في عصر الذكاء الاصطناعي، أصبحت الشبكات العصبية تلعب دوراً محورياً في اتخاذ قرارات هامة في مجالات تتطلب دقة عالية مثل التشخيص الطبي والموافقة الائتمانية والمزايدة في مجال الطاقة. تتطلب عمليات التدقيق في هذه المجالات أدلة دقيقة على مستوى الحالة، حيث يكون من الضروري معرفة الحالات التدريبية التي تدعم قراراً معيناً وما النتائج التي حققتها تلك الحالات.

تقدم نظرية القرار المستندة إلى الحالات (Case-Based Decision Theory) صيغة رسمية لهذا النوع من التفكير، حيث تقوم بتجميع الدعم الناتج عن النتائج من الحالات التذكارية. في دراستنا الجديدة، نوضح أن مخرجات العمل باستخدام نموذج الانحدار الخطي العادي (Ordinary Least Squares) على تمثيل عصبي ثابت يمكن أن يتبع تجزئة دقيقة مستندة إلى الحالات. كل درجة عمل تمثل مجموعاً موزوناً لعوائد الحالات التدريبية، مع معاملات تحددها هندسة غرام التجريبية.

أيضًا، نتعرف على نظام كافٍ لدلالة تشابه نظرية القرار المستندة إلى الحالات؛ فإذا تجاوزنا ذلك، ينبغي التعامل مع المعاملات بشكل عام كمؤثرات هندسية معنوية. توفر هذه التجزئة إشارات تدقيق تتابع الدرجات إلى الحالات التدريبية، وتقيس تماسك القرار، وتحدد نقاط الضعف في الدعم.

أظهرت النتائج عبر تجارب متعددة بما في ذلك (PJM) و(Adult Income) و(Default Credit) أن هذه الطريقة تستعيد بنية تفضيل الحالة على مستوى الحالة، محققة أعلى اتساق متوسط بين أفضل 30 مقارنة بأساليب التخصيص الأخرى، مع الحفاظ على تنافسية في إعادة بناء الدعم. كل ذلك يتطلب فقط ملاءمة نموذج انحدار خطي عادي، دون الحاجة لإعادة تدريب النموذج أو الوصول إلى المسار الأصلي للتدريب، حيث يتم قياس دقة النموذج باستخدام إعادة بناء الدرجات.

دراسة كهذه تلقي الضوء على كيفية فهمنا للقرارات المدعومة بالتكنولوجيا، وإمكانية تحسينها في المستقبل. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.