متابعات: طوّر باحثون في معهد جورجيا للتكنولوجيا إطاراً جديداً يهدف إلى مساعدة الأنظمة الذاتية ووكلاء الذكاء الاصطناعي على التمييز بين حدث نادر لا يستدعي تغيير السلوك، وموقف جديد يكشف أن فهم النظام للبيئة لم يعد كافياً ويحتاج إلى مراجعة.

الإطار الذي يحمل اسم Mutual Information Surprise» (MIS)»، الذي نُشر في دورية «INFORMS Journal on Data Science»، يقترح إعادة تعريف «المفاجأة» لدى الأنظمة الذاتية باعتبارها مؤشراً على حدوث تقدم أو تغير معرفي، بدلاً من التعامل معها فقط كحدث غير متوقع أو شاذ.

لماذا لا تكفي الندرة وحدها؟

تستخدم بعض الأساليب الحالية مقاييس مثل «مفاجأة شانون» (Shannon Surprise) التي تركز بصورة أساسية على مدى ندرة الحدث، بينما تقيس «مفاجأة بايزيان» (Bayesian Surprise) مقدار التغير الذي تحدثه الملاحظة الجديدة في معتقدات النظام أو تقديراته السابقة.

ويرى الباحثون أن كلا النهجين يمكن أن يفشل في التقاط اللحظة التي تستحق فعلاً أن يتوقف عندها النظام ويعيد تقييم ما يفعله. فعلى سبيل المثال، قد يكون ظهور نوع محدد من السيارات في موقف قريب حدثاً نادراً إحصائياً، لكنه لا يحمل بالضرورة معنى مهماً. وفي المقابل، إذا كان طالب يحقق نتائج مرتفعة باستمرار ثم أخفق فجأة في اختبار، فإن هذا التغير قد يكون أكثر دلالة رغم أنه لا ينسجم دائماً مع طريقة القياس التقليدية.

«مفاجأة» مرتبطة باكتساب المعرفة

يعتمد الإطار الجديد على مفهوم «المعلومات المتبادلة»، وهو مقياس يستخدم لقياس مقدار المعلومات المشتركة بين متغيرات مختلفة. وبدلاً من السؤال فقط عما إذا كان الحدث نادراً، يحاول النظام قياس ما إذا كانت الملاحظة الجديدة تغيّر فعلياً مقدار ما يعرفه عن العلاقة بين المدخلات والنتائج.

ويقول الباحثون إن هذا التحول يسمح للنظام برصد التقدم المعرفي، أي اللحظة التي تكشف فيها البيانات الجديدة شيئاً مهماً لم يكن النموذج يفهمه من قبل. ولهذا يقدم الفريق «المفاجأة» هنا كإشارة إلى أن النظام قد يحتاج إلى تعديل طريقة التعلم أو اتخاذ القرار.

من القياس إلى تغيير السلوك

لم يقتصر العمل على تعريف المقياس الجديد، إذ طوّر الفريق أيضاً سلسلة اختبارات إحصائية لرصد التغيرات المهمة في المعلومات المتبادلة، إلى جانب سياسة استجابة تحمل اسم «MISRP».

هذه السياسة يمكنها تعديل طريقة أخذ العينات أو تقسيم عملية التعلم إلى مسارات مختلفة عندما يرصد النظام تغيراً يستحق التعامل معه. وبذلك لا تصبح «المفاجأة» مجرد تنبيه، بل إشارة يمكن أن تؤثر مباشرة في سلوك النظام وطريقة جمعه للمعلومات.

اختبارات عديدة

اختبر الباحثون النهج على بيئات اصطناعية، إضافة إلى مهمة تتعلق بتقدير خريطة تلوث تتغير ديناميكياً. ووفق نتائج الدراسة، تفوقت الاستراتيجيات التي استخدمت سياسة الاستجابة الجديدة على الأساليب التقليدية القائمة على مقاييس المفاجأة الأخرى من حيث الاستقرار وسرعة الاستجابة ودقة التنبؤ.

ولا تعني هذه النتائج أن النظام أصبح «يشعر» بالمفاجأة بالمعنى البشري، بل إن الباحثين يستخدمون المصطلح لوصف آلية حسابية تحدد متى أصبحت المعلومة الجديدة ذات أهمية كافية لتبرير تغيير السلوك.

تطبيقات محتملة

يرى الفريق أن هذا النوع من القياس يمكن أن يكون مفيداً في أنظمة متعددة، مثل وكيل ذكاء اصطناعي يواجه سؤالاً لا تتوافق معه معرفته الحالية، أو روبوت يصادف موقفاً لم يتدرب عليه، أو مصنع ذاتي التشغيل يتعرض لاضطراب غير مألوف.

وفي مثل هذه الحالات، قد يساعد الإطار النظام على التمييز بين انحراف عابر يمكن تجاهله، وتغير يستدعي التوقف وإعادة التقييم وربما طلب تدخل بشري.

ويتركز الهدف الأوسع للدراسة على منح الأنظمة الذاتية قدرة أفضل على التعامل مع البيئات التي تتغير باستمرار، بحيث لا تواصل تنفيذ الخطة نفسها عندما تصبح المعلومات الجديدة دليلاً على أن الافتراضات السابقة لم تعد مناسبة.