يجمع تجميع التفضيلات بين تفضيلات فردية متعددة في قرارات جماعية، بينما يتنبأ نموذج التنبؤ الفردي بالسلوك الشخصي باستخدام التعلم الآلي على بيانات المستخدم الفردي. ولكل منهما غرض مختلف في أنظمة الذكاء الاصطناعي، بدءًا من محركات التوصية وصولًا إلى منصات التصويت الديمقراطية.
يجمع بين تفضيلات فردية متعددة لإنتاج قرار جماعي أو تصنيف.
يستخدم التعلم الآلي للتنبؤ بسلوك الفرد المستقبلي انطلاقاً من بياناته التاريخية.
| الميزة | تجميع التفضيلات | نمذجة التنبؤ الفردي |
|---|---|---|
| الهدف الرئيسي | توليف الاختيار الجماعي من مدخلات متعددة | توقع تصرفات شخص واحد في المستقبل |
| بنية البيانات | ملفات تعريف أو تصنيفات تفضيلات متعددة | الآثار السلوكية الطولية لمستخدم واحد |
| الأسس النظرية الرئيسية | نظرية الاختيار الاجتماعي واقتصاديات الرفاه | نظرية التعلم الإحصائي والاستدلال السببي |
| الاهتمام بالإنصاف | العدالة الإجرائية بين الناخبين أو المشاركين | المعاملة العادلة وعدم التمييز على المستوى الفردي |
| تنسيق الإخراج | الترتيب الجماعي، أو الفائز، أو توزيع الاحتمالات | تقدير نقطي، أو احتمال، أو توصية قرار |
| تحدي قابلية التوسع | التعقيد الحسابي لتجميع عدد هائل من التفضيلات | بيانات محدودة وبداية باردة للمستخدمين الجدد |
| التطبيق النموذجي | أنظمة التوصية، منصات التصويت، الذكاء الاصطناعي الجماعي | تقييم الجدارة الائتمانية، والتنبؤ بانقطاع العملاء، والطب الشخصي |
| مقياس التقييم | كفاءة كوندورسيه، ودرجات بوردا، ووظائف الرفاه الاجتماعي | مساحة تحت منحنى ROC، الدقة والاستدعاء، خطأ المعايرة، درجة بريير |
يتساءل تجميع التفضيلات أساسًا عما تريده المجموعة، مع اعتبار التفضيلات الفردية مدخلات لوظيفة اتخاذ القرار الجماعي. تعود جذوره الفلسفية إلى مفهوم الإرادة العامة لروسو وحسابات بنثام النفعية. في المقابل، يتعامل نمذجة التنبؤ الفردي مع الشخص كوحدة تحليل - ماذا سيفعل هذا الفرد تحديدًا لاحقًا؟ يركز الأول على الشرعية الديمقراطية والرفاه الاجتماعي، بينما يسعى الثاني إلى تحقيق دقة تنبؤية وتدخل عملي.
تُوفّر نظرية الاختيار الاجتماعي الأساس الرياضي لتجميع التفضيلات، حيث ساهمت نتائج كوندورسيه وبوردا وأرو وسين الرائدة في تحديد ما نعتقد أنه قابل للتحقيق. ويستند نمذجة التنبؤ الفردي إلى نظرية التعلم الإحصائي، حيث يُحدّد بُعد فابنيك-تشيرفونينكيس وتعقيد رادماخر خطأ التعميم. ومن المثير للاهتمام أن أساليب التجميع، مثل التجميع والتعزيز، تُشكّل جسراً يربط بين هذين النموذجين: فهي تُجمّع التنبؤات من العديد من المتعلمين الضعفاء، ما يُمزج بينهما.
