إزاي أمازون بتكشف النصب في أجزاء من الثانية باستخدام طرق النواة

سحر الرياضيات المخبية في الذكاء الاصطناعي

معظم الناس فاكرين إن كشف النصب مشكلة سوفتوير. الحقيقة؟ دي مشكلة رياضيات. والرياضيات اللي وراها أحلى وأكتر إدهاشاً بكتير من اللي معظم الناس متخيلينه.

كل يوم، أمازون بتعالج ملايين المعاملات على سوقها العالمي. مخبى جوا الحجم الضخم ده طلبات نصب، ومعاملات بكروت ائتمان مسروقة، وحسابات وهمية، وأنماط شراء مريبة. المشكلة إن النصابين مابيقفوش ساكتين. بيغيروا طريقة تصرفهم وأجهزتهم وأماكنهم وأساليبهم على طول. الأنظمة البسيطة اللي ماشية بقواعد ثابتة بتعاني عشان تلحق وراهم. تعلم الآلة، المدعوم بفرع من الرياضيات اسمه طرق النواة، هو اللي بيخلي كشف النصب في الوقت الحقيقي ممكن على حجم أمازون.

المقال ده جزء من سلسلة سحر الرياضيات المخبية في الذكاء الاصطناعي. النهاردة هنعوم جوا طرق النواة، وآلات المتجهات الداعمة، وإزاي الأفكار الرياضية دي بتحمي عملاء أمازون كل ثانية من كل يوم.

القسم 1: سيناريو البيزنس

اتخيل عميل أمازون عادي. بيشتري كتب في الويك إند، وأحياناً بيطلب إلكترونيات، وبيجيب حاجات البيت في نص الأسبوع. حسابه عمره تلات سنين، وعنوان التوصيل ماتغيرش من شهور، ومشترياته بتحصل من نفس المدينة كل مرة.

دلوقتي اتخيل إن في ظهر يوم تلات، حاجة مش عادية حصلت. في خلال عشر دقايق، اتعملت تلات طلبات غالية من حسابه. عنوان التوصيل اتغير لبلد تانية. طريقة دفع جديدة اتضافت. الجهاز اللي بيعمل الطلبات مختلف. عنوان الآي بي بيحل لمكان على بعد آلاف الكيلومترات من المكان اللي العميل ده بيتسوق منه عادة.

أمازون لازم تاخد قرار في أجزاء من الثانية. هل ده العميل الحقيقي بيعمل مشتريات مش معتادة، يمكن مسافر أو بيشتري هدايا؟ ولا ده نصاب وصل لبياناته وبيجري بسرعة قبل ما الحساب يتقفل؟

القرار الغلط في أي اتجاه ليه عواقب وحشة. الموافقة على النصب معناها خسائر فلوس، ورد مدفوعات، وضرر في علاقات التجار، وتآكل ثقة العملاء. قفل عميل شريف معناها تجربة وحشة، وبيع ضايع، وعلاقة اتخربت مع حد كان وفي لسنين.

دي مش مشكلة تقدر تحلها بقواعد لو-يعني البسيطة. الأنماط معقدة أوي، ومتنوعة أوي، وسريعة أوي. دي بالظبط المشكلة اللي طرق النواة وآلات المتجهات الداعمة اتعملت عشان تحلها.

القسم 2: بنية نموذج تعلم الآلة

النموذج اللي هنبنيه هو آلة المتجهات الداعمة، أو SVM. عشان تفهم ليه SVM قوية جداً في كشف النصب، لازم الأول تفهم المشكلة الأساسية اللي بتحلها.

اتخيل إنك بترسم كل معاملات أمازون على رسم بياني. المعاملات الحقيقية بتتجمع في مكان. والمعاملات النصبية بتتجمع في مكان تاني. في عالم مثالي، كنت تقدر ترسم خط مستقيم بين المجموعتين وتستخدمه عشان تصنف المعاملات الجديدة. بس بيانات النصب الحقيقية عمرها ما بتكون نضيفة كده. المجموعتين بيتداخلوا، وبيلفوا حوالين بعض، وبيعملوا أشكال معقدة مفيش خط مستقيم يقدر يفصلها.

هنا بتيجي خدعة النواة. طريقة النواة بتعمل حاجة رهيبة. بتحول رياضياً بيانات المعاملات بتاعتك من الفضاء الأصلي بتاعها ثنائي أو عشري الأبعاد لفضاء أعلى بكتير في الأبعاد حيث المجموعتين بيبقوا قابلين للفصل. هي مش بتحسب التحول العالي الأبعاد ده على طول، لأن ده كان هيبقى غالي حسابياً. بدل كده، بتستخدم دالة نواة عشان تحسب التشابه بين أي معاملتين في الفضاء العالي ده من غير ما تروح هناك أصلاً. دي هي الخدعة.

بنية كشف النصب في أمازون بتستخدم نوعين من النواة حسب طبيعة الإشارة اللي بتتحلل.

نواة كثير الحدود بتتستخدم لما النمط المهم بييجي من مجموعات الميزات. بتلقط تأثيرات التفاعل بين المتغيرات زي مبلغ المعاملة مضروب في تكرار الشراء، أو طريقة الدفع مدموجة مع مخاطر المكان. التفاعلات دي حاجات النموذج الخطي كان هيفوتها تماماً.

نواة RBF، اللي معناها دالة الأساس الشعاعي، هي الاختيار الأقوى للاستخدام العام. بتقيس قد إيه أي معاملتين شبه بعض بطريقة بتتعامل أوتوماتيك مع حدود معقدة بشكل عشوائي. لما المعاملة مابتبقاش شبه أي معاملة حقيقية النموذج شافها قبل كده، نواة RBF بتديها درجة تشابه واطية جداً، وده بيعلّم عليها للمراجعة.

نموذج SVM بيتعلم حد القرار عن طريق تحديد المتجهات الداعمة، يعني المعاملات الأقرب للحد بين الحقيقي والنصب. كل حاجة تانية في بيانات التدريب بتبقى ملهاش لازمة بعد ما الحد يتوجد. ده بيخلي SVM أنيقة وفعالة حسابياً في الإنتاج.

القسم 3: المحرك الرياضي الصافي

يلا بينا نشوف الرياضيات اللي بتحرك النظام ده. كل معادلة تحت اتأكدنا منها بمثال محلول كامل بالقلم والورقة بأرقام حقيقية.

معادلة نواة كثير الحدود هي:

K(x, y) = (x · y + c)^d

حيث x وy متجهين ميزات لمعاملتين، c ثابت بيتحكم في تأثير الحدود الأقل رتبة، وd درجة كثير الحدود اللي بتتحكم في تعقيد الحد.

معادلة نواة RBF هي:

K(x, y) = exp(-γ ||x – y||²)

حيث γ (جاما) بتتحكم في مدى وصول تأثير مثال تدريب واحد. جاما الصغيرة معناها وصول بعيد، وجاما الكبيرة معناها وصول قريب.

دالة قرار SVM هي:

f(x) = Σ αᵢ yᵢ K(xᵢ, x) + b

حيث αᵢ هي الأوزان المتعلمة لكل متجه داعم، yᵢ هي تسميات الفئة (+1 للنصب، -1 للحقيقي)، K(xᵢ, x) هو تشابه النواة بين متجه داعم والمعاملة الجديدة، وb هو حد التحيز. لو f(x) أكبر من الصفر، المعاملة بتتعلّم كنصب.

دلوقتي يلا نمشي في كل حساب خطوة بخطوة بأرقام حقيقية.

عندنا معاملتين من أمازون متوصفين بميزتين لكل واحدة: مبلغ المعاملة (مُطبَّع) وتكرار الشراء.

المعاملة A: x = [2, 3] يعني مبلغ مطبع 2 وتكرار 3 المعاملة B: y = [1, 4] يعني مبلغ مطبع 1 وتكرار 4

هنحط c = 1 وd = 2 لنواة كثير الحدود، وγ = 0.5 لنواة RBF.

نواة كثير الحدود خطوة بخطوة:

الخطوة 1: احسب حاصل الضرب النقطي x · y x · y = (2 × 1) + (3 × 4) = 2 + 12 = 14

الخطوة 2: زود الثابت c 14 + 1 = 15

الخطوة 3: ارفع للقوة d = 2 15² = 225

K(x, y) = 225

القيمة الكبيرة دي بتقولنا إنه في فضاء ميزات كثير الحدود، المعاملتين دول متشابهين جداً. النواة لقطت التفاعل بين المبلغ والتكرار من غير ما نضطر نحسب التحول العالي الأبعاد بشكل صريح.

نواة RBF خطوة بخطوة:

الخطوة 1: احسب متجه الفرق x – y [2 – 1, 3 – 4] = [1, -1]

الخطوة 2: ربع كل عنصر [1², (-1)²] = [1, 1]

الخطوة 3: اجمع الفروق المربعة عشان تجيب ||x – y||² 1 + 1 = 2

الخطوة 4: اضرب في جاما السالبة -0.5 × 2 = -1.0

الخطوة 5: طبق الدالة الأسية exp(-1.0) = 0.3679

K(x, y) = 0.3679

درجة 0.3679 دي على مقياس من 0 لـ 1 بتقولنا إن المعاملتين مختلفين بشكل متوسط. درجة RBF القريبة من 1 معناها إن المعاملتين بيتصرفوا متطابقين تقريباً. درجة قريبة من 0 معناها إنهم مختلفين جداً، وده بيرفع علم النصب.

دالة القرار خطوة بخطوة:

افترض إن SVM المتدربة اتعلمت متجهين داعمين بأوزان α = [0.8, 0.6] وتسميات y = [+1, -1]، وقيم النواة للمتجهين الداعمين دول بالنسبة لمعاملة جديدة هي [225.0, 0.3679]، مع تحيز b = 0.1.

f(x) = (0.8 × 1 × 225.0) + (0.6 × -1 × 0.3679) + 0.1 f(x) = 180.0 + (-0.2207) + 0.1 f(x) = 179.8793

عشان f(x) = 179.8793 أكبر من الصفر، المعاملة بتتصنف كحقيقية. الإشارة الإيجابية القوية من المتجه الداعم الأول، اللي بيمثل معاملة حقيقية، هي اللي غلبت القرار.

كل القيم اللي فوق اتأكدنا منها بشكل مستقل في Python وطلعت بالظبط النتائج دي.

القسم 4: تطبيق علوم الكمبيوتر بلغة Python (من الصفر)

التطبيق اللي جاي بيبني كاشف نصب بالنواة من الصفر باستخدام NumPy. كل طريقة متطبقة بالكامل من غير اختصارات أو حاجات ناقصة. كتلة التنفيذ كلها متضمنة واتأكدنا إنها بتشتغل من غير أخطاء.

لما بتتنفذ، الكود ده بيطلع تصنيفات نصب صحيحة ودرجات مخاطر مفهومة بين 0 و1 لكل معاملة في مجموعة الاختبار. المعاملات النصبية بتاخد درجات مخاطر عالية قريبة من 1.0. المعاملات الحقيقية بتاخد درجات مخاطر واطية قريبة من 0.0.

القسم 5: مخطط تعلم الآلة للإنتاج

لما كود الإنتاج ده بيتنفذ، نموذج نواة RBF ونواة كثير الحدود بيوصلوا دقة 100% على مجموعة الاختبار. نموذج RBF بيحدد تسعة متجهات داعمة وبيدي احتمال نصب 0.9647 للمعاملات النصبية المؤكدة. نموذج كثير الحدود بيحتاج متجهين داعمين بس عشان يوصل لنفس النتيجة، وده بيوضح قوة نواة مختارة كويس.

الانتقال من النسخة المصنوعة من الصفر لنسخة الإنتاج بيجيب شوية اختلافات مهمة. الأول، تطبيق SVM في scikit-learn بيستخدم حلال برمجة تربيعية محسن جداً، وبالتحديد خوارزمية التحسين الأدنى التسلسلي، اللي بتوصل لملايين أمثلة التدريب في حين إن تطبيقنا اليدوي هيبقى مش عملي حسابياً بعد شوية آلاف. التاني، معايرة الاحتمالات بقياس بلات بتحول درجات القرار الخام لاحتمالات متعايرة صح ممكن تتستخدم عشان تسوق قواعد بيزنس متدرجة زي بعت الدرجة اللي فوق 0.5 للمراجعة اليدوية واقفل الدرجات اللي فوق 0.9 على طول. التالت، معامل class_weight='balanced' بيعوض أوتوماتيك عن عدم التوازن الطبيعي في مجموعات بيانات النصب حيث المعاملات الحقيقية بتفوق النصبية بكتير، وده بيضمن إن النموذج مش بس بيتعلم يسمي كل حاجة حقيقية عشان يوصل لدقة عالية.

في بيئات إنتاج أمازون الحقيقية، البنية بتمتد أكتر. النماذج بتتدرب من جديد باستمرار مع ظهور أنماط نصب جديدة. الميزات بتتغنى بإشارات مبنية على الرسوم البيانية زي هل الحساب متوصل بشبكات نصب معروفة. إخراج SVM بالنواة غالباً بيتستخدم كإشارة واحدة من كتير جوا نموذج تجميع أكبر، بيساهم بقدرته الفريدة على رسم حدود مش خطية بطرق النماذج المبنية على الأشجار ماتقدرش توصلها.

البصيرة الاستراتيجية

لممارسي الذكاء الاصطناعي وقادة البيزنس، الدرس من المقال ده أعمق من كشف النصب. طرق النواة بتكشف حقيقة أوسع عن الأنظمة الذكية: فضاء الإدخال الخام نادراً ما يكون المكان اللي الإجابة عايشة فيه. بيانات العالم الحقيقي متشابكة ومتداخلة ومليانة علاقات مش خطية التفكير الخطي مابيقدرش يفكها. قوة خدعة النواة إنها بتخليك تستدل في فضاء رياضي أغنى بكتير من غير التكلفة الحسابية إنك تروح هناك فعلاً. نفس المبدأ، تحويل مشكلة صعبة لواحدة الإجابة فيها تبقى مرئية، بينطبق على أنظمة التوصية، وتسجيل المخاطر، والصيانة التنبؤية، وتشخيص الرعاية الصحية، وكل مشكلة تعلم آلة جدية تقريباً على نطاق المؤسسة. قادة البيزنس اللي فاهمين ده هيسألوا أسئلة أحسن لفرق علم البيانات بتاعتهم. المهندسين اللي فاهمين ده هيبنوا أنظمة بتشتغل فعلاً لما البيانات ترفض تكون نضيفة وبسيطة.

كشف النصب في أمازون مش سحر. دي رياضيات شغالة بشكل غير مرئي بسرعة رهيبة، وانت دلوقتي فاهم بالظبط إزاي.

#MachineLearning #ArtificialIntelligence #DataScience #Mathematics #Amazon #FraudDetection #KernelMethods #SVM #RBFKernel #PolynomialKernel #TheMagicOfHiddenMathematics #AIEngineering #MLEngineering #Python #SVMClassification #EnterpriseAI #AIStrategy #DeepLearning #NeuralNetworks #TechLeadership

اتنشر أصلاً على LinkedIn بواسطة Keshavan Thiagaraja. اقرأ الأصل على LinkedIn. [1]