حساب انزياح التوزيع في نماذج التعلم الآلي: باحثان يطوران خوارزمية «داتا شيفتس» لتقدير حدود الخطأ من العينات الواقعية

يقف انزياح توزيع البيانات عقبة دائمة أمام فرق التعلم الآلي، إذ غالباً ما تؤدي النماذج أداءً منضبطاً في بيئات الاختبار المعزولة، ثم تفقد دقتها تدريجياً وبصمت بمجرد تشغيلها على أرض الواقع نتيجة تغير طبيعة المدخلات أو تبدل العلاقات التي بُنيت التوقعات على أساسها. وفي ورقة بحثية قُبلت للنشر في المؤتمر الدولي الثالث والأربعين للتعلم الآلي (ICML 2026) وجرى إيداعها عبر منصة «أركايف»، يقدم الباحثان هونغبو تشن ولي تشارلي شيا دراسة تمتد في ثمان وثلاثين صفحة وتسعة أشكال توضيحية، تسعى إلى معالجة الفجوة القائمة بين النظريات المجردة لحدود التعلم وتطبيقاتها العملية في رصد أخطاء النماذج.

انهيار المفاهيم التقليدية عند تباين مساحات الدعم الإحصائي

تكمن المعضلة الأساسية التي تفحصتها الدراسة في أن نظريات حدود التعلم الحالية تظل أسيرة افتراضات ضيقة وبيئات مثالية غير قابلة للتحقق، والأخطر من ذلك أنها تعجز عن تقديم تقديرات حسابية يمكن استخراجها مباشرة من عينات البيانات الواقعية المتاحة لمهندسي النماذج. وتبيّن الورقة أن التعريف الكلاسيكي لما يُعرف بانزياح المفهوم يتعطل وينهار رياضياً حين تتباين مساحات الدعم الإحصائي بين بيانات التدريب الأصلية وبيانات الهدف في بيئة التشغيل، مما يجعل النماذج عاجزة عن تفسير السلوكيات المستجدة التي لم تظهر في نطاق التوزيع الأصلي، ويترك المطورين دون أداة قياس دقيقة لمعرفة المدى الفعلي لانحراف النموذج.

توحيد انزياح المتغيرات والمفاهيم عبر النقل الأمثل الإنتروبي

لتجاوز هذا الانسداد النظري، اعتمد الباحثان على تقنيات النقل الأمثل الإنتروبي لصياغة مفهوم إحصائي جديد أطلقا عليه انزياح المفهوم غاما. وانطلاقاً من هذا المفهوم، اشتق الفريق حداً رياضياً عاماً للخطأ يوحّد كلاً من انزياح المتغيرات المشتركة وانزياح المفهوم ضمن إطار حسابي واحد، وهو إطار يمتلك مرونة واسعة تسمح بتطبيقه على مختلف دوال الخسارة، وفضاءات التصنيف المتعددة، وأنظمة التوسيم الاحتمالي والعشوائي. ولم يتوقف العمل عند الصياغة النظرية، بل طور الباحثان مقدرات إحصائية لهذه الانزياحات مدعومة بضمانات تركيز رياضي، وتوّجا ذلك بتطوير خوارزمية «داتا شيفتس» القادرة على قياس انزياحات التوزيع وحساب حدود الخطأ مباشرة من عينات البيانات الواقعية في معظم التطبيقات العملية.

ما الذي يتغير عملياً لفرق البيانات والتشغيل الإقليمية؟

ينقل هذا التطور اختبارات النماذج من التقييم التجريبي التقريبي إلى الضبط الإحصائي القابل للقياس المسبق، وهو ما يمس مباشرة بيئات الأعمال التقنية في الخليج ومصر والمشرق العربي. فعندما تستورد المؤسسات المالية أو بوابات الخدمات الحكومية أو شركات الاتصالات نماذج ذكاء اصطناعي مدربة على مجموعات بيانات عالمية أو قياسية، تواجه هذه النماذج فوراً انزياحاً حاداً في طبيعة البيانات، سواء في المدخلات اللغوية للهجات المحلية وسياقاتها، أو في أنماط المعاملات الرقمية والبيانات الاستهلاكية التي تختلف جذرياً عن بيئات التدريب الأصلية. وحتى الآن، كانت الفرق المحلية تضطر إلى انتظار وقوع أخطاء التشغيل أو تدهور المخرجات لاكتشاف فجوة الأداء بصورة رجعية.

إن إتاحة خوارزمية قادرة على تقدير حدود الخطأ وانزياح التوزيع بالاعتماد على عينات البيانات الفعلية تمنح مديري التقنية وقادة الفرق البرمجية في المنطقة معياراً حسابياً حاسماً قبل اتخاذ قرار النشر النهائي. فبدلاً من إطلاق النماذج على أساس الثقة الاحتمالية المجردة، يستطيع الفريق فحص بيانات التشغيل وحساب الحدود القصوى للخطأ المتوقع بصورة مسبقة، مما يحدد بوضوح ما إذا كان النظام بحاجة إلى إعادة تدريب محلي كامل، أو تكثيف الضبط الدقيق، أو بناء طبقات تحقق إضافية لحماية جودة القرارات التشغيلية وتقليص تكاليف الصيانة المستمرة.