مصطلحًا
الاستدعاء (Recall)
- الفئة
- Evaluation, Safety & Governance
- الصعوبة
- متوسط
التعريف
الاستدعاء هو مقياس أداء تصنيف يحسب نسبة الحالات الإيجابية الفعلية التي تم تحديدها بشكل صحيح بواسطة النموذج.
آلية العمل والسياق
في التعلم الآلي، يعد الاستدعاء (المعروف أيضًا بالحساسية أو معدل الإيجابيات الحقيقية) مقياسًا أساسيًا يستخدم لتقييم أداء نماذج التصنيف. يتم حسابه بقسمة عدد الإيجابيات الحقيقية على مجموع الإيجابيات الحقيقية والسوالب الكاذبة. تشير درجة الاستدعاء العالية إلى أن النموذج فعال في التقاط معظم الحالات الإيجابية، مما يقلل من عدد الاكتشافات الفائتة. يعد هذا المقياس حيويًا بشكل خاص في السيناريوهات التي يكون فيها فقدان حالة إيجابية له عواقب وخيمة، مثل التشخيصات الطبية، أو كشف الاحتيال، أو الأنظمة الحساسة للسلامة. ومع ذلك، يجب موازنة الاستدعاء مقابل الدقة (Precision)؛ فالنموذج الذي يتنبأ بـ 'إيجابي' لكل مدخل سيحقق استدعاءً مثاليًا ولكنه سيعاني من دقة منخفضة للغاية، مما يؤدي إلى عدد هائل من الإنذارات الكاذبة.
لماذا هو مهم
يعد الاستدعاء ضروريًا لتقييم موثوقية أنظمة الذكاء الاصطناعي في البيئات عالية المخاطر. في مجالات مثل الرعاية الصحية أو الأمن السيبراني، يعد النموذج ذو الاستدعاء المنخفض خطيرًا لأنه يفشل في الإبلاغ عن المشكلات الحرجة. من خلال مراقبة الاستدعاء، يمكن للمطورين التأكد من أن أنظمتهم لا تفوت إشارات مهمة، وهو شرط أساسي لبناء تطبيقات ذكاء اصطناعي آمنة وجديرة بالثقة وفعالة يمكن للمستخدمين الاعتماد عليها لتحديد دقيق.
مثال واقعي
في ذكاء اصطناعي لفحص السرطان، يعد الاستدعاء أهم مقياس. إذا كان لدى النموذج استدعاء بنسبة 95%، فإنه يحدد بشكل صحيح 95 من أصل 100 مريض مصابون بالفعل بالمرض. المرضى الخمسة المتبقون هم 'سوالب كاذبة' - لديهم المرض ولكن تم تفويتهم بواسطة الذكاء الاصطناعي. في هذا السياق، يتم إعطاء الأولوية لتعظيم الاستدعاء على الدقة لضمان إرسال أقل عدد ممكن من المرضى إلى المنزل بشعور زائف بالأمان.
أخطاء شائعة
- الخلط بين الاستدعاء والدقة: يركز الاستدعاء على الحالات الإيجابية المفقودة، بينما تركز الدقة على صحة التنبؤات الإيجابية التي تم إجراؤها.
- تجاهل المقايضة: افتراض أن النموذج يمكن أن يتمتع بكل من الاستدعاء المثالي والدقة المثالية في وقت واحد دون تعديل العتبات.
- المبالغة في تحسين الاستدعاء: إنشاء نموذج يضع علامة على كل شيء كإيجابي، مما يجعل النظام عديم الفائدة بسبب السوالب الكاذبة المفرطة.
الأسئلة الشائعة
كيف يرتبط الاستدعاء بـ F1-score؟
F1-score هو المتوسط التوافقي للدقة والاستدعاء. إنه يوفر مقياسًا واحدًا يوازن بين كليهما، وهو مفيد عندما تحتاج إلى مقارنة النماذج التي لديها نقاط قوة مختلفة في الدقة والاستدعاء.
هل يمكن أن يكون الاستدعاء 100%؟
نعم، يمكن أن يكون الاستدعاء 100% إذا حدد النموذج بشكل صحيح كل حالة إيجابية في مجموعة البيانات. ومع ذلك، غالبًا ما يأتي هذا على حساب دقة منخفضة جدًا، حيث قد يقوم النموذج أيضًا بتصنيف العديد من الحالات السلبية على أنها إيجابية.
متى يجب أن أعطي الأولوية للاستدعاء على الدقة؟
يجب أن تعطي الأولوية للاستدعاء عندما تكون تكلفة السالب الكاذب (فقدان حالة إيجابية) أعلى بكثير من تكلفة الإيجابي الكاذب (إنذار كاذب). تشمل الأمثلة الحالات الطبية التي تهدد الحياة أو التهديدات الأمنية الحرجة.