بقلم: ليلى | محررة أدوات المطورين · صوت تحريري بإشراف بشري
اكتشف باحثان من معهد MIT الرابط الرياضي المفقود بين تقنيتين متضادتين في الذكاء الاصطناعي. ففي بحثهما الجديد “Trees to Flows and Back”، أثبت Sai Niranjan Ramachandran وSuvrit Sra أن أشجار القرار المنفصلة والهرمية ونماذج الانتشار المستمرة والديناميكية تتشارك نفس المبدأ التحسيني (وفقاً لـ ArXiv).
المبدأ المُكتشف يحمل اسم Global Trajectory Score Matching (GTSM)، وهو يُظهر أن تقنية gradient boosting في صورتها المثالية تُعتبر الحل الأمثل تدريجياً لهذا المبدأ. لكن القيمة الحقيقية للاكتشاف تكمن في تطبيقيه العمليين اللذين يحققان أداءً متفوقاً مع كفاءة حاسوبية أكبر.
أول هذين التطبيقين هو TreeFlow، وهو نموذج مصمم خصيصاً للبيانات الجدولية. يحقق TreeFlow جودة توليد تنافسية مع دقة أعلى وتسريع حاسوبي يصل إلى ضعفين مقارنة بالنماذج التقليدية (وفقاً لـ ArXiv). هذا التحسن ليس هامشياً – فالمضاعفة في السرعة تعني إمكانية معالجة ضعف كمية البيانات في نفس الوقت، أو تحقيق نفس النتائج في نصف الوقت.
التطبيق الثاني، DSMTree، يحل مشكلة نقل المعرفة من النماذج المعقدة إلى أخرى أبسط. تقنية التقطير هذه تنقل منطق القرار الهرمي من أشجار القرار إلى الشبكات العصبية، محققة أداءً يقع ضمن هامش 2% فقط من النموذج الأصلي عبر مقاييس متعددة (وفقاً لـ ArXiv). بمعنى آخر، يمكن الآن الحصول على 98% من أداء النموذج الأصلي بتعقيد أقل بكثير.
تخيل المعضلة التي واجهها مطورو الذكاء الاصطناعي لسنوات: اختيار بين أشجار القرار القابلة للتفسير لكن المحدودة في التعقيد، أو نماذج الانتشار القوية لكن الصعبة الفهم. الآن، يقدم هذا البحث إمكانية الجمع بين نقاط القوة في كلا النهجين دون التضحية بأي منهما.
في القطاع المالي، تفتح هذه الاكتشافات آفاقاً جديدة لتطوير أنظمة تقييم المخاطر. فبدلاً من الاعتماد على أشجار قرار بسيطة قد تفوت أنماطاً معقدة، أو نماذج معقدة لا يمكن تفسيرها للمنظمين، يمكن الآن بناء نماذج هجينة تجمع بين الدقة والشفافية. النتيجة: قرارات ائتمانية أكثر دقة ومبررة.
الرعاية الصحية تستفيد بشكل مماثل. أطباء الطوارئ يحتاجون إلى أنظمة تشخيص سريعة وقابلة للتفسير. TreeFlow يوفر السرعة المطلوبة بمضاعفة الأداء الحاسوبي، بينما DSMTree يضمن أن منطق القرار يبقى واضحاً ومفهوماً للممارسين الطبيين.
لكن الاكتشاف الأهم ليس تقنياً بحتاً – إنه مفاهيمي. فالبحث يكشف أن التقنيات التي نعتبرها متناقضة قد تكون في الواقع وجهين لعملة واحدة. هذا يفتح أبواباً لإعادة النظر في تقنيات أخرى نعتبرها منفصلة، والبحث عن الروابط الرياضية المخفية بينها.
التحدي الآن يكمن في التطبيق الواسع. بينما ركزت النتائج على البيانات الجدولية، تبقى فعالية النهج مع النصوص والصور غير مؤكدة. كذلك، التطبيقان العمليان يحتاجان إلى اختبارات مكثفة في بيئات الإنتاج الحقيقية قبل أن نتمكن من تقييم استقرارهما وموثوقيتهما على المدى الطويل.
ما يجعل هذا البحث مهماً ليس فقط النتائج التقنية، بل المنهج نفسه. فبدلاً من تطوير تقنيات جديدة منعزلة، يركز الباحثان على فهم العلاقات العميقة بين التقنيات الموجودة. هذا النهج قد يكون مفتاح التقدم التالي في الذكاء الاصطناعي – ليس من خلال اختراع المزيد من التقنيات، بل من خلال فهم كيفية عمل التقنيات الحالية معاً.
