنبؤ والتفاعل بموثوقية أكبر.
اكتشاف علمي جديد من معهد ماساتشوستس للتكنولوجيا يغير مفهوم الثقة في الذكاء الاصطناعي
في خطوة نوعية نحو تطوير أنظمة الذكاء الاصطناعي، أعلن باحثو معهد ماساتشوستس للتكنولوجيا (MIT) عن تقنية جديدة تدعى “Thermometer”، تهدف إلى تحسين دقة تقديرات عدم اليقين في نماذج التعلم الآلي. يعد هذا التطور ثوريًا في مجالات مثل الرعاية الصحية، والتشخيص الطبي، والسلامة العامة، حيث تحتاج هذه النماذج إلى تقديم توقعات دقيقة وموثوقة.
التحدي الأكبر: كيف تفهم النماذج الذكاء الاصطناعي مدى ثقتها؟
تعتمد فعالية نماذج التعلم الآلي على مدى دقة توقعاتها، ولكن المشكلة تكمن في قدرتها على تقييم مدى ثقتها بهذه التوقعات. في التطبيقات الحساسة مثل تحليل الصور الطبية، أو أنظمة القبول الجامعي والتوظيف، قد تؤدي الأخطاء الناتجة عن التقديرات غير الدقيقة إلى عواقب وخيمة. لذلك، من الضروري أن يكون هناك نظام قياس فعال يساعد على معرفة مدى موثوقية القرارات التي تتخذها هذه النماذج.
تقنية “Thermometer”: الحل المبتكر من MIT لتحسين دقة الذكاء الاصطناعي
نجح فريق من الباحثين في MIT في تطوير تقنية “Thermometer”، وهي نهج جديد يهدف إلى تحسين تقديرات عدم اليقين في نماذج التعلم الآلي. على عكس الطرق التقليدية، تتميز هذه التقنية بأنها أكثر دقة، وكفاءة، وقابلة للتوسع، مما يجعلها مثالية للاستخدام في نماذج التعلم العميق التي أصبحت جزءًا أساسيًا من التطبيقات الحديثة.
كيف تساعد التقنية المستخدمين في اتخاذ قرارات أفضل؟
من أكبر التحديات التي تواجه مستخدمي الذكاء الاصطناعي أنهم غالبًا لا يملكون خلفية تقنية لفهم مدى دقة توقعات النماذج. هنا يأتي دور تقنية “Thermometer”، حيث تتيح للمستخدمين فهم مدى دقة التنبؤات، مما يساعدهم في اتخاذ قرارات أفضل، سواء في الرعاية الصحية، أو أنظمة القيادة الذاتية، أو الأمن السيبراني. ويقول ناثان نغ، طالب الدراسات العليا في جامعة تورنتو والباحث الزائر في MIT:
“غالبًا ما يفترض المستخدمون أن النموذج الذي يعمل بشكل جيد في سيناريو معين سيكون بنفس الكفاءة في سيناريو آخر،لكن هذا ليس صحيحًا دائمًا. من الضروري أن يكون لدينا نظام يحدد بدقة مدى موثوقية هذه التنبؤات.”
الابتكار في تقييم عدم اليقين: نهج MDL و IF-COMP
طور الباحثون طريقة فريدة تعتمد على مبدأ الحد الأدنى لطول الوصف (MDL)، والذي يعمل على تحسين دقة تقديرات عدم اليقين دون الحاجة إلى افتراضات مسبقة قد تؤثر على دقة النماذج.
أما تقنية IF-COMP، فهي إضافة متقدمة لطريقة MDL، حيث تجعلها أسرع وأكثر دقة، مما يسهل استخدامها في نماذج التعلم العميق. تقوم هذه التقنية بتقييم جميع التسميات المحتملة التي قد يعطيها النموذج لبيانات الاختبار، مما يسمح بتقدير عدم اليقين بطريقة أكثر موثوقية.
