لماذا لا يعمل نموذجي؟
تناقش المقالة المشكلات الشائعة في التعلم الآلي التي تتسبب في فشل النماذج في التطبيقات الواقعية رغم أدائها الجيد أثناء الاختبار. تشمل القضايا الرئيسية البيانات المضللة (المتغيرات الخفية، الارتباطات الزائفة، أخطاء التسمية)، تسرب البيانات (المعالجة المسبقة قبل التقسيم، التحيز المستقبلي، الإفراط في تكييف مجموعة الاختبار)، واختيار المقياس غير المناسب (مثل الدقة في بيانات غير متوازنة). يوصي المؤلف باستخدام قائمة التحقق REFORMS وممارسات مثل خرائط الأهمية (saliency maps)، المقاييس المتنوعة، والتقسيم الصحيح للبيانات لتحسين موثوقية النموذج.
تستعرض هذه المقالة، المستندة إلى خبرة المؤلف التي تمتد 20 عامًا في مجال التعلم الآلي وإلى الورقة البحثية 'كيفية تجنب مخاطر التعلم الآلي: دليل للباحثين الأكاديميين'، الأخطاء الشائعة التي تؤدي إلى فشل النماذج في بيئة الإنتاج. أولاً، البيانات المضللة: تؤدي المتغيرات المخفية (مثل اتجاه الجسم في صور الأشعة المقطعية لكوفيد) والارتباطات الزائفة (مثل وحدات البكسل في الخلفية في صور الدبابات) إلى تعلم النماذج أنماطًا غير ذات صلة. تستغل الهجمات العدائية هذه الارتباطات الزائفة. كما أن أخطاء التسمية، حتى لو كانت بنسبة قليلة، يمكن أن تشوه مقارنات المعايير. ثانيًا، تسرب البيانات: يؤدي تنفيذ معالجة مسبقة تعتمد على البيانات (مثل تمركز البيانات، وتوسيع نطاقها، واختيار الميزات، وزيادة البيانات) على مجموعة البيانات الكاملة قبل تقسيم بيانات الاختبار إلى تسرب المعلومات، مما يؤدي إلى تضخيم الأداء. ويعد التحيز المستقبلي في التنبؤ بالسلاسل الزمنية، والإفراط في تكييف مجموعة الاختبار (التدريب على مجموعة الاختبار) من حالات التسرب الشائعة. ثالثًا، المقاييس غير المناسبة: قد يكون استخدام الدقة على البيانات غير المتوازنة مضللاً. يوصي المؤلف باستخدام قائمة التحقق REFORMS للعلوم القائمة على التعلم الآلي، وممارسات مثل فحص خرائط البروز، واستخدام معايير متعددة، وضمان التقسيم المناسب للبيانات.
المصدر: The Gradient —
الأصلي