"البساطة هي القوة الحقيقية للاستخبارات"

نماذج الاستخبارات الفنية معقدة كل يوم، أحد أقدم المبادئ الفلسفية للعالم العلمي ما زال يحتفظ بصلاحيته: Occam Usturويستند هذا المبدأ إلى فكرة " إن التفسير الأبسط هو في العادة أدق " التي لا ينبغي القيام بها دون أي افتراضات. إذاً، كيف يعتقد (كاديم) أنّه شكل نظم استخبارات صناعية حديثة؟ Occam Ustur is one of the basic principles that determines how to optimize machine learning (Machine Learning) and deep learning models, not only a philosophical approach. ويمكن لنظم الاستخبارات الفنية أن تجهز المزيد من البيانات كل يوم وتتخذ قرارات أكثر تعقيدا. ولكن هناك عنصر توازن داخل هذا التعقيد: أوكام أوستر. هذا المبدأ الذي كشفه الفيلسوف البريطاني (ويليام) من (أوكام) في القرن الرابع عشر" تجنب الازدواج غير المسموم هو التفسير الأكثر بساطة يكون صحيحا عادة " .على أساس الفكر.

لذا، إذا كان هناك فرضية متعددة لشرح الحدث، ينبغي أن يُفضّل احتواء الافتراض على الأقل. وبالنسبة لنماذج الذكاء الاصطناعي المعقد اليوم، فإن ذلك يأتي مثل إنذار غير مناسب تقريبا للأذن، لأن أحد أكبر التحديات التي تواجه منظمة العفو الدولية الحديثة هو عدم الكفاءة التي يؤديها التعقيد المفرط. والهدف من النماذج في نظم التعلم الآلي والتعلم العميق هو فهم البيانات. واليوم، يتجلى أثر أوكام أوسترا بوضوح في التطبيقات الصناعية، ليس من الناحية النظرية فحسب. وفي عصر البيانات الكبير، أصبحت النماذج التي تم تدريبها على البيانات ذات الأحجام الضخمة أداة حيوية للبقاء من حيث مفهومها وقابليتها للقياس والطاقة. فعلى سبيل المثال، في النماذج القائمة على التحول في Google، أو في سلسلة GPT من OpenAI، ترتبط هذه الفكرة مباشرة بزيادة سرعة التعلم وكفاءته مع البساطة المعمارية.

Mathematical Against Occam Ustura in Artificial Intelligence

ومن أهم العوامل التي تحدد نجاح نماذج الاستخبارات الاصطناعية التوازن بين التعقيد والدقة. وهنا أحد أقدم المبادئ الفلسفية وأكثرها فعالية المستخدمة لضمان هذا التوازن. فلسفة بريطانية في القرن الرابع عشر وليام أوكهامويستند هذا المبدأ الذي يكشف عنه إلى فكرة " افتراضات غير مقبولة " . وباختصار، إذا كانت هناك فرضية متعددة لشرح المشكلة، فإن أبسط فرضية تعتبر في كثير من الأحيان أدق. ويرتبط هذا النهج ارتباطاً مباشراً بنظرية التعلم الإحصائي، التي هي أساس معايير المحاسبة الحديثة.

وتخلق نماذج التعلم من الآلات وظائف معقدة للعثور على الصور في البيانات، ولكن النموذج سيفشل في مقارنة البيانات الجديدة عندما يتكيف مع مجموعة البيانات، أي عندما يعيش على درجة تفوق. Occam Ustur is essentially lower than the generalization error of simpler models (generalization error).

This idea is explained by Kolmogorov Complexity and Minimum Description Length (MDL) principles. Kolmogorov ويجادل التعقيد بأن نهج القانون النموذجي للتحكيم هو أفضل نموذج ل " الشفرة الهضمية " التي ينبغي أن تشرح البيانات. لذا إذا استطعنا أن نعبر عن نموذج قصير وبسيط، فإن النموذج يعتبر قوياً جداً. This is the basis of regularization (leveling) methods used in modern artificial intelligence. ويطبق هذا المبدأ اليوم في نماذج التعلم الآلاتي:

البيتL1 and L2 regularization: منع النموذج لديه المزيد من البارامترات وتبسيط الأوزان

البيتاغلق التافه: مؤقتاً تعطل بعض الأعصاب في نماذج التعلّم العميق، وتخفض التبعية غير الضرورية.

البيتالرش والعزل: تبسيط الهيكل المعقد للنماذج الكبيرة، وتحسين الكفاءة دون المساس بالأداء.

لماذا أوكام أوستر؟ The Power of Simpleness in Artificial Intelligence

(أوكام أوسترا) أصبحت واحدة من أكثر القوانين الهندسية الأساسية في الاستخبارات الاصطناعية الحديثة، ليس فقط مبدأ فلسفي. لأن الهدف في الاستخبارات الاصطناعية هو بناء نماذج تنتج نتائج موثوقة وشفافة، ليس فقط التنبؤ الدقيق. وهنا في هذه المرحلة، يتم تفعيل تفوق النماذج البسيطة. ولدى نظم الاستخبارات الفنية هياكل معقدة مثل التعلم العميق والنماذج اللغوية الكبيرة وخطر التغلب على البيانات. ويُدعى هذا الوضع مبالغة فيه ويجعل النموذج يحفظ. ويكفل مبدأ أوكام أوسترا أن يحمي النموذج توازن التحيز عن طريق القضاء على هذه الفوضى المفرطة. لذا يلتقط النموذج الصور الأساسية للبيانات لكنه لا يناشد الضوضاء المشتركة This principle shows direct impact in both academic world and technology huges developed systems. على سبيل المثال:

• وتطبق شركات الاستخبارات الاصطناعية الكبيرة، مثل شركة OpenAI و Anthropic، تقنيات " الضغط الطفيف " (ضغط نموذجي) و " تفريق المعرفة " (تفكك المعلومات). ومع هذه الأساليب، فإن المعلومات التي يتم الحصول عليها من نماذج كبيرة هي نماذج أصغر حجما وبسيطة توفر كفاءة الطاقة والشفافية على السواء.
• وأكد الباحثون في مركز Google DeepMind أن حجم نماذج الاستخبارات الاصطناعية لا يزيد من الدقة في مقال أطلقوا فيه في عام 2024، حيث يحمل عنوان " راجور أوكام في السلاسل العصبية " ، ولكن الضوضاء تزداد. لذا في بعض الأحيان لا يعني وجود بيانات أكبر أو نموذج أكبر نتيجة أفضل.
• In a study conducted by MIT and Stanford, simplified models were shown to be more consistent in ethical decision-making processes according to complex models. ويجعل المزيد من البارامترات قرارات النظام غير واضحة، في حين أن النماذج البسيطة لها هيكل أكثر ملاءمة للمراقبة البشرية.

ولا تقتصر أهمية أوكام أوستور على الأداء التقني فحسب، بل تشمل أيضا الأحجام الأخلاقية والأمنية. واليوم، تُستخدَم نظم المعلومات المسبقة عن علم في مجالات حرجة مثل الصحة والمالية والقانون. وإذا كانت هذه النظم مصممة بتعقيد لا لزوم له، فلا يمكن فهم عمليات اتخاذ القرارات على أنها " طريقة وكيفية " . This situation gives AI explainability (explicability). وستشكل نماذج بسيطة ولكنها فعالة الذكاء الاصطناعي للمستقبل، لا من حيث القدرة على التجهيز فحسب، بل أيضا من حيث الأخلاق والثقة. لأنه عندما يفشل النظام المعقد يصبح من المستحيل تفسير السبب ومع ذلك، فإن نموذجا بسيطا يوفر المراقبة البشرية والهيكل الذي يمكن التنبؤ به.

كيف لـ(آبلي أوكام أوستور) في نماذج الاستخبارات الفنية؟

ولا يُطبَّق مفهوم " أوكام أوستر " الفلسفي في نظم الاستخبارات الاصطناعية فحسب، بل كمبدأ تقني يزيد من قدرة التوحيد عن طريق الحد من التعقيد النموذجي. ويستخدم التعلّم الآلي الحديث هذا المبدأ في نماذج لغوية كبيرة بوجه خاص، وشبكات الأعصاب العميقة، والنظم المحتملة. هذه هي مراسلات أوكام أوسترا في الاستخبارات الاصطناعية:

1 - تنظيم (تنظير) التقنيات:

• L1 (Lasso) النظام:تحميل بارامترات غير ضرورية في النموذج صفر كيلوFeature selection Homeنعم وهكذا، فإنها تظل مدخلات لا تسهم إلا في الواقع.
• L2 (Ridge) النظام:يوازن تأثير البارامترات بتقلص الأوزان وهذا يقلل من وجود النموذج ويوفر تمثيلا أبسط.
• التسرب:يزيل مؤقتاً أثر الأعصاب العشوائية أثناء التدريب على شبكات الأعصاب وهكذا، يتعلم النموذج طرقا مختلفة في كل جولة تدريبية ويكشف عن تمثيل بسيط ولكنه قوي.

2. Model Budama and Compression (Pruning " Compression):

• Weight Pruning (Weight Budama):الاصابع ذات القيمة الصغيرة تزيل من النموذج وبهذه الطريقة، تظل الدقة مستقرة تقريبا عندما يخفض حجم النموذج.
• (نيرون براوننج)الأعصاب التي تسهم في الانخفاض تم إزالتها تماما من الشبكة وهكذا، تصبح الشبكة أكثر ميلا.

3- النهج النموذجي للاختيار والبيان

• والنماذج ذات البارامترات الأقل توفر تعميما أقوى لأنها غير مرنة للغاية.
• وتكافأ تدابير من قبيل " خط معلومات بايزيان " أو " خطية المعلومات " (Akaike Information Criterion) من هم بسيطون ولكن فعالون، ويعاقبون على نماذج معقدة.
• وبهذه الطريقة، يُمثل أوكام أوستور بصورة إحصائية مباشرة في اختيار النماذج.

4- التطبيقات العالمية الحقيقية

• OpenAIوفي نماذج الاختبار العالمي، يزيد من كفاءة عملية " التموين " حيث تُزال البارامترات غير الضرورية.
• Google DeepMindوتم تبسيط استراتيجيات المقامرة المعقدة التي وضعها ألفازو وتمكنت من الحصول على نتائج أكثر دقة من البيانات الأقل.
• Meta (Facebook)ويحمي الأداء مع الحد من استهلاك الطاقة بأساليب الضغط والتقدير الكمي.

These examples prove that Occam Ustura is not only theoretical, becoming industry standard. وقد أصبح أوكام أوستور قاعدة رياضية تحدد نجاح النموذج، ليس فقط مبدأ فلسفي في الاستخبارات الاصطناعية. أفضل نظم الاستخبارات الاصطناعية هي نظم تبسط المعنى بدلا من أن تنمو الفوضى، مستخرجة من البيانات. وطرائق من قبيل إضفاء الطابع النظامي، والضغط على النماذج، ونهج بايزيان هي مطابقات تقنية لهذه البساطة. وفي نهاية المطاف، يعلمنا تطور الذكاء الاصطناعي أن: الذكاء الحقيقي يكمن في القدرة على العثور على الحق ليس في التعقيد.