في عالم الذكاء الاصطناعي، يعد تقييم الأداء أساسياً لفهم فعالية الأنظمة. ومع ذلك، غالبًا ما نفترض أن تقسيم البيانات بطريقة عشوائية يؤدي إلى عينات مستقلة ومتطابقة في التوزيع. لكن ماذا لو كان هذا الافتراض غير صحيح؟ في مجالات مثل المراقبة الجوية والزراعة الدقيقة والتصوير الطبي، يمكن أن يؤدي هذا الافتراض إلى فشلين رئيسيين: تسرب البيانات، حيث تمتد العينات المرتبطة عبر تقسيمات التدريب والتحقق مما يرفع التقديرات بشكل غير دقيق، وتخفي الأخطاء في الفئات الأقل تمثيلاً.

للتصدي لهذه المشكلات، قمنا بتطوير إطار عمل موحد للتدريب والتقييم. نقدم مفهوم "التقسيم الاستراتيجي المدرك للهيكل" (Structure-Aware Stratified Partitioning - SASP)، الذي ينشئ تقسيمات تحقق تقلل من تسرب البيانات مع الحفاظ على توازن الفئات بشكل ذي معنى.

أيضاً، نقدم "تحسين موثوق بعملية المنهج الدراسي" (Curriculum Distributionally Robust Optimization - CDRO)، وهو نهج يعتمد على المنهج الدراسي لإراحة التدريب الذي يعزز الاستقرار تحت هذه التقسيمات الأكثر صرامة. بفضل هذا الدمج، نلاحظ تحسنًا ملحوظًا في القدرة على التعميم ودقة ثقة التقديرات، مما يساعد على كشف طرق الفشل التي قد تخفى تحت التقيمات التقليدية العشوائية.

في النهاية، يتطلب تقييم الأداء في أنظمة الذكاء الاصطناعي منا أن نضع في اعتبارنا تعقيدات البيانات وأن نبتكر طرقًا جديدة للتأكد من أن النتائج التي نحصل عليها تعكس بشكل دقيق الأداء الحقيقي للنماذج. هل توافق على أن إعادة النظر في طرق التقييم أمر ضروري؟ شاركونا آرائكم في التعليقات.