في عالم الذكاء الاصطناعي، يبرز تأثير راشومون (Rashomon Effect) كظاهرة مثيرة للاهتمام، حيث تؤدي نماذج التعلم الآلي المتعددة التي تحقق دقة متساوية إلى تنبؤات مختلفة لنفس المدخلات، مما يعرف بالتعددية التنبؤية (predictive multiplicity). رغم ذلك، تظل آثار هذه الظاهرة غير مفهومة بالكامل في سياقات أنظمة اتخاذ القرار الأكثر تعقيدًا.

أجريت دراسة حديثة تركز على التعددية من منظور تدقيق التنبؤات في النماذج التجميعية، حيث يتم اتخاذ قرارات تحويل بعض الحالات للمراجعة البشرية بناءً على معيار يتضمن هامش التجميع (ensemble margin) ومقياس لتنوع التنبؤ المحلي (local prediction variability) لكل نموذج. تبين أن قياسات الثبات والسلاسة (stability and smoothness) تشير إلى أن درجات التناسق لمجموعات النماذج النهائية تتقارب مع النتيجة المتوقعة للنموذج الرئيسي من مجموعة راشومون مع زيادة عدد النماذج المستخدمة.

لإثبات فعالية هذا المعيار، تم تقييم الإطار باستخدام نماذج المحولات (transformer models) والحساسية العالية لتعديل نماذج اللغة الكبيرة (large language models) المستخدمة في مهام تصنيف البيانات الجدولية. أظهرت التجارب أن استخدام نماذج متجمعة من مجموعة راشومون يقلل بشكل كبير من خطر التنبؤات الخاطئة مقارنة بمراجعة نموذج واحد، بينما لا يتطلب سوى زيادة معتدلة في عدد الحالات المحوّلة.

علاوة على ذلك، يمكن تقريب سلوك المراجعة لمجموعة راشومون كاملة عبر تجمعات نماذج ذات حجم معتدل، حيث يقترب الخطر من الصفر في بعض مجموعات البيانات. يتفوق المقياس المقترح على المقاييس القائمة لقياس التعددية التنبؤية، مما يوفر وسيلة موثوقة أكثر لالتقاط التعددية في مجموعة راشومون.

هل تعتقد أن هذه الطرق جديدة في مراجعة القرارات ستحدث ثورة في كيفية التعامل مع النماذج الذكية؟ شاركونا آرائكم في التعليقات!