تقنية بذكاء

الصفحة الرئيسية
الذكاء الاصطناعي العملي

لماذا يخطئ الذكاء الاصطناعي في الأرقام والجداول ؟ وكيف تراجع النتيجة قبل اعتمادها ؟

تعرف على أسباب أخطاء الذكاء الاصطناعي في الحسابات والنسب والجداول ، وكيف تميز بين خطأ الحساب وخطأ قراءة البيانات وتراجع النتائج قبل اعتمادها .
تضع أمام نظام ذكاء اصطناعي جدولًا صغيرًا يظهر أن الإيرادات 100,000 ريال والتكاليف 77,200 ريال ، ثم تطلب منه حساب هامش الربح .
يرد بسرعة :
( هامش الربح 27.4% ) .
الرقم محدد ، والصياغة واثقة ، والحساب يبدو للوهلة الأولى منطقيًا .
لكن عند إعادة الحساب تجد أن الربح هو 22,800 ريال ، وأن هامش الربح يساوي :
22,800 ÷ 100,000 × 100 = 22.8%
إذن النتيجة التي أعطاها النظام كانت خاطئة .
ما الذي حدث ؟
قد يبدو الأمر غريبًا ؛ فنحن نتعامل مع نظام يستطيع تحليل صفحات طويلة وشـرح موضوعات معقدة ، فكيف يخطئ في عملية حسابية بسيطة ؟
السبب أن فهم اللغة ، واستخراج البيانات ، وإجراء الحساب ، وتفسير النتيجة ليست مهمة واحدة .
قد ينجح النظام في ثلاث مراحل منها ويفشل في الرابعة .
وقد تكون العملية الحسابية نفسها صحيحة ، لكن الرقم الذي أدخله إليها كان خاطئًا .
وقد تكون جميع الأرقام صحيحة ، لكنه استخدم تعريفًا مختلفًا للمؤشر الذي طلبته .
لهذا فإن التعامل مع الأرقام يحتاج إلى نوع مختلف من المراجعة : لا يكفي أن نسأل ( هل تبدو الإجابة معقولة ) ؟ ، بل نحتاج أن نعرف من أين جاءت كل قيمة وكيف تحولت إلى النتيجة النهائية .

صورة توضيحية لمراجعة نتائج الذكاء الاصطناعي في الحسابات والجداول، مع مقارنة بين بيانات رقمية تحتاج إلى تدقيق ونتائج تم التحقق منها بشريًا

1. النموذج اللغوي ليس آلة حاسبة في جوهره

من السهل أن نتصور أن أي نظام ذكاء اصطناعي متقدم يجب أن يتعامل مع الأرقام مثل الآلة الحاسبة .
لكن الوظيفة الأساسية للنموذج اللغوي هي معالجة الأنماط اللغوية وتوليد الإجابات ، وليست ضمان تنفيذ كل عملية حسابية بطريقة حتمية .
هذا لا يعني أنه عاجز عن الحساب .
يمكنه حل كثير من العمليات ، وبعض الأنظمة تستطيع أيضًا الاستعانة بأدوات حساب أو بيئات برمجية عندما تكون متاحة .
لكن هناك فرق بين :
نظام يمكنه الوصول إلى نتيجة حسابية صحيحة .
و :
أداة حسابية حتمية تنفذ العملية نفسها على المدخلات نفسها وفق القواعد المحددة لها .
ولهذا لا ينبغي أن تكون ثقتنا في رقم ما مبنية على قوة الأسلوب الذي كُتب به .
الجملة :
( بناءً على البيانات ، تبلغ النسبة 31.7% )
قد تبدو أكثر موثوقية من :
( أعتقد أن النسبة نحو 32% ) .
لكن الدقة في عدد المنازل العشرية لا تثبت صحة الحساب .

