14 يوليو 2025·8 دقيقة
التفكير السببي لجوديا بيرل: ذكاء اصطناعي أفضل، تصحيح أخطاء وقرارات أوضح
تعرف كيف تساعد نماذج جوديا بيرل السببية الفرق على تفسير سلوك الذكاء الاصطناعي، تصحيح الأعطال، واتخاذ قرارات منتج أوضح تتجاوز الارتباطات.
تعرف كيف تساعد نماذج جوديا بيرل السببية الفرق على تفسير سلوك الذكاء الاصطناعي، تصحيح الأعطال، واتخاذ قرارات منتج أوضح تتجاوز الارتباطات.
يلاحظ فريق شيء "واضح" في لوحة التحكم: المستخدمون الذين يتلقون إشعارات أكثر يعودون أكثر. فيُزيدون من حجم الإشعارات. بعد أسبوع، ينخفض الاحتفاظ وتزداد شكاوى المغادرة. ماذا حدث؟
النمط الأصلي كان حقيقيًا—لكن مضلّلًا. المستخدمون الأكثر تفاعلًا بطبيعتهم يولّدون إشعارات أكثر (لأنهم يستخدمون المنتج أكثر)، وبالمثل يعودون أكثر. الإشعارات لم تسبب الاحتفاظ؛ التفاعل هو الذي تسبب في الاثنين. تصرف الفريق بناءً على الارتباط فأنشأ تجربة أسوأ عن غير قصد.
التفكير السببي عادة أن تسأل: ما الذي يسبب ماذا، وكيف نعرف ذلك؟ بدلًا من الاكتفاء بـ "هاتان الخاصيتان تتحركان معًا"، تحاول التفريق بين:
الأمر ليس شكًا في البيانات—بل تحديدًا للسؤال. "هل ترتبط الإشعارات بالاحتفاظ؟" مختلف عن "هل سيؤدي إرسال إشعارات أكثر إلى زيادة الاحتفاظ؟" السؤال الثاني سببي.
تتناول هذه المقالة ثلاث مجالات عملية تفشل فيها مراقبة الأنماط غالبًا:
هذا ليس جولة محشوة بالرياضيّات حول الاستدلال السببي. لن تحتاج إلى تعلم تدوين do-calculus لتستفيد. الهدف مجموعة من نماذج ذهنية وسير عمل يمكن لفريقك استخدامه لي:
إذا سبق وأن شحنت تغييرًا كان "يبدو جيدًا في البيانات" لكنه فشل في الواقع، فالتفكير السببي هو الحلقة المفقودة.
جوديا بيرل عالم حاسوب وفيلسوف علم أعاد تشكيل طريقة تفكير الفرق حول البيانات والذكاء الاصطناعي واتخاذ القرار. قبل ثورته السببية، كان كثير من "التعلّم من البيانات" في الحوسبة يركز على الارتباطات الإحصائية: ابحث عن أنماط، ركّب نماذج، تنبّأ بما سيحدث لاحقًا. هذا النهج قوي—لكنه يفشل غالبًا عندما تطرح سؤال منتج أو هندسة يحتوي على كلمة لأن.
التحول الجوهرى لِبيرل كان اعتباره السببية مفهومًا من الدرجة الأولى، لا حدسًا غامضًا مضافًا فوق الارتباطات. بدلًا من سؤال "عندما يكون X عاليًا، هل Y أيضًا عالي؟" يسأل التفكير السببي: "إذا غيّرنا X، هل سيتغير Y؟" هذا الفرق يبدو بسيطًا لكنه يفصل التنبؤ عن اتخاذ القرار.
الارتباط يجيب "ما الذي يميل إلى التزامن". السببية تهدف للإجابة على "ماذا سيحدث إذا تدخّلنا". هذا مهم في الحوسبة لأن كثيرًا من القرارات الحقيقية هي تدخلات: شحن ميزة، تغيير الترتيب، إضافة حاجز، تعديل مجموعة التدريب، أو ضبط سياسة.
جعل بيرل السببية أكثر عملية عبر تأطيرها كخيار نمذجة زائد افتراضات صريحة. لا تكتشف السببية تلقائيًا من البيانات بالعموم؛ تقترح قصة سببية (غالبًا مبنية على معرفة المجال) ثم تستخدم البيانات لاختبارها وتقديرها وتنقيحها.
منحت هذه الأدوات الفرق لغة مشتركة للانتقال من رصد الأنماط إلى إجابة الأسئلة السببية بوضوح وانضباط.
الارتباط يعني أن شيئين يتحركان معًا: عندما يرتفع أحدهما، يميل الآخر للارتفاع (أو الانخفاض). هو مفيد جدًا—خصوصًا في الفرق المكثفة بالبيانات—لأنه يساعد على التنبؤ والكشف.
إذا ارتفعت مبيعات الآيس كريم عندما ترتفع درجات الحرارة، يمكن لإشارة مرتبطة (الحرارة) تحسين التنبؤ. في عمل المنتج والذكاء الاصطناعي، تغذي الارتباطات نماذج الترتيب ("أظهر المزيد مما نقرّ به مستخدمون مشابهون"), كشف الشذوذ، والتشخيص السريع.
المشكلة تبدأ عندما نعامل الارتباط كإجابة لسؤال مختلف: ماذا يحدث إذا غيّرنا شيئًا عن عمد؟ هذا هو السؤال السببي.
العلاقة المرتبطة قد تكون مدفوعة بعامل ثالث يؤثر على كلا المتغيرين. تغيير X لا يعني بالضرورة تغيير Y—لأن X قد لا يكون السبب الحقيقي لتحرك Y في المقام الأول.
تخيّل رسم الإنفاق التسويقي الأسبوعي مقابل مبيعات الأسبوع نفسه ورؤية ارتباط إيجابي قوي. من المغري الاستنتاج "المزيد من الإنفاق يسبب المزيد من المبيعات."
لكن افترض أن كلاهما يرتفع أثناء الأعياد. الموسم (ملخبِط) يدفع الطلب الأعلى ويدفع أيضًا الميزانيات الأكبر. إذا زدت الإنفاق في أسبوع غير عطلة، فقد لا ترتفع المبيعات كثيرًا—لأن الطلب الأساسي غير موجود.
أنت تدخل مضمار السببية عندما تسمع نفسك تسأل:
عندما يكون الفعل هو تغيير، إطلاق، إزالة، أو تقليل، فالارتباط هو مؤشر بداية—ليس قاعدة قرار.
المخطط السببي—الذي غالبًا ما يُرسم كـ DAG (رسم اتجاهي لا دوراني)—هو وسيلة سهلة لإظهار افتراضات الفريق. بدلًا من الجدل بصيغة غامضة ("ربما النموذج" أو "ربما الواجهة"), تضع القصة على الورق.
الهدف ليس الحقيقة المطلقة؛ بل مسودة مشتركة لـ "كيف نعتقد أن النظام يعمل" يمكن للجميع نقدها.
تخيل أنك تقيم ما إذا كانت دورة الترحيب الجديدة (T) تزيد التفعيل (A).
رد الفعل التحليلي الشائع هو "التحكم في كل