في سياق الذكاء الاصطناعي (AI) والتعلم الآلي (ML)، يعد التحقق المتبادل تقنية إحصائية مهمة تستخدم لتقييم أداء وقابلية تعميم نموذج تنبؤي أو خوارزمية معينة. تسعى هذه الطريقة إلى تقليل مشكلات مثل التجهيز الزائد، والتي تنشأ عندما يصبح النموذج متخصصًا للغاية ويؤدي أداءً جيدًا بشكل استثنائي على بيانات التدريب ولكن بشكل سيئ على البيانات غير المرئية أو الجديدة. نظرًا للدور الحاسم الذي تلعبه النماذج التنبؤية في تطبيقات الذكاء الاصطناعي، مثل أنظمة التوصية، ومعالجة اللغات الطبيعية، ورؤية الكمبيوتر، يعد التحقق المتبادل عنصرًا أساسيًا في عملية تقييم النماذج، مما يضمن أداء عالي الجودة عبر مجموعات البيانات والسيناريوهات المختلفة.
يتضمن التحقق المتبادل في المقام الأول تقسيم مجموعة البيانات المتاحة إلى مجموعتين فرعيتين متميزتين أو أكثر، يشار إليها غالبًا باسم "الطيات". عادةً، يتم تدريب النموذج على واحدة أو أكثر من هذه الطيات ثم يتم اختباره على الطيات المتبقية. ومن خلال تكرار هذه العملية عدة مرات، يمكن الحصول على تقييم أكثر دقة وقوة لأداء النموذج. أحد الأساليب الشائعة هو التحقق المتقاطع من k-fold، حيث يتم تقسيم البيانات إلى مجموعات فرعية متساوية ويتم تدريب النموذج واختباره k مرات، في كل مرة باستخدام مجموعة فرعية مختلفة كبيانات اختبار. بمجرد الانتهاء من جميع التكرارات، يتم حساب متوسط النتائج لتحديد أداء النموذج النهائي.
على سبيل المثال، لنأخذ بعين الاعتبار تطبيق الذكاء الاصطناعي الذي تم تطويره باستخدام منصة AppMaster no-code للتنبؤ بأسعار المساكن بناءً على عوامل مختلفة، مثل الموقع والحجم ووسائل الراحة. لتقييم أداء النموذج التنبئي، يمكن استخدام التحقق المتبادل 10 أضعاف. وهذا يعني تقسيم بيانات الإسكان المتاحة إلى عشر مجموعات فرعية متساوية. يتم بعد ذلك تدريب النموذج على تسع من هذه المجموعات الفرعية واختباره على المجموعة المتبقية. يتم تكرار هذه العملية عشر مرات، في كل مرة باستخدام مجموعة فرعية مختلفة كبيانات الاختبار. يمكن حساب مقاييس الأداء، مثل الدقة ومتوسط الخطأ التربيعي، لكل تكرار ثم حساب متوسطها لتحديد الأداء الإجمالي للنموذج.
يوفر التحقق المتبادل العديد من المزايا مقارنة بتقنيات تقييم النماذج الأخرى. أولاً، فإنه يستفيد من مجموعة البيانات بأكملها لأغراض التدريب والاختبار، وبالتالي تقليل تأثير التحيزات المحتملة الموجودة في تقسيم بيانات واحد. علاوة على ذلك، من خلال تدريب النموذج واختباره بشكل متكرر على مجموعات فرعية مختلفة، يوفر التحقق المتبادل تقييمًا أكثر قوة لأداء النموذج، وهو أمر بالغ الأهمية عند نشر تطبيقات الذكاء الاصطناعي في سيناريوهات العالم الحقيقي. علاوة على ذلك، يمكن أن يكون التحقق المتبادل مفيدًا أيضًا لضبط المعلمات الفائقة، حيث يمكن أن يساعد في تحديد القيم المثلى لمعلمات خوارزمية ML محددة.
بالإضافة إلى التحقق من صحة k-fold، تتضمن الاختلافات الأخرى، على سبيل المثال لا الحصر: التحقق من صحة k-fold الطبقي، والإجازة لمرة واحدة (LOOCV)، والإجازة p-out (LPOCV). تلبي هذه الاختلافات خصائص البيانات المختلفة ومتطلبات التطبيق. على سبيل المثال، في التحقق من الصحة المتبادل الطبقي k-fold، يتم إنشاء مجموعات فرعية من البيانات بطريقة تحافظ على نفس نسبة تسميات الفئة المستهدفة مثل مجموعة البيانات الأصلية، مما يضمن تمثيل أكثر توازناً للفئات المختلفة في كل من التدريب والاختبار مراحل. وهذا مفيد بشكل خاص لمجموعات البيانات غير المتوازنة التي تتم مواجهتها بشكل شائع في مجالات مثل اكتشاف الاحتيال والتشخيص الطبي، من بين أمور أخرى.
في AppMaster ، النظام الأساسي القوي no-code لإنشاء تطبيقات الواجهة الخلفية والويب والهاتف المحمول، لا يمكن التقليل من أهمية التحقق المتبادل. يمكّن مصمم BP المرئي الخاص بـ AppMaster المستخدمين من إنشاء نماذج البيانات ومنطق الأعمال وواجهات برمجة تطبيقات REST، والتي تشكل أساس التطبيقات التي تعتمد على الذكاء الاصطناعي. ومن خلال دمج تقنيات التحقق المتبادل لتحليل أداء هذه النماذج وتحسينه، يمكن للمستخدمين نشر تطبيقات تنبؤية عالية الجودة وقابلة للتطوير ومصممة خصيصًا لتلبية احتياجاتهم الخاصة.
في الختام، يعد التحقق المتبادل طريقة لا غنى عنها لتقييم وضبط التطبيقات التي تعتمد على الذكاء الاصطناعي والتعلم الآلي. مع استمرار تزايد الطلب على تطبيقات الذكاء الاصطناعي الموثوقة وعالية الأداء، ستزداد أيضًا الحاجة إلى تقنيات تقييم قوية مثل التحقق المتبادل. ولذلك، فإن دمج التحقق المتبادل بشكل صحيح في عملية تطوير النموذج وتقييمه، سواء باستخدام منصة AppMaster no-code أو أساليب أخرى، سيساهم في تطبيقات الذكاء الاصطناعي الأكثر دقة وموثوقية وقابلة للتطوير عبر مجموعة واسعة من الصناعات وحالات الاستخدام.