تُعنى عدالة التجميع بمدى احترام العملية للمشاركين على قدم المساواة، أي هل تمنح قاعدة التصويت أي شخص نفوذاً غير متناسب؟ أما عدالة التنبؤ الفردي فتُعنى بما إذا كان الأفراد المتشابهون يحصلون على تنبؤات متشابهة، وغالباً ما يتم ذلك من خلال التكافؤ الديموغرافي أو تساوي الاحتمالات. قد تتعارض مفاهيم العدالة هذه؛ فأسلوب التجميع الذي يعكس تماماً تفضيلات الأغلبية قد يُلحق ضرراً منهجياً بالأقليات.
يتطلب نشر تجميع التفضيلات على نطاق واسع معالجةً معقدةً حسابيًا: يُعدّ تجميع كيميني الأمثل مسألةً صعبةً حسابيًا (NP-hard)، وحتى الحلول التقريبية تتطلب خوارزميات متطورة. تواجه نماذج التنبؤ الفردية عقبات مختلفة، مثل هندسة الميزات لبيانات سلوكية متفرقة، والتعامل مع تغير المفاهيم مع تطور تفضيلات المستخدم، والحفاظ على حداثة النموذج دون تكاليف إعادة تدريب باهظة. يتطلب كلا الأمرين عنايةً فائقةً ببنية البيانات التحتية، لكن القيود الهندسية تختلف اختلافًا كبيرًا.
يتضمن تقييم جودة التجميع تحليلًا بديهيًا - هل تُحقق طريقة ما استقلال البدائل غير ذات الصلة، وكفاءة باريتو، وعدم الاستبداد؟ عمليًا، تقيس دوال الرفاه الاجتماعي مقدار المنفعة التي يحققها المجتمع. تستخدم نماذج التنبؤ الفردية مقاييس أداء تنبؤية، إلا أن هذه المقاييس قد تُضلل: فقد يُنتج نموذج مُعاير بدقة قرارات ضارة إذا تم استخدامه دون مراعاة العواقب الافتراضية المترتبة على العمل بناءً على التنبؤات.
يؤدي تجميع التفضيلات دائمًا إلى إنتاج الخيار الذي يفضله معظم الناس.
تكشف مفارقة كوندورسيه ونظرية آرو أن تفضيلات الأغلبية قد تتكرر بشكل غير متعدٍ، ولا توجد طريقة تُرضي جميع معايير العدالة البديهية. قد لا يوجد مرشح يتفوق على جميع المرشحين الآخرين في المواجهات الثنائية، مما يُجبر على المفاضلة بين الخصائص المرغوبة.
تتنبأ نماذج التنبؤ الفردية بما سيفعله الناس بالفعل.
تعتمد هذه النماذج في التنبؤ بالسلوك على أنماط تاريخية، لا على خيارات مستقبلية حقيقية. فالأفراد يتغيرون، والظروف تتبدل، وتصبح التنبؤات ذات نتائج عكسية عند استخدامها بشكل تدخلي - فالتنبؤ بأن شخصًا ما سيترك العمل ثم تقديم حوافز للاحتفاظ به يُغير النتيجة المتوقعة نفسها.
أساليب التجميع محايدة وخالية من التحيز.
تُجسّد كل قاعدة تجميع قيماً تتعلق بمن تُؤخذ تفضيلاتهم بعين الاعتبار وكيفية حلّ النزاعات. يُفيد نظام التصويت بالأغلبية الأقليات المُركّزة، بينما يُكافئ نظام بوردا القبول الواسع. إن اختيار الطريقة سياسي بطبيعته، وليس تقنياً فحسب.
زيادة البيانات تؤدي دائماً إلى تحسين التوقعات الفردية.
بعد حدٍّ معين، تُضيف الميزات الإضافية تشويشًا وتكلفة حسابية ومخاطر على الخصوصية. وتتسبب المتغيرات غير ذات الصلة في فرط التخصيص، كما أن البيانات التاريخية الناتجة عن تغير الظروف تُقلل من ملاءمة النموذج. وغالبًا ما يكون اختيار ما يجب استبعاده بنفس أهمية اختيار ما يجب تضمينه.
لا يتداخل هذان النهجان أبداً في الممارسة العملية.
