في عالم الذكاء الاصطناعي المتقدم، قد تكون التفسيرات الواضحة لقرارات نماذج التعلم الآلي علامة فارقة في تعزيز ثقة المستخدمين. تمثل تفسيرات المضاد (Counterfactual Explanations) حجر الزاوية في هذا السياق، حيث تعني تلك التفسيرات تحديد التغييرات الطفيفة في المدخلات التي يمكن أن تغير من قرارات النماذج. ومع ذلك، تعاني الكثير من الطرق الحالية من تقديم توصيات غير واقعية أو غير قابلة للتطبيق نظرًا لعدم توفر آليات واضحة تشمل المعرفة الميدانية والقيود التدخلية.

يظهر إطار PACE، الذي يشتمل على مقابلات نيرو-رمزية (Neuro-Symbolic AI)، كحل واعد من خلال دمج النماذج التنبؤية المستندة إلى البيانات مع التفكير الرمزي القادر على تمثيل القواعد القابلة للفهم من قبل الإنسان. يمثل هذا الإطار أحد الحلول المبتكرة التي تفصل بين مكوني التنبؤ والتفكير، مما يضمن أن يتم توليد تفسيرات واقعية ومتسقة مع المعرفة الميدانية بينما تبقى مفهومة وعملية.

تتضمن طريقة PACE نموذجًا تنبؤيًا عصبيًا (Neural Predictive Model) لتصنيف البيانات وطبقة تفكير رمزية (Symbolic Reasoning Layer) تفرض قيودًا خاصة بالمجال أثناء توليد التفسيرات المضادة. عبر نمذجة التدخلات القابلة للتطبيق بشكل صريح، يقوم الإطار بتقديم تفسيرات تتماشى مع المعرفة الخاصة بالمجال مع الحفاظ على إمكانية فهمها.

توالت النتائج من دراسة حالة أجريت على مجموعة بيانات دخل البالغين (Adult Income dataset) تدعم إمكانيات هذا الإطار. حيث تم دمج مصنف متعدد الطبقات مع قواعد برمجة مجموعة الإجابة (Answer Set Programming - ASP) لتشفير التعديلات القابلة للتطبيق في مجالات مثل التعليم والمهنة وساعات العمل. تأكدت النتائج من وجود توازن معقد بين صحة التفسيرات ومصداقيتها، وأظهرت أن القيود الرمزية توفر تفسيرات أفضل تلبي المتطلبات الخاصة بالمجال، مما يعكس إمكانيات نهج النيرو-رمزي في تقديم تفسيرات قابلة للتطبيق في الذكاء الاصطناعي القابل للتفسير (Explainable AI).

لذا، ماذا عن مستقبل التفسيرات المشروطة؟ هل ستكون هذه الحلول الجديدة قادرة على إعادة تشكيل ثقافة الثقة في الذكاء الاصطناعي؟ تابعونا لمزيد من التطورات.