في حقبة تتسارع فيها الابتكارات في مجال الذكاء الاصطناعي، يظهر نظام جديد لتحسين أداء نماذج التصنيف عبر مفهوم يسمى "تحسين المنطقة الجزئية تحت منحنى التشغيل (pAUC)". يعتبر هذا القياس أحد المؤشرات المهمة في تصنيف الثنائيات، حيث يلخص معدلات الإيجابيات الصحيحة ضمن نطاق معين من معدلات الإيجابيات الخاطئة.

غالباً ما تتطلب طرق تحسين pAUC بيانات مسماة إيجابية وسلبية للتدريب، لكن جمع البيانات السلبية يعد تحدياً، بسبب قضايا الخصوصية أو الحاجة إلى خبراء لتسميتها. ومن هنا، يأتي الابتكار الأخير من فريق بحثي قدم طريقة جديدة تعتمد فقط على البيانات الإيجابية وغير المعنونة (PU data).

تحت إطار تقليل المخاطر التجريبية، تمكّن الباحثون من تمثيل pAUC باستخدام الكثافات الإيجابية والهامشية فقط، وأعدّوا مقدّراً تجريبياً يعتمد على هذه البيانات. وبعد ذلك، تم تدريب نموذج تصنيف عبر تعظيم المقدّر التجريبي المعدل.

التجارب التي أجريت على عشرة مجموعات بيانات حقيقية أثبتت فعالية هذه الطريقة الجديدة، مما يفتح آفاقاً جديدة لاستخدام تقنيات الذكاء الاصطناعي في تطبيقات حقيقية مثل الأمن السيبراني والرعاية الصحية والإعلانات.

بالتأكيد، يبدو هذا التطور واعداً في تغيير كيفية تعاملنا مع البيانات في مجالات حساسة جداً. فهل تتوقعون أن يحدث هذا النهج ثورة في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.