تحويل نتائج التعلم الآلي من الغموض إلى الوضوح: كيف تُسهم نماذج اللغة الضخمة في فهم أفضل في التصنيع

تعد قابلية تفسير نتائج التعلم الآلي (Machine Learning) إحدى التحديات الأساسية في مجال الذكاء الاصطناعي القابل للتفسير (Explainable Artificial Intelligence - XAI). في هذه الدراسة الجديدة، يطرح الباحثون نهجًا مبتكرًا لتعزيز هذه القابلية من خلال دمج نماذج اللغة الضخمة (Large Language Models - LLM) مع الرسوم البيانية المعرفية (Knowledge Graphs - KG).

تقوم هذه الطريقة بتخزين بيانات محددة من المجال جنبًا إلى جنب مع نتائج التعلم الآلي وتفسيراتها، مما يساهم في إنشاء تواصل منظم بين المعرفة الميدانية ورؤى التعلم الآلي. لجعل هذه الرؤى متاحة للمستخدمين، تم تصميم طريقة استرجاع انتقائية حيث يتم استخراج الثنائيات ذات الصلة من KG ومعالجتها باستخدام LLM لتوليد تفسيرات سهلة الفهم لنتائج التعلم الآلي.

تم تقييم هذه الطريقة في بيئة تصنيع حقيقية من خلال استخدام بنك أسئلة XAI، حيث تم طرح 33 سؤالًا، وتم تحليل الإجابات باستخدام مقاييس كمية مثل الدقة والتناسق، بالإضافة إلى مقاييس نوعية مثل الوضوح والفائدة. التجربة قدمت دليلاً عمليًا يظهر نجاح هذه التفسيرات في تحسين القرارات في عمليات التصنيع.

تتمثل المساهمة في هذه الدراسة في شقين: من جهة، تقديم نهج نظري مبتكر يمكن نماذج اللغة الضخمة من الوصول ديناميكيًا إلى الرسوم البيانية المعرفية لتعزيز قابلية تفسير نتائج التعلم الآلي. ومن جهة أخرى، تقديم أدلة تجريبية تظهر كيف يمكن تطبيق هذه التفسيرات بفعالية في الواقع العملي، مما يدعم اتخاذ قرارات أفضل في العمليات الصناعية.