الدقة هي مقياس تقييم أساسي يُستخدم في التعلّم الآلي (ML) واسترجاع المعلومات، خاصةً في مهام التصنيف واكتشاف الأشياء. وهو يقيس نسبة التنبؤات الإيجابية الحقيقية من بين جميع التنبؤات الإيجابية التي يقوم بها النموذج. بعبارات أبسط، تجيب الدقة على السؤال التالي "من بين جميع الحالات التي حددها النموذج على أنها إيجابية، كم عدد الحالات التي كانت إيجابية بالفعل؟ وهو مؤشر حاسم لموثوقية النموذج عند إجراء تنبؤات إيجابية.
فهم الدقة
تركز الدقة على دقة التنبؤات الإيجابية. ويتم حسابها بناءً على مفهومي الإيجابيات الصحيحة (TP) والإيجابيات الخاطئة (FP):
- الإيجابيات الحقيقية (TP): عدد الحالات الإيجابية التي حددها النموذج بشكل صحيح.
- الإيجابيات الخاطئة (FP): عدد الحالات السلبية التي تم تحديدها بشكل غير صحيح على أنها إيجابية بواسطة النموذج (يُعرف أيضًا باسم خطأ من النوع الأول).
تشير درجة الدقة العالية إلى أن النموذج يرتكب عددًا قليلاً جدًا من الأخطاء الإيجابية الخاطئة. هذا يعني أنه عندما يتنبأ النموذج بنتيجة إيجابية، فمن المحتمل جدًا أن يكون صحيحًا. غالبًا ما يتم تقييم الدقة جنبًا إلى جنب مع مقاييس أخرى مشتقة من مصفوفة الارتباك، مثل التذكر والدقة.
الدقة مقابل المقاييس ذات الصلة
من المهم التمييز بين الدقة ومقاييس التقييم الشائعة الأخرى:
- الاستدعاء (الحساسية): بينما تقيس الدقة دقة التنبؤات الإيجابية، يقيس الاستدعاء قدرة النموذج على تحديد جميع الحالات الإيجابية الفعلية. يجيب الاستدعاء: "من بين جميع الحالات الإيجابية الفعلية، كم عدد الحالات الإيجابية الفعلية التي حددها النموذج بشكل صحيح؟ غالبًا ما تكون هناك مفاضلة بين الدقة والاستدعاء؛ فقد يؤدي تحسين أحدهما إلى تقليل الآخر. يتم تصور ذلك باستخدام منحنيات الدقة والاستدعاء.
- الدقة: تقيس الدقة النسبة الإجمالية للتنبؤات الصحيحة (الإيجابية والسلبية على حد سواء) من بين جميع التنبؤات التي تم إجراؤها. ومع ذلك، يمكن أن تكون الدقة مضللة، خاصةً عند التعامل مع مجموعات البيانات غير المتوازنة حيث تفوق إحدى الفئتين عدد الفئات الأخرى بشكل كبير.
- درجة F1: درجة F1 هي المتوسط التوافقي للدقة والاستدعاء، مما يوفر مقياسًا واحدًا يوازن بين الاثنين. وهي مفيدة بشكل خاص عندما تحتاج إلى حل وسط بين تقليل الإيجابيات الخاطئة (دقة عالية) وتقليل السلبيات الخاطئة (استدعاء عالٍ).
يعتمد اختيار المقياس الصحيح على الأهداف المحددة لمشروع التعلم الآلي. يتم إعطاء الأولوية للدقة عندما تكون تكلفة النتائج الإيجابية الخاطئة عالية.
تطبيقات في الذكاء الاصطناعي والتعلم الآلي
تُعد الدقة مقياسًا حاسمًا في العديد من تطبيقات الذكاء الاصطناعي (AI) حيث تكون عواقب النتائج الإيجابية الخاطئة كبيرة:
- التشخيص الطبي: في مهام مثل الكشف عن الورم في التصوير الطبي، تُعد الدقة العالية أمرًا بالغ الأهمية. قد يؤدي التشخيص الإيجابي الخاطئ (تشخيص الورم في حالة عدم وجوده) إلى إجهاد غير ضروري وإجراءات مكلفة وعلاجات ضارة للمريض. لذلك، يجب أن يكون النموذج دقيقًا للغاية عند تحديد الأورام المحتملة.
- تصفية الرسائل غير المرغوب فيها: تهدف خدمات البريد الإلكتروني إلى الدقة العالية في فلاتر الرسائل غير المرغوب فيها. تحدث الحالة الإيجابية الكاذبة عندما يتم وضع علامة غير صحيحة على بريد إلكتروني شرعي على أنه بريد مزعج. وقد يتسبب ذلك في تفويت المستخدمين لرسائل مهمة. تضمن الدقة العالية أن الغالبية العظمى من رسائل البريد الإلكتروني التي تم وضع علامة عليها كرسائل غير مرغوب فيها هي بالفعل رسائل غير مرغوب فيها.
- مراقبة الجودة في التصنيع: تحتاج أنظمة الذكاء الاصطناعي المستخدمة للكشف عن المنتجات المعيبة على خط التجميع إلى دقة عالية. يؤدي التحديد الخاطئ لمنتج جيد على أنه معيب (إيجابي كاذب) إلى هدر غير ضروري وزيادة التكاليف.
- كشف الاحتيال: في الأنظمة المالية، يؤدي وضع علامة على معاملة مشروعة على أنها احتيالية (إيجابية كاذبة) إلى إزعاج العملاء ويمكن أن يؤدي إلى خسارة الأعمال. الدقة العالية تقلل من هذه الاضطرابات.
- استرجاع المعلومات والبحث الدلالي: تسعى محركات البحث جاهدة لتحقيق دقة عالية لضمان أن تكون النتائج التي يتم إرجاعها ذات صلة وثيقة باستعلام المستخدم. النتائج غير ذات الصلة (النتائج الإيجابية الكاذبة في هذا السياق) تؤدي إلى تجربة مستخدم سيئة.
الدقة في نماذجYOLO في Ultralytics
في سياق الرؤية الحاسوبية (CV)، لا سيما في نماذج اكتشاف الأجسام مثل Ultralytics YOLOفإن الدقة هي مؤشر أداء رئيسي. فهي تقيس عدد المربعات المحدودة المكتشفة التي تحدد الجسم بشكل صحيح.
يسمح التحسين من أجل الدقة للمطورين ببناء أنظمة ذكاء اصطناعي أكثر موثوقية وجديرة بالثقة، خاصةً عندما يكون تقليل النتائج الإيجابية الخاطئة أمرًا بالغ الأهمية.
