في عالم الذكاء الاصطناعي (AI)، باتت الثقة ضرورة ملحة لضمان فعالية الأنظمة في التطبيقات التي تتطلب أمانًا عالياً. ومع أن الأساليب التقليدية مثل الدقة (Accuracy) والموثوقية (Precision) كانت تُستخدم بكثرة، إلا أن هذه الأساليب لا تلتقط أبعاد عدم اليقين أو موثوقية التنبؤات، خاصةً في الظروف الصعبة أو العدائية. هنا تأتي الورقة البحثية الأخيرة التي تعرض الإطار الجديد المبتكر "نظام تقييم الثقة الموازي (PaTAS)".

يعتبر PaTAS إطارًا متقدمًا لنمذجة ونقل الثقة داخل الشبكات العصبية باستخدام المنطق الذاتي (Subjective Logic). يعمل هذا النظام بشكل متوازي مع العمليات العصبية التقليدية، موفرًا نقاط ثقة (Trust Nodes) ودوال ثقة (Trust Functions) لوضع الثقة في المدخلات والمعلمات والتنشيطات عبر الشبكة.

أحد أبرز ميزات PaTAS هو آلية تحديث ثقة المعلمات (Parameter Trust Update) التي تساعد على تحسين موثوقية المعلمات أثناء عملية التدريب، بالإضافة إلى طريقة تقييم ثقة مسار الاستدلال (Inference-Path Trust Assessment) التي تحسب الثقة المحددة لحالات معينة خلال مرحلة الاستدلال.

الاختبارات التي أجريت على بيانات واقعية وأخرى عدائية أظهرت أن PaTAS يقدم تقديرات ثقة قابلة للتفسير، متوازنة ومتقاربة، مما يساعد في كشف ثغرات الموثوقية في البيانات المسمومة أو المشوهة أو غير المؤكدة. مما يعزز من قدرة PaTAS على التفريق بين المدخلات السليمة والعدائية، وكشف الحالات التي تختلف فيها ثقة النموذج عن موثوقيته الفعلية.

بذلك، يوفر PaTAS قاعدة قوية لتقييم موثوقية النماذج عبر دورة حياة الذكاء الاصطناعي، مما يساهم في تسهيل توظيف حلول ذكية أكثر ثقة واستقرارًا.