تأطير المسألة

طريقان إلى نفس الفكرة

قبل أن تبدأ

الفكرة الجوهرية

قبل أي نموذج تحتاج ثلاثة أشياء مكتوبة: نوع المخرج، والرقم الذي يحقّقه حل لا يتعلّم شيئًا، وتكلفة كل خطأ. في هذا الدرس تبنيها بالترتيب، ثم ترى متى تكفي قاعدة بسيطة بدل النموذج.

1نوع المخرج يحدّد المسألة

أول سؤال: ماذا يخرج من الحل؟ إذا كان فئة فهي مسألة تصنيف، وإذا كان رقمًا فهي انحدار، وإذا لم يكن هناك جواب صحيح معروف فهي تجميع.

انظر إلى الرسم: سؤالان فقط يوصلانك إلى نوع المسألة. سؤال «هل هذا الطلب احتيال؟» يسلك الطريق المضيء إلى التصنيف.

«هل هذا الطلب احتيال؟» مخرجه نعم أو لا، فهو تصنيف. «كم سيدفع العميل؟» مخرجه رقم، فهو انحدار. «ما المجموعات الطبيعية في عملائنا؟» بلا جواب صحيح معروف، فهو تجميع. نوع المخرج يقرّر كل شيء بعده: الخوارزمية، والمقياس، وشكل البيانات.

حتى النجوم من 1 إلى 5 قد تعاملها كفئات. وفي التجميع تكون النتيجة فرضية يتحقّق منها إنسان، لا حقيقة.

2خط الأساس في التصنيف

خط الأساس الساذج هو نتيجة حل لا يتعلّم شيئًا. في التصنيف هذا الحل يتنبّأ دائمًا بالفئة الأكثر تكرارًا.

عندنا 1000 طلب، منها 60 احتيالًا. احسب ماذا يحقّق حل «كل الطلبات سليمة».

قبل أي نموذج، احسب نتيجة حل لا يتعلّم شيئًا. في التصنيف: تنبّأ دائمًا بالفئة الأكثر تكرارًا.

from collections import Counter

labels = ["ok"] * 940 + ["fraud"] * 60
counts = Counter(labels)
majority = counts.most_common(1)[0][0]
accuracy = counts[majority] / len(labels)
print("majority class:", majority)
print(f"baseline accuracy: {accuracy:.1%}")

حل يقول «كل الطلبات سليمة» يحصل على 94%. أي نموذج تبنيه يجب أن يتجاوز هذا الرقم بوضوح، وإلا فأنت تدفع تكلفة نموذج مقابل لا شيء. ولاحظ أن هذا الحل لم يكتشف ولا حالة احتيال واحدة، وهذا يخبرك أن الدقة نفسها قد تكون المقياس الخطأ هنا.

3خط الأساس في الانحدار

في الانحدار الحل الساذج يتنبّأ بالمتوسط لكل صف. متوسط خطئه هو الرقم الذي يجب أن يتجاوزه أي نموذج.

في الانحدار، الحل الساذج هو التنبّؤ بالمتوسط لكل صف. احسب كم يخطئ في المتوسط، وهذا رقمك الذي يجب أن تتجاوزه.

import numpy as np

prices = np.array([310, 450, 280, 520, 390, 610, 330, 470], dtype=float)
predict_mean = np.full_like(prices, prices.mean())
mae = np.abs(prices - predict_mean).mean()
print(f"mean price: {prices.mean():.1f}")
print(f"baseline MAE: {mae:.1f}")

حل لا يعرف شيئًا عن الشقق يخطئ بـ92.5 ألفًا في المتوسط. نموذج يخطئ بـ85 ألفًا تحسّن بالكاد، ونموذج يخطئ بـ30 ألفًا تحسّن حقيقي. بدون هذا الرقم، «خطأ 85 ألفًا» لا يقول لك هل هو جيد أم سيئ.

انظر إلى الرسم: نموذج خطؤه 85 ألفًا قريب جدًا من حل لا يعرف شيئًا عن الشقق. أما نموذج خطؤه 30 ألفًا فتحسّن حقيقي.

4تكلفة الخطأ تختار المقياس

الأخطاء ليست متساوية. لذلك تكتب المقياس قبل الكود، فبعد رؤية النتائج ستميل إلى المقياس الذي يجمّلها.

تفويت احتيال يكلّف مالًا، وإيقاف طلب سليم يكلّف عميلًا غاضبًا. التكلفتان غير متساويتين، وهذا ما سيحدّد لاحقًا أي مقياس تختار وأين تضع العتبة.

في مسألة الاحتيال تفويت حالة أغلى غالبًا، فتطلب استدعاءً عاليًا عند دقة مقبولة. هذا قرار عمل قبل أن يكون قرارًا تقنيًا.

5متى تكفي قاعدة

لا تحتاج تعلّم آلة عندما يكتب خبير قاعدة واضحة في أسطر، أو عندما لا توجد بيانات سابقة بالجواب الصحيح.

انظر إلى الرسم: الرسالة تمرّ على سؤالين، وما لا يطابق أيًّا منهما يذهب إلى القسم العام.

بعض المسائل التي تُطرح كمشاريع تعلّم آلة تحلّها قواعد بسيطة. جرّب القاعدة أولًا: إن كانت دقيقة بما يكفي، فهي أرخص وأوضح وأسهل في التصحيح من أي نموذج.

def route(message):
    text = message.lower()
    if "refund" in text or "استرجاع" in text:
        return "billing"
    if "password" in text or "كلمة المرور" in text:
        return "account"
    return "general"


for m in ["I want a refund", "نسيت كلمة المرور", "متى تفتحون؟"]:
    print(route(m), "<-", m)

ثلاثة أسطر شرطية توجّه الرسائل. إن كانت تصيب في 90% من التذاكر الحقيقية، فقد وفّرت أسابيع من جمع البيانات والتدريب. تعلّم الآلة يستحق العناء عندما تكثر الحالات التي لا تستطيع القواعد وصفها، وعندما تملك أمثلة سابقة بالجواب الصحيح.

كيف يعمل، خطوة بخطوة: كيف تؤطّر فكرة غامضة كمسألة تعلّم آلة

أعمق قليلًا

مثال محلول

ثلاث أسئلة تحوّل فكرة غامضة مثل «نبغى نستخدم الذكاء الاصطناعي في الطلبات» إلى مسألة لها جواب يُقاس. جرّبها على مثال صغير قبل أن نسمّي الأشياء.

جرّب بلا كود

خرافة مقابل حقيقة

جرّب بنفسك

بطاقات مراجعة سريعة

تحقق من فهمك