تتبوأ أشجار القرار الثنائية مكانة بارزة في منظومات الذكاء الاصطناعي والتعلم الآلي، فهي لبنة أساسية في مهام التصنيف والتنبؤ، وتدخل في بناء نماذج الغابات العشوائية التي تجمع أعدادًا كبيرة من الأشجار للوصول إلى قرار جماعي أكثر دقة، ويعتمد نجاح هذه النماذج في التطبيقات الواقعية على سرعة الاستدلال واستقراره، ولا سيما حين تتدفق البيانات بمعدل ثابت كما في أنظمة المعالجة اللحظية والبث المباشر للبيانات
غير أن الاستدلال في شجرة القرار الثنائية عملية عشوائية مرتبطة بعمق الشجرة، إذ يتحدد زمن التنفيذ بالحدين الأدنى والأعلى المستمدين من أقصر ارتفاعات العقد الورقية وأطولها، فكلما تباينت أطوال المسارات بين الجذر والأوراق تباين زمن اتخاذ القرار من حالة إلى أخرى، وهذه العشوائية تعقد عمليات الاستدلال في الأشجار وفي الغابات العشوائية المبنية عليها حين تصل البيانات المتدفقة بمعدل ثابت وتتطلب معالجة منتظمة لا تحتمل التذبذب
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى معالجة هذه المشكلة بإعادة صياغة شجرة القرار الثنائية في صورة بنية قرارية بولية تحقق تعقيدًا زمنيًا ثابتًا في الاستدلال، بحيث لا يتأثر زمن اتخاذ القرار بعمق الشجرة ولا بعدد الأشجار الداخلة في النموذج، واعتمدت المنهجية على تحويل بنية الشجرة إلى دالة بولية مكافئة تصف منطق القرار ذاته، ثم تحسين هذه البنية عبر مسارين متتاليين يقودان إلى صيغ أكثر اختصارًا وكفاءة
يقوم المسار الأول على بناء بنية قرارية بولية محسنة بتجميع عقد القرار التي تبدي تشابهًا تقريبيًا في الحدود، بما يختصر حجم البنية دون الإخلال بمنطقها، ويقوم المسار الثاني على تحسين إضافي للدالة البولية بتطبيق خوارزمية إسبرسو الشهيرة في تبسيط الدوال المنطقية على البنية المحسنة، فتنشأ بذلك صيغة ثالثة أكثر إحكامًا، وقد قارنت الدراسة بين الصيغ الثلاث والشجرة الأصلية ونماذج الغابات العشوائية المبنية عليها مقارنة إحصائية وتجريبية للتحقق من التكافؤ في الأداء ومن ثبات التعقيد الزمني
ثانيًا: أبرز النتائج
1، أظهرت النتائج أن البنية القرارية البولية بصيغها الثلاث الأصلية والمحسنة والمحسنة بخوارزمية إسبرسو مكافئة إحصائيًا لشجرة القرار الثنائية ولنماذج الغابات العشوائية المبنية عليها، فلم يطرأ على سلوك القرار وأدائه تغير يذكر عند الانتقال من الشجرة إلى أي من الصيغ الجديدة
2، حققت الصيغ الثلاث تعقيدًا زمنيًا ثابتًا في الاستدلال، فصار زمن اتخاذ القرار محددًا سلفًا بصرف النظر عن عمق شجرة القرار الأصلية، وهو ما يزيل مصدر العشوائية الذي كان ينتج عن تباين ارتفاعات العقد الورقية بين حديها الأدنى والأعلى
3، ظل ثبات التعقيد الزمني قائمًا أيضًا عند التوسع في عدد الأشجار، فلا يتغير زمن الاستدلال بزيادة عدد أشجار القرار الداخلة في نموذج الغابات العشوائية، الأمر الذي يمنح البنية الجديدة قابلية للامتداد مع النماذج الكبيرة دون كلفة زمنية متنامية
4، أدى تجميع العقد المتشابهة الحدود ثم تطبيق خوارزمية إسبرسو إلى اختصار البنية القرارية على نحو متدرج، فجاءت الصيغة المحسنة أصغر من البنية الأصلية، وجاءت الصيغة المعززة بإسبرسو أكثر اختصارًا منهما، مع الحفاظ على منطق القرار ذاته وعلى التكافؤ الإحصائي مع الشجرة الأصلية
ثالثًا: دلالات الدراسة وتطبيقاتها
وتكمن دلالة هذه النتائج في أنها تفتح الباب أمام توظيف نماذج أشجار القرار والغابات العشوائية في البيئات التي تتطلب زمن استجابة معلومًا ومستقرًا، كأنظمة التحكم وأنظمة معالجة البيانات المتدفقة بمعدل ثابت، حيث يعد ضمان الزمن شرطًا لسلامة التشغيل لا رفاهية تحسينية، كما أن اختصار البنية يخفض كلفة التمثيل والتخزين والتنفيذ على الأجهزة محدودة الموارد
ويستفيد من هذا التوجه الباحثون العرب وطلاب الدراسات العليا في علوم الحاسوب والذكاء الاصطناعي، إذ يقدم إطارًا نظريًا وتطبيقيًا لإعادة تمثيل النماذج القرارية بصيغ منطقية قابلة للتحليل والتحقق، ويمهد لدراسات لاحقة تقارن بين التمثيلات المختلفة من حيث الدقة والزمن والمساحة، وتختبر أداء البنى المحسنة على بيانات واقعية متنوعة وفي مهام تصنيف معقدة متعددة الفئات
وخلاصة القول إن إعادة صياغة شجرة القرار الثنائية في صورة بنية قرارية بولية محسنة تنقل الاستدلال من زمن عشوائي مرتبط بعمق الشجرة إلى زمن ثابت قابل للضمان، دون أي مساس بتكافؤ الأداء مع النماذج الأصلية، بما يجعل هذه الصياغة خيارًا واعدًا للتطبيقات الحساسة للزمن