كيف يُحسن MDL من دقة التوقعات؟
عند استخدام MDL، كلما زادت ثقة النموذج في تصنيفه لنقطة بيانات معينة، كلما استخدم رمزًا أقصر لوصفها. أما إذا كان غير متأكد، فسيحتاج إلى رمز أطول يأخذ في الاعتبار جميع الاحتمالات الممكنة. على سبيل المثال، إذا قال نموذج الذكاء الاصطناعي إن صورة طبية تُظهر انصبابًا جنبياً بنسبة 80%، لكنه أعاد النظر في قراره عند إضافة بيانات جديدة، فهذا يعني أن النموذج لم يكن واثقًا بشكل كامل من قراره الأولي، مما يؤكد أهمية قياس مدى دقته بطرق متطورة.
تقليل العمليات الحسابية وتحسين كفاءة النماذج
إحدى المشكلات التي تواجه الباحثين هي أن تطبيق MDL على كل نقطة بيانات يتطلب قدرات حسابية ضخمة. ولهذا، طور باحثو MIT طريقة تقريبية جديدة باستخدام ما يُعرف بـ دالة التأثير وتقنية تعديل درجة الحرارة، مما يساعد في حساب تعقيد البيانات العشوائي بطريقة سريعة ودقيقة.
نتائج الاختبارات: دقة غير مسبوقة في التنبؤ بالأخطاء
أظهرت التجارب أن تقنية IF-COMP كانت قادرة على تحسين معايرة النماذج، واكتشاف النقاط الشاذة، وتقليل الأخطاء في التصنيفات. وأكدت مارزيه قاسمي، الأستاذة في MIT، قائلة:
“نحن بحاجة إلى أدوات أكثر تطورًا لضمان أن التنبؤات التي تقدمها النماذج موثوقة، خاصة عندما نستخدم كميات هائلة منالبيانات غير المفحوصة لإنشاء أنظمة ذكاء اصطناعي.”
ما الذي يجعل “Thermometer” تقنية ثورية؟
1. تحسين دقة عدم اليقين: تقدم تقديرات أكثر دقة مقارنة بالأساليب التقليدية.
2. كفاءة عالية: تعمل بسرعة وكفاءة حتى مع نماذج التعلم العميق الكبيرة.
3. سهولة التطبيق: يمكن استخدامها في مجالات متعددة مثل التشخيص الطبي، والأمن السيبراني، والروبوتات.
4. تحسين اتخاذ القرار: توفر للمستخدمين معلومات أكثر دقة حول مدى موثوقية التوقعات.
موضوعات مرشحة
مستقبل تقنية Thermometer: نحو ذكاء اصطناعي أكثر شفافية وموثوقية
بفضل مرونتها وإمكانية تطبيقها على مجموعة واسعة من نماذج الذكاء الاصطناعي، تعد تقنية IF-COMP خطوة هامة نحو تعزيز دقة النماذج وجعلها أكثر شفافية. ويقول ناثان نغ:“يجب أن نفهم أن أنظمة الذكاء الاصطناعي معرضة للأخطاء، وحتى إذا بدت واثقة جدًا، فقد يكون لديها العديد من التفسيرات المختلفة. علينا تحسين طرق قياس هذه الثقة لضمان الاستخدام الآمن لهذه التقنيات.” ويهدف الباحثون في المستقبل إلى تطبيق “Thermometer” على النماذج اللغوية الضخمة، مثل ChatGPT، وBERT، وGPT-4، مما سيفتح أبوابًا جديدة لاستخدامات أوسع في مجالات مثل التعليم، والصحافة، والخدمات المالية.
موضوعات مرشحة
ثورة علمية نحو مستقبل أكثر دقة في الذكاء الاصطناعي
تمثل تقنية “Thermometer” إنجازًا علميًا مهمًا في مجال الذكاء الاصطناعي، حيث تساعد في تقديم تقديرات عدم يقين أكثر دقة، مما يجعل النماذج أكثر شفافية وكفاءة. مع استمرار الأبحاث، قد نرى مستقبلًا حيث تصبح أنظمة الذكاء الاصطناعي أكثر قدرة على تقديم قرارات موثوقة وآمنة، مما يعزز استخدامها في مختلف المجالات الحيوية.
