تتجه الأبحاث الحديثة إلى دمج النماذج الهجينة (Hybrid Models) التي تجمع بين المبادئ الأساسية (First-Principles) والمكونات المكتسبة (Learned Components) كأداة فعالة في هندسة العمليات والتعلم الآلي. ولكن تواجه هذه النماذج تحديات متعددة، أبرزها كيفية التحقق من صحة نتائجها عبر مجالات مختلفة، خاصة فيما يتعلق بالغموض المعرفي (Epistemic Uncertainty) في الجزء الميكانيكي منها.

فكيف يمكننا معالجة هذه التحديات؟ هنا يأتي دور الذكاء الاصطناعي الرمزي (Neuro-Symbolic AI) في توفير هيكل جديد لهذه النماذج. تم تطوير طريقة جديدة تُعرف باسم "هجين إلى رمزي" (Hybrid-to-NeSy - H2N) والتي تعيد بناء التصاميم النمطية للنماذج الهجينة بحيث يتم وضع المعرفة الميكانيكية في جانب اللغة، والمكونات المكتسبة في جانب الاعتقاد، والنطاقات الصحية مع قيودها في جانب المنطق.

عبر هذه الاستراتيجية، يمكن H2N من احتساب وظيفة استدلال دقيقة للذكاء الاصطناعي الرمزي، مما يسمح بتطوير مقاييس جديدة، مثل معدل انتهاك الهيكل (Structural Violation Rate - SVR) و تشتت المعتقدات (Belief Dispersion - BD)، مما يساعد على قياس كيف تحترم المعتقدات المكتسبة الهيكل الميكانيكي.

دراسة حالة نموذج هجين لتصنيف ثنائي تحت ضجيج التصنيف أظهرت أن النماذج ذات SVR و BD أعلى تواجه تباينًا أكبر في دقة الاستبقاء. وعند ارتفاع تباين التوزيع الهيكلي، تُظهر H2N أيضًا كيف يمكن حساب غير اليقين خلال عمليات الاستنباط، بحيث يتم كشف معدل الدقة فقط بعد حدوث التحول الهيكلي.

توضح هذه التطورات أهمية دمج النماذج الهجينة مع الذكاء الاصطناعي الرمزي، مما يعزز دقتنا فهمنا للأنظمة المعقدة في علم البيانات والهندسة.