ReSS: الثورة في نماذج استنتاج البيانات الجدولية للصناعات الحيوية!
تقدم ReSS نموذجاً مبتكراً يمزج بين النماذج الرمزية والعصبية لتحسين دقة تحليل البيانات الجدولية. من خلال تعزيز الفهم البشري واستنتاج المعلومات، تمثل خطوة هامة نحو تطوير الذكاء الاصطناعي القابل للاستخدام في مجالات حيوية.
تظل البيانات الجدولية متواجدة بقوة في مجالات حيوية مثل الرعاية الصحية والتمويل، حيث يُتوقع من النماذج التنبؤية تقديم دقة عالية ومنطق يمكن فهمه من قبل البشر. ومع الأساليب الرمزية التي تقدم منطقاً يمكن التحقق منه، إلا أنها تفتقر إلى القوة الدلالية اللازمة لوصف البيانات بشكل شامل. من ناحية أخرى، تتطلب نماذج اللغات الضخمة (Large Language Models) العامة غالبًا عمليات ضبط خاصة لتصبح قادرة على التعامل مع استنتاجات محددة للبيانات الجدولية.
لمواجهة هذين التحديين المتمثلين في تقليل حجم البيانات وتحقيق تناسق في الاستنتاجات، تم ابتكار إطار عمل منظم يُعرف بـ ReSS. هذا الإطار يجسر الفجوة بين نماذج الاستنتاج الرمزية والعصبية، حيث يستفيد من نموذج شجرة القرار لاستخراج مسارات القرار على مستوى الحالة كدعائم رمزية. تساعد هذه الدعائم، جنبًا إلى جنب مع الميزات والعلامات المُدخلة، نموذج LLM على إنتاج استنتاجات طبيعية تُعزز منطق القرار الأساسي.
تُستخدم مجموعة البيانات عالية الجودة الناتجة لتدريب نموذج LLM مسبق الصنع ليصبح نموذجاً متخصصاً في استنتاج البيانات الجدولية، مدعومًا أيضاً باستراتيجية تعزيز بيانات غير مرتبطة بالدعائم لتحسين عمومية النموذج ووضوح استنتاجاته. ولتقدير دقة الاستنتاجات بدقة، نقدم مقاييس كمية جديدة تشمل معدل الوهم، وضرورة الشرح، وكفاية الشرح.
أظهرت النتائج التجريبية على معايير طبية ومالية أن النماذج المدربة باستخدام ReSS تتفوق على نماذج شجرة القرار التقليدية وأساليب ضبط المعايير القياسية حتى 10%، مع إنتاج استنتاجات دقيقة ومتسقة، مما يفتح آفاقًا جديدة لتطبيقات الذكاء الاصطناعي في مجالات حيوية.
لمواجهة هذين التحديين المتمثلين في تقليل حجم البيانات وتحقيق تناسق في الاستنتاجات، تم ابتكار إطار عمل منظم يُعرف بـ ReSS. هذا الإطار يجسر الفجوة بين نماذج الاستنتاج الرمزية والعصبية، حيث يستفيد من نموذج شجرة القرار لاستخراج مسارات القرار على مستوى الحالة كدعائم رمزية. تساعد هذه الدعائم، جنبًا إلى جنب مع الميزات والعلامات المُدخلة، نموذج LLM على إنتاج استنتاجات طبيعية تُعزز منطق القرار الأساسي.
تُستخدم مجموعة البيانات عالية الجودة الناتجة لتدريب نموذج LLM مسبق الصنع ليصبح نموذجاً متخصصاً في استنتاج البيانات الجدولية، مدعومًا أيضاً باستراتيجية تعزيز بيانات غير مرتبطة بالدعائم لتحسين عمومية النموذج ووضوح استنتاجاته. ولتقدير دقة الاستنتاجات بدقة، نقدم مقاييس كمية جديدة تشمل معدل الوهم، وضرورة الشرح، وكفاية الشرح.
أظهرت النتائج التجريبية على معايير طبية ومالية أن النماذج المدربة باستخدام ReSS تتفوق على نماذج شجرة القرار التقليدية وأساليب ضبط المعايير القياسية حتى 10%، مع إنتاج استنتاجات دقيقة ومتسقة، مما يفتح آفاقًا جديدة لتطبيقات الذكاء الاصطناعي في مجالات حيوية.