يجمع الترشيح التعاوني في أنظمة التوصية بينهما بشكل صريح، حيث يجمع تفضيلات المستخدمين المتشابهين للتنبؤ بالخيارات الفردية. أما أساليب التجميع فتجمع العديد من النماذج الفردية. وتتلاشى الحدود في بنى الذكاء الاصطناعي المتطورة.
العدالة في التجميع تعني أن يحصل كل شخص على ما يريده.
إن الإجماع نادر للغاية، وكفاءة باريتو لا تضمن سوى عدم قدرة أي شخص على التحسن دون الإضرار بالآخر. إن التجميع الحقيقي ينطوي على خاسرين ومقايضات؛ أما العدالة فتتعلق بالعملية والتناسب، لا بالرضا الشامل.
اختر تجميع التفضيلات عندما تؤثر القرارات على مجموعات، وتتطلب الشرعية دمج وجهات نظر متنوعة بشكل ديمقراطي. اختر نمذجة التنبؤ الفردي عند تصميم التدخلات أو المنتجات أو الخدمات لأفراد محددين، وعندما يُسهم التنبؤ السلوكي الدقيق في تحقيق القيمة. تجمع العديد من الأنظمة الواقعية، بدءًا من محركات التوصيات الشخصية وصولًا إلى منصات الميزانية التشاركية، بين هذين النهجين ببراعة.
يُحسّن كلٌّ من RAG ونماذج LLM المُحسّنة جودة مخرجات الذكاء الاصطناعي، لكنهما يعملان بطرق مختلفة تمامًا. يستخلص RAG المعلومات الخارجية عند الاستعلام، بينما يُدمج التحسين المعرفة الجديدة مباشرةً في أوزان النموذج. ويعتمد الاختيار بينهما على مدى تكرار تغيّر البيانات ومستوى الدقة المطلوب.
تُعد آليات الانتباه الذاتي ونماذج فضاء الحالة من المناهج الأساسية لنمذجة التسلسلات في الذكاء الاصطناعي الحديث. يتفوق الانتباه الذاتي في التقاط العلاقات الغنية بين الرموز، ولكنه يصبح مكلفًا مع التسلسلات الطويلة، بينما تعالج نماذج فضاء الحالة التسلسلات بكفاءة أكبر مع التوسع الخطي، مما يجعلها جذابة للتطبيقات ذات السياق الطويل والتطبيقات الآنية.
تُعدّ آليات الانتباه أساسية في الذكاء الاصطناعي الحديث، سواءً في مجال رؤية الحاسوب أو معالجة اللغة الطبيعية، إلا أنها تخدم أغراضًا مختلفة وتطورت عبر مسارات متباينة. يساعد الانتباه في مجال الرؤية النماذج على التركيز على مناطق الصورة ذات الصلة، بينما يُمكّن الانتباه في معالجة اللغة الطبيعية من فهم العلاقات بين الكلمات في النصوص.
تجمع أساليب الممثل-الناقد بين تدرجات السياسة ودالة القيمة المُتعلمة لتقليل التباين وتسريع عملية التعلم، بينما تعتمد أساليب تدرج السياسة البحتة كليًا على السياسة وعوائد مونت كارلو. ويعتمد الاختيار بينهما على ما إذا كنت بحاجة إلى الاستقرار وكفاءة العينة أم إلى البساطة والتقديرات غير المتحيزة.
تُفصّل هذه المقارنة الاختلافات الهيكلية الأساسية، وحالات الاستخدام العملية، والمفاضلات في الأداء بين تعلّم الرسم البياني الزمني ونمذجة التسلسل التقليدية. فبينما تُجسّد نمذجة التسلسل التطورات الخطية كالنصوص أو بيانات السلاسل الزمنية، يُعالج تعلّم الرسم البياني الزمني تفاعلات الشبكة والعلاقات المتغيرة مع الزمن في آنٍ واحد، مما يُوفر لك مخططًا شاملاً لاختيار البنية المناسبة.
