في عالم التعلم الآلي (Machine Learning) حيث تتزايد أهمية الأمان والدقة، تظهر الحاجة إلى طرق فعالة للتعامل مع البيانات خارج الموزعة (Out-of-Distribution - OOD). فبينما تم تدريب نماذج التعلم الآلي على بيانات متواجدة داخل الموزعة (In-Distribution - ID)، تواجه هذه النماذج تحديات كبيرة عند التعامل مع إدخالات OOD during deployment.

طور الباحثون في هذا المجال مجموعة من الوظائف التقييمية لقياس عدم اليقين في البيانات OOD، إلا أن القيم العتبات التي يتم تحديدها بناءً على بيانات ID فقط قد تؤدي إلى معدلات إيجابية خاطئة (False Positive Rates - FPR) مرتفعة. هنا تأتي أهمية ASAT، وهو إطار عمل جديد يجمع بين التعلم الآلي والتغذية الراجعة البشرية للتكيف الفوري مع السيناريوهات المتغيرة.

يعمل ASAT على تحديث وظائف التقييم والعتبات بشكل آمن وديناميكي استنادًا إلى الملاحظات الحقيقية، مما يعزز معدل النجاح الإيجابي (True Positive Rates - TPR) مع السيطرة على معدلات الخطأ. حتى خلال الأوقات غير المستقرة، يتكيف ASAT مع التغيرات في البيانات مع تقليل الانحرافات المؤقتة.

تُظهر التقييمات التجريبية التي أُجريت على معايير OpenOOD أن ASAT يتفوق على الطرق الحالية من خلال تحقيق معدلات TPR أعلى مع الحفاظ على السيطرة على FPR.

بهذا الإطار الجديد، يتضح أنه يمكن لمستقبل التعلم الآلي أن يحرز تقدمًا كبيرًا في أمان البيانات وجودتها، مما يفتح الأفق لتقنيات أكثر تطورًا في مجال الذكاء الاصطناعي.