مع تزايد تبني تقنيات التعلم الآلي (Machine Learning) في التطبيقات الحرجة، أصبح من الضروري تطوير أساليب تقلل من الأخطاء ذات العواقب الكبيرة. في هذا الإطار، أجرى فريق من الباحثين دراسة مبتكرة تستند إلى استخدام نظام تصنيف مزدوج (Dual-classifier) يعتمد مجموعة من تقنيات Boosted Decision Trees (GBDT) لتمييز الأخطاء البشرية الروتينية عن التصنيفات الخاطئة ذات المخاطر العالية.

تم تقييم هذا النظام عبر ثلاث مجالات مختلفة: تصنيف سلالات الحيوانات، تشخيص آفات الجلد (ISIC 2018)، وعلم أمراض البروستاتا (SICAPv2). وقد أظهرت النتائج تحسنًا كبيرًا في السلامة، مما يؤكد فعالية الإطار المستخدم في تصحيح الأخطاء.

أحد أبرز الجوانب هو أن النتائج اظهرت أن النظام الجديد لا يؤدي إلى زيادة ملحوظة في زمن الاستدلال، حيث سجل زيادة ضئيلة تصل إلى 1.60% في مجموعة بيانات الحيوانات، و1.84% في بيانات ISIC، و1.70% في SICAPv2. بالإضافة إلى ذلك، كانت دقة التصحيح أفضل بكثير من النماذج التقليدية المعتمدة على احتمال الحد الأقصى للفئة (Maximum Class Probability - MCP).

استراتيجية التصحيح المستخدمة ان proved safety-critical reliability, حيث نجحت في تقليل الأخطاء غير البشرية الخطيرة بنسبة 34.1% في ISIC، و12.57% في SICAPv2. ونتيجةً لذلك، ارتفعت دقة التشخيص إلى 90.41% و92.13% على التوالي.

هذه النتائج توضح أنه يمكن تعزيز موثوقية النماذج الحيوية بشكل كبير بعد التشغيل دون الحاجة إلى إعادة تدريب مكلفة للنموذج. تعكس هذه الدراسة أهمية تطوير تقنيات جديدة تضمن أمان الذكاء الاصطناعي في التطبيقات الحرجة، مما يُشجع على الابتكار المستدام في هذا المجال.