شبكة بايزية

كيف تعمل شبكات بايزية

يتكون الهيكل الأساسي لشبكة بايزية من عقد وحواف موجهة:

• العقد: تمثل كل عقدة متغيرًا عشوائيًا، والذي يمكن أن يكون منفصلًا (على سبيل المثال، "المرض موجود" مقابل "المرض غائب") أو متصلًا (على سبيل المثال، "درجة الحرارة").
• الحواف: تربط الحواف الموجهة (الأسهم) بين أزواج من العقد، مما يشير إلى تبعية احتمالية. يشير السهم من العقدة (أ) إلى العقدة (ب) إلى أن للعقدة (أ) تأثير مباشر على العقدة (ب). والأهم من ذلك أن يكون الرسم البياني غير متسلسل، أي لا توجد دورات موجهة؛ فلا يمكنك البدء من عقدة وتتبع الأسهم حتى عقدة البداية. ترمز هذه البنية إلى افتراضات الاستقلالية المشروطة - أي أن المتغير مستقل عن المتغيرات غير التابعة له بالنظر إلى والديه.
• جداول الاحتمالات الشرطية (CPTs): ترتبط كل عقدة بتوزيع احتمالي. بالنسبة للعقد التي لها آباء وأمهات، يكون هذا توزيع احتمالي مشروط، وغالباً ما يتم تمثيله على شكل جدول الاحتمالات الشرطية (CPT)، ويحدد تأثير الآباء على تلك العقدة. أما العقد التي ليس لها آباء فلها توزيع احتمالي مسبق.

يتضمّن الاستدلال في شبكات بايز حساب التوزيع الاحتمالي لبعض المتغيّرات بملاحظات (أدلة) حول متغيّرات أخرى، وغالبًا ما يستخدم خوارزميات تستند إلى نظرية بايز. يتضمن التعلّم إما تعلّم البنية (تحديد طوبولوجيا الرسم البياني من البيانات) أو تعلّم البارامترات (تقدير المتغيرات الاحتمالية من البيانات).

الملاءمة في الذكاء الاصطناعي والتعلم الآلي

تقدم شبكات بايزية العديد من المزايا في الذكاء الاصطناعي والتعلم الآلي:

• التعامل مع عدم اليقين: فهي توفر إطارًا طبيعيًا لتمثيل عدم اليقين والاستدلال عليه، وهو أمر متأصل في العديد من المشاكل الواقعية.
• الاستدلال السببي: يمكن أن تمثل الطبيعة الموجهة للرسم البياني في كثير من الأحيان العلاقات السببية، مما يسمح بالاستدلال على السبب والنتيجة، على الرغم من أن إثبات السببية يتطلب تصميمًا وافتراضات دقيقة(عمل جودا بيرل في السببية).
• الجمع بين المعرفة: تسمح بدمج معرفة المجال الخبير (في هيكلة الرسم البياني) مع البيانات الرصدية (في تعلم الاحتمالات).
• قابلية التفسير: غالبًا ما تجعل البنية البيانية افتراضات النموذج وتبعياته أسهل في الفهم مقارنةً بنماذج الصندوق الأسود مثل الشبكات العصبية المعقدة (NN).

على الرغم من قوتها في الاستدلال الاحتمالي، إلا أنها تختلف عن نماذج مثل بنيات التعلم العميق (DL) (مثل الشبكات العصبية التلافيفية (CNNs ) المستخدمة في Ultralytics YOLOلاكتشاف الأجسام أو تجزئة الصور) التي تتفوق في تعلم السمات الهرمية من البيانات الأولية مثل الصور، ولكنها غالبًا ما تفتقر إلى قابلية التفسير الاحتمالي الصريح. تقوم شبكات بايزي بنمذجة التبعيات الصريحة، بينما تتعلم الشبكات العصبية العصبية الدوال المعقدة والضمنية في كثير من الأحيان. كما أنها تختلف عن نماذج التسلسل مثل نماذج ماركوف المخفية (HMMs)، على الرغم من أن كلاهما نوعان من النماذج البيانية.

التطبيقات الواقعية

تُستخدم شبكات بايزية في مجالات مختلفة:

• التشخيص الطبي: يمكنها نمذجة العلاقات بين الأمراض والأعراض وتاريخ المريض ونتائج الاختبارات. على سبيل المثال، يمكن للشبكة أن تأخذ أعراضًا مثل "الحمى" و"السعال" إلى جانب عمر المريض كمدخلات للتنبؤ باحتمالية الإصابة بأمراض تنفسية معينة(مثال على ورقة بحثية عن التشخيص الطبي). وهذا يساعد الأطباء السريريين في التشخيص، ويكمل تقنيات مثل تحليل الصور الطبية. استكشف حلول الذكاء الاصطناعي في مجال الرعاية الصحية.
• تصفية الرسائل غير المرغوب فيها: يمكن نمذجة خصائص البريد الإلكتروني (وجود كلمات مفتاحية معينة، وسمعة المرسل، وإدراج الروابط) كمتغيرات في شبكة بايزي لحساب احتمال أن يكون البريد الإلكتروني الوارد بريدًا مزعجًا(نظرة عامة على تصفية البريد الإلكتروني المزعج بايزي).
• تقييم المخاطر: يُستخدم في مجال التمويل والهندسة لنمذجة العوامل التي تساهم في المخاطر (مثل ظروف السوق، وفشل المكونات) وتقدير احتمالية النتائج غير المرغوب فيها(تطبيقات نمذجة المخاطر المالية).
• المعلوماتية الحيوية: تطبق لنمذجة الشبكات التنظيمية الجينية وفهم النظم البيولوجية المعقدة(تطبيق في بيولوجيا النظم).
• استكشاف أخطاء النظام وإصلاحها: نمذجة المكونات وأنماط الفشل لتشخيص المشكلات في الأنظمة المعقدة مثل الطابعات أو الشبكات.

الأدوات والموارد

تسهل العديد من مكتبات البرمجيات إنشاء واستخدام شبكات بايزي:

• pgmpy: مكتبة Python الشهيرة للعمل مع النماذج البيانية الاحتمالية.
• احتمالTensorFlow : امتداد ل TensorFlow يوفر أدوات للاستدلال الاحتمالي، بما في ذلك شبكات بايزية.
• PyTorch: على الرغم من عدم وجود مكتبة BN مخصصة في الأساس، إلا أنه يمكن استخدام مكتبات البرمجة الاحتمالية المبنية على PyTorch مثل Pyro.
• صندوق أدوات بايز نت لماتلاب: صندوق أدوات يستخدم على نطاق واسع في المجتمع الأكاديمي.

يمكن لمنصات مثل Ultralytics HUB أن تساعد في إدارة دورة حياة مشروع الذكاء الاصطناعي الأوسع، حتى لو كان النموذج الأساسي عبارة عن شبكة بايزي تم تطويرها باستخدام أدوات متخصصة. يوفر فهم شبكات بايزيان مهارات قيّمة لمعالجة المشاكل التي تنطوي على عدم اليقين والاستدلال السببي في مجال التعلم الآلي الأوسع نطاقاً. استكشف وثائقUltralytics لمعرفة المزيد عن نماذج وتطبيقات الذكاء الاصطناعي.