في عالم الذكاء الاصطناعي، تواجه التطبيقات الحقيقية لتعلم الآلة (Machine Learning) تحديات كبيرة نتيجة لوجود غموض أو معلومات ذات طبيعة ذاتية تجعل من الصعب تحديد الهدف الحقيقي بدقة. لمواجهة هذه التحديات، تم اقتراح إطار عمل يسمى EL-MIATTs (تقييم وتعلم مع أهداف حقيقية متعددة غير دقيقة) والذي يفترض أن الهدف الحقيقي لمهمة تعلم الآلة المعنية قد لا يوجد بشكل موضوعي في العالم الحقيقي.

يتناول هذا البحث كيفية تطوير آليتين مكملتين هما: خوارزميات تقييم قائمة على صيغة تقييم منطقية (Logical Assessment Formula) واستراتيجيات تعلم قائمة على التعلم الهادف غير القابل للتعريف (Undefinable True Target Learning) باستخدام MIATTs. تهدف هذه الاستراتيجيات إلى تحقيق نمذجة منطقية متماسكة وقابلة للتطبيق عملياً تحت إشراف غير مؤكد.

في بداية البحث، يتم تحليل MIATTs الخاصة بالمهام، حيث يتم فحص كيفية تأثير تغطيتها وتنوعها على خصائصها الهيكلية وتأثيرها في عملية التقييم والتعلم اللاحقة. بناءً على هذا الفهم، تم صياغة خوارزميات تقييم معتمدة على LAF تعمل إما على MIATTs الأصلية أو على أهداف ثلاثية مُركبة منها، موازنةً بين القابلية للتفسير والموثوقية والشمولية.

وعندما يتعلق الأمر بتدريب النماذج، تم تقديم استراتيجيات تعلم قائمة على UTTL باستخدام وظائف فقدان Dice وcross-entropy، مع مقارنة أنظمة تحسين تعتمد على الأهداف الفردية وتجميعها. ويناقش البحث أيضاً كيفية دمج LAF وUTTL لسد الفجوة بين المنطق الإحصائي والتفاؤل الإحصائي.

ككل، توفر هذه العناصر مساراً متسقاً لتنفيذ EL-MIATTs، مما يقدم أساساً منهجياً لتطوير أنظمة تعلم الآلة في السيناريوهات التي يكون فيها مفهوم "الحقائق المتينة" غير مؤكد بطبيعته.

لا تنسوا الاطلاع على التطبيق العملي لنتائج هذا العمل كجزء من الدراسة المتاحة على الرابط: https://www.qeios.com/read/EZWLSN