2. الخطأ قد يبدأ قبل أول عملية حسابية

افترض أن لديك الجدول التالي :
الشهر                    الإيرادات                    المصروفات
يناير                    120,000                    78,000
فبراير                    135,000                    84,000
مارس                    128,000                    81,000
وطلبت :
( احسب إجمالي الربح في الأشهر الثلاثة ) .
قبل أن يجمع النظام رقمًا واحدًا ، عليه أن يفهم الجدول بصورة صحيحة .
إذا قرأ رقم فبراير 135,000 على أنه 153,000 ، فكل العمليات التي تأتي بعد ذلك يمكن أن تكون صحيحة رياضيًا ، بينما النتيجة النهائية خاطئة .
وهنا تظهر أول قاعدة مهمة :
دقة الحساب لا تعوض خطأ الإدخال .
وهذا يصبح أكثر أهمية عندما تأتي البيانات من :

  • صورة .
  • ملف PDF .
  • جدول مزدحم .
  • لقطة شاشة منخفضة الدقة .
  • خلايا مدمجة .
  • أعمدة متقاربة .
  • أو مستند يحتوي أرقامًا وهوامش وملاحظات كثيرة .

لذلك عند تحليل بيانات مهمة لا تبدأ بالسؤال :
( هل جمع الأرقام بشكل صحيح ) ؟
ابدأ بـ :
( هل استخرج الأرقام الصحيحة أصلًا ) ؟

إنفوجرافيك يوضح كيف يبدأ الخطأ الرقمي من قراءة قيمة خاطئة في الجدول، ثم يُجرى الحساب بشكل صحيح رياضيًا على بيانات غير صحيحة فتظهر نتيجة نهائية مضللة

3. العدد نفسه قد يعني أشياء مختلفة

لنأخذ مثالًا بسيطًا .
شركة لديها :
- إيرادات : 1,000,000 ريال .
- تكلفة : 800,000 ريال .
- ربح : 200,000 ريال .
ثم تسأل :
( ما نسبة الربح ؟ )
السؤال ما زال يحتاج إلى تعريف .
إذا كان المقصود هامش الربح بالنسبة إلى الإيرادات :
200,000 ÷ 1,000,000 × 100 = 20%
أما إذا كان المقصود مقدار الربح مقارنة بالتكلفة ( Markup ) :
200,000 ÷ 800,000 × 100 = 25%
الحسابان صحيحان ، لكن كل واحد منهما يقيس شيئًا مختلفًا .
إذن المشكلة هنا ليست في إجراء القسمة ، بل في تعريف المؤشر الذي طلبه المستخدم .
وينطبق ذلك على عشرات المصطلحات مثل :

  • معدل النمو .
  • هامش الربح .
  • نسبة التغير .
  • العائد .
  • متوسط السعر .
  • معدل التحويل .
  • نسبة الانخفاض .

يمكن للنظام أن ينفذ معادلة صحيحة لمؤشر لم تكن تقصده .
وهذا من أخطر الأخطاء لأنه يعطي رقمًا صحيحًا رياضيًا لكنه يجيب عن السؤال الخطأ .

4. النسب المئوية أكثر خداعًا مما تبدو

النسب من أكثر المناطق التي تحتاج إلى انتباه .
إذا ارتفع سعر منتج من 100 ريال إلى 120 ريال ، فالزيادة :
20% .
لكن إذا عاد من 120 إلى 100، فالانخفاض ليس 20% .
بل :
20 ÷ 120 = نحو 16.7% .
العودة إلى الرقم الأصلي لا تعني أن نسبة الارتفاع والانخفاض متساويتان ، لأن المقام تغير .
مثال آخر :
إذا زادت حصة سوقية من 10% إلى 15% ، فهناك طريقتان لوصف ما حدث :
زيادة قدرها 5 نقاط مئوية .
أو :
زيادة نسبية قدرها 50% .
العبارتان تصفان الشيء نفسه من زاويتين مختلفتين .
لكن الخلط بينهما قد يغير معنى التقرير بصورة كبيرة .
لذلك كلما رأيت نسبة في إجابة مهمة ، اسأل :
ما المقام الذي استُخدم في حسابها ؟
هذا السؤال وحده يكشف عددًا كبيرًا من الأخطاء .

5. الجدول قد يحتوي على صف لا ينبغي إدخاله في الحساب

تخيل جدولًا يحتوي : 

  • يناير .
  • فبراير .
  • مارس .
  • الإجمالي .

ثم تطلب حساب مجموع الأشهر .
إذا جمع النظام يناير وفبراير ومارس ، ثم أضاف صف ( الإجمالي ) مرة أخرى ، فقد ضاعف النتيجة .
المشكلة نفسها تظهر مع صفوف مثل :

  • المتوسط .
  • الإجمالي الفرعي .
  • العام السابق .
  • النسبة المئوية .
  • هدف المبيعات .
  • قيمة تقديرية .

كلها أرقام ، لكنها ليست بالضرورة مدخلات للحساب المطلوب .
ولهذا فإن تحليل الجدول يحتاج إلى فهم وظيفة الصف والعمود ، لا مجرد التعرف على الأرقام الموجودة داخله .
ومن المفيد في المهام المهمة أن تطلب أولًا :
( حدد لي الصفوف والأعمدة التي ستستخدمها في الحساب قبل أن تحسب النتيجة ) .
إذا كانت الاختيارات خاطئة ، تستطيع اكتشاف المشكلة قبل أن تنتقل إلى الحساب النهائي .

6. مشكلة الوحدات : عندما يكون الرقم صحيحًا والقياس خاطئًا

لدينا :
2.5 مليون ريال .
ولدينا :
750 ألف ريال .
إذا تعامل النظام مع الرقمين على أنهما من الوحدة نفسها دون تحويل ، يصبح الحساب بلا معنى .
الأمر أكثر تعقيدًا مع :

  • المتر والسنتيمتر .
  • الكيلوغرام والغرام .
  • الدولار والريال .
  • الآلاف والملايين .
  • السعر اليومي والشهري .
  • النسبة السنوية والشهرية .
  • البيانات بالآلاف داخل الجداول المالية .

جدول مالي قد يكتب أعلى الصفحة :
( القيم بآلاف الريالات )
ثم يعرض :
                  250
وهذا لا يعني 250 ريالًا .
بل 250,000 ريال .
إذا فاتت هذه الملاحظة ، قد يكون الخطأ في النتيجة ألف ضعف رغم أن جميع العمليات الحسابية اللاحقة نُفذت بصورة صحيحة .
إذن الوحدات ليست تفصيلًا جانبيًا .
هي جزء من البيانات نفسها .

7. المتوسط يمكن أن يكون صحيحًا وغير مفيد

لنفترض أن لدينا متجرين .
المتجر الأول :
10 عملاء ، أنفق كل منهم في المتوسط 500 ريال .
المتجر الثاني :
1,000 عميل ، أنفق كل منهم في المتوسط 100 ريال .
إذا أخذنا متوسط الرقمين مباشرة :
(500 + 100) ÷ 2 = 300 ريال .
لكن هل متوسط إنفاق جميع العملاء 300 ريال ؟
لا .
لأن عدد العملاء مختلف بشدة بين المتجرين .
نحتاج إلى متوسط موزون :
إجمالي الإنفاق ÷ إجمالي العملاء .
وهذه مشكلة تتكرر عندما يطلب المستخدم :
( احسب المتوسط ) .
هناك أكثر من نوع من المتوسطات ، وقد يكون المتوسط الحسابي البسيط غير مناسب للسؤال .
الأمر نفسه يظهر عند دمج نسب من مجموعات مختلفة .
متوسط النسب ليس دائمًا نسبة الإجمالي .
وهذه إحدى الحالات التي قد تبدو فيها العملية الحسابية نظيفة تمامًا بينما يكون المنهج خاطئًا .

إنفوجرافيك يوضح ثلاثة أنواع شائعة من الأخطاء الرقمية عند استخدام الذكاء الاصطناعي: الخلط بين الوحدات، والخلط بين النسبة والنقاط المئوية، واستخدام متوسط غير مناسب للبيانات

8. التقريب المبكر يمكن أن يغيّر النتيجة

لنفترض أن لديك سلسلة من الحسابات .
إذا كان النظام يقرب كل نتيجة وسيطة إلى منزلتين عشريتين ، ثم يستخدم الرقم المقرب في الخطوة التالية، فقد يتراكم الفرق .
في عملية بسيطة قد لا يهم ذلك .
لكن مع :

  • مبالغ كبيرة .
  • عدد كبير من العمليات .
  • أسعار فائدة .
  • نسب مركبة .
  • تحويلات متعددة .
  • أو حسابات هندسية دقيقة .

يمكن أن يصبح الفرق ملموسًا .
الممارسة الأفضل هي :
احتفظ بالدقة خلال الخطوات ، وقرّب النتيجة النهائية فقط إلى المستوى المطلوب .
كما يجب أن يوضح التقرير طريقة التقريب إذا كان الفرق مؤثرًا .

9. السؤال الغامض يصنع رقمًا دقيقًا ظاهريًا

تخيل أنك تقول :
( احسب تكلفة المشروع خلال سنة ) .
لكن المشروع يحتوي على :

  • تكلفة تأسيس .
  • مصروفات شهرية .
  • ضريبة .
  • صيانة .
  • زيادة سعر متوقعة .
  • دفعة مقدمة .
  • مصروف يبدأ في الشهر الرابع .

إذا لم تحدد ما الذي يدخل ضمن ( التكلفة ) ، سيضطر النظام إلى اتخاذ افتراضات .
وقد لا يخبرك بكل افتراض اتخذه .
ثم يعطيك رقمًا مثل :
247,380 ريالًا .
الدقة الظاهرية هنا خطيرة .
فقد يبدو أن الحساب تمت دراسته حتى آخر ريال ، بينما بعض مكوناته مبنية على افتراض لم تتفق عليه أصلًا .
ولهذا أفضّل في المسائل المركبة أن يسبق الحساب جدول صغير بعنوان :
الافتراضات المستخدمة
مثل :

  • مدة المشروع : 12 شهرًا .
  • الضريبة : مشمولة .
  • التضخم : غير محسوب .
  • الصيانة : تبدأ من الشهر الأول .
  • السعر ثابت خلال الفترة .

بعدها فقط يصبح الرقم قابلًا للمراجعة .

10. راجع الحساب على ثلاث مراحل بدل سؤال : هل أنت متأكد ؟

إذا شككت في نتيجة ، فإن مطالبة النظام بأن ( يتأكد مرة أخرى ) ليست اختبارًا قويًا ؛ فقد يعيد الحساب وقد يؤكد النتيجة نفسها .
الأفضل هو تحويل المراجعة إلى مسار يمكن فحصه :
ما القيم التي استخدمت ؟
ما المعادلة ؟
وكيف عُوّضت الأرقام فيها ؟
ولهذا من المفيد فصل المهمة إلى ثلاث مراحل :

أ. استخراج البيانات

اطلب من النظام أن يعيد عرض القيم التي قرأها من الجدول دون إجراء الحساب . 
تتأكد أنت من أن :

  • الأرقام صحيحة .
  • الوحدات صحيحة .
  • الصفوف الصحيحة تم اختيارها .
  • لا يوجد رقم مفقود .

ب. تحديد المعادلة

قبل تنفيذ الحساب، اطلب منه توضيح :
ما المعادلة التي سيستخدمها ولماذا ؟
هنا تستطيع اكتشاف مشكلة تعريف المؤشر .

ج. تنفيذ الحساب

بعد اعتماد البيانات والمعادلة ، نفّذ العملية .
بهذه الطريقة إذا حصل خطأ ، تستطيع تحديد طبقته :
قراءة ؟ تعريف ؟ أم حساب ؟

إنفوجرافيك يوضح منهج مراجعة الحسابات مع الذكاء الاصطناعي على ثلاث مراحل: استخراج البيانات أولًا، ثم تحديد المعادلة واعتمادها، ثم تنفيذ الحساب مع نقاط تحقق قبل اعتماد النتيجة

وهذا أكثر فائدة من إعادة العملية كاملة كل مرة دون معرفة أين بدأت المشكلة .

11. متى تستخدم أداة حساب مستقلة ؟

كلما كانت العملية الحسابية معقدة، أو كثرت خطواتها ، أو كانت النتيجة ستُستخدم في قرار مالي أو هندسي أو إحصائي مهم ، زادت قيمة استخدام أداة حساب مخصصة أو تنفيذ الكود أو إعادة الحساب بطريقة مستقلة .
في هذه الحالات لا يُفضّل الاعتماد على التوليد اللغوي وحده عندما تتوفر وسيلة حساب أكثر ملاءمة للمهمة .
هذه ليست علامة على ضعف الذكاء الاصطناعي .
بل اختيار للأداة المناسبة لكل جزء من المهمة .
يمكن للنموذج أن يكون ممتازًا في :

  • فهم السؤال .
  • تنظيم البيانات .
  • اختيار الطريقة .
  • تفسير النتائج .

بينما تُترك العملية الحسابية الحتمية لأداة صممت تحديدًا لتنفيذ الحساب .
التعاون بين القدرتين غالبًا أقوى من إجبار واحدة منهما على القيام بكل شيء .

12. رقم صحيح لا يعني استنتاجًا صحيحًا

هذه آخر طبقة يجب ألا ننساها .
لنفترض أن النظام حسب بدقة أن المبيعات ارتفعت 18% .
ثم كتب :
( وهذا يدل على أن الاستراتيجية الجديدة نجحت ) .
الحساب قد يكون صحيحًا .
لكن الاستنتاج يحتاج إلى أدلة إضافية .
ربما السوق كله نما 25% .
أو ارتفعت الأسعار بينما انخفض عدد الوحدات .
أو بدأ منافس رئيسي بالخروج من السوق .
أو كان الشهر المقارن ضعيفًا بصورة استثنائية .
الأرقام تصف ما حدث .
لكنها لا تثبت دائمًا لماذا حدث .
وهنا يرتبط الموضوع بما تناولناه في مقال التحقق من المعلومات .
المرحلة الأخيرة في تحليل البيانات ليست الحساب .
إنها تحديد ما الذي يسمح لنا الرقم باستنتاجه، وما الذي لا يسمح به .

13. الخلاصة

عندما يخطئ الذكاء الاصطناعي في مهمة رقمية ، لا تفترض مباشرة أن المشكلة ( ضعف في الرياضيات ) .
قد يبدأ الخطأ من قراءة الخلية الخطأ .
أو من تجاهل الوحدة .
أو استخدام تعريف مختلف للمؤشر .
أو جمع صف إجمالي مرتين .
أو حساب متوسط غير مناسب .
أو افتراض لم يذكره المستخدم .
أو تقريب مبكر .
وقد تكون جميع العمليات الحسابية صحيحة بينما الاستنتاج النهائي غير مبرر .
لهذا فإن أفضل طريقة لاستخدام الذكاء الاصطناعي مع الأرقام ليست أن تطلب منه :
( أعطني النتيجة ) .
بل أن تجعل العملية قابلة للتدقيق :
ما البيانات التي قرأتها ؟
ما الوحدات ؟
ما المعادلة ؟
ما الافتراضات ؟
وما خطوات الحساب ؟
وعندما تكون النتيجة مهمة ، أعد الحساب بأداة مستقلة أو بطريقة ثانية يمكن مقارنة نتيجتها بالحساب الأول .
الهدف ليس أن نتعامل مع كل رقم باعتباره مشبوهًا .
بل أن نعرف أن الثقة في الأرقام تأتي من إمكانية تتبعها وإعادة حسابها ، لا من مدى ثقة النص الذي يحيط بها .