أعلنت Meta (Facebook سابقًا) هذا الأسبوع عن إطلاق Bean Machine، وهو نظام برمجة احتمالي يسهل ظاهريًا تمثيل حالات عدم اليقين في نماذج الذكاء الاصطناعي والتعرف عليها. متوفر في مرحلة تجريبية مبكرة، يمكن استخدام Bean Machine لاكتشاف الخصائص غير المرصودة لنموذج عبر خوارزميات تعلم تلقائية "مدركة لعدم اليقين".
أوضح باحثو Meta وراء Bean Machine في منشور مدونة: "[Bean Machine] مستوحى من جهاز مادي لتصور التوزيعات الاحتمالية، وهو مثال ما قبل الحوسبة لنظام احتمالي". "نحن في فريق تطوير Bean Machine نعتقد أن قابلية استخدام النظام تشكل حجر الأساس لنجاحه، وقد حرصنا على تركيز تصميم Bean Machine حول فلسفة تعريفية داخل نظام PyTorch البيئي".
أوضح باحثو Meta وراء Bean Machine في منشور مدونة: "[Bean Machine] مستوحى من جهاز مادي لتصور التوزيعات الاحتمالية، وهو مثال ما قبل الحوسبة لنظام احتمالي". "نحن في فريق تطوير Bean Machine نعتقد أن قابلية استخدام النظام تشكل حجر الأساس لنجاحه، وقد حرصنا على تركيز تصميم Bean Machine حول فلسفة تعريفية داخل نظام PyTorch البيئي".
نمذجة عدم اليقين Modeling uncertainty
من المفهوم بشكل عام أن نماذج التعلم العميق شديدة الثقة - حتى عندما ترتكب أخطاء. يصف عدم اليقين المعرفي ما لا يعرفه النموذج لأن بيانات التدريب لم تكن مناسبة، بينما عدم اليقين المتكرر هو عدم اليقين الناشئ عن العشوائية الطبيعية للملاحظات. بالنظر إلى ما يكفي من عينات التدريب، سينخفض عدم اليقين المعرفي، لكن عدم اليقين المتكرر لا يمكن تقليله حتى عند توفير المزيد من البيانات.
يمكن للنمذجة الاحتمالية Probabilistic modeling - تقنية الذكاء الاصطناعي التي تتبناها Bean Machine - قياس هذه الأنواع من عدم اليقين من خلال مراعاة تأثير الأحداث العشوائية في التنبؤ بحدوث النتائج المستقبلية. بالمقارنة مع مناهج التعلم الآلي الأخرى، تقدم النمذجة الاحتمالية فوائد مثل تقدير عدم اليقين والتعبير وقابلية التفسير. يمكن للمحللين الذين يستفيدون منها فهم ليس فقط تنبؤات نظام الذكاء الاصطناعي، ولكن أيضًا الاحتمال النسبي للتنبؤات المحتملة الأخرى. كما أن النمذجة الاحتمالية تجعل من الأسهل مطابقة بنية النموذج مع بنية المشكلة. وباستخدامه، يمكن للمستخدمين تفسير سبب إجراء تنبؤات معينة - والتي قد تساعد في عملية تطوير النموذج.
Bean Machine، المبنية على قمة إطار التعلم الآلي لـ PyTorch و Bean Machine Graph (BMG)، خلفية C ++ مخصصة، تتيح لعلماء البيانات كتابة الرياضيات لنموذج مباشرة في Python والحصول على BMG للقيام بعمل النمذجة الاحتمالية، والاستنتاج التوزيعات الممكنة للتنبؤات بناءً على إعلان النموذج.
يمكن أن يساعد عدم اليقين كما تم قياسه بواسطة Bean Machine في تسليط الضوء على حدود النموذج ونقاط الفشل المحتملة. على سبيل المثال، يمكن أن يكشف عدم اليقين عن هامش الخطأ لنموذج التنبؤ بسعر المنزل أو ثقة النموذج المصمم للتنبؤ بما إذا كانت ميزة التطبيق الجديدة ستؤدي بشكل أفضل من ميزة قديمة.
لتوضيح أهمية مفهوم عدم اليقين، وجدت دراسة حديثة في جامعة هارفارد أن إظهار مقاييس عدم اليقين لكل من الأشخاص الذين لديهم خلفية في التعلم الآلي وغير الخبراء كان له تأثير مساوٍ على مرونتهم لتوقعات الذكاء الاصطناعي. في حين أن تعزيز الثقة في الذكاء الاصطناعي قد لا يكون أبدًا بسيطًا مثل توفير المقاييس، فإن الوعي بالمخاطر يمكن أن يقطع شوطا نحو حماية الناس من قيود التعلم الآلي.
واصلت Meta: "[Bean machine تقدر التنبؤات] بمقاييس موثوقة لعدم اليقين في شكل توزيعات احتمالية ... من السهل تشفير نموذج غني مباشرةً في كود المصدر، [ولأن] النموذج يطابق المجال، يمكن للمرء الاستعلام عن الخصائص الوسيطة المكتسبة داخل النموذج". "نأمل أن يجعل هذا استخدام Bean Machine أمرًا بسيطًا وبديهيًا - سواء كان ذلك عن طريق تأليف نموذج أو تعديل متقدم لاستراتيجيات التعلم الخاصة به".
تم توفير Bean Machine على GitHub اعتبارًا من أوائل ديسمبر.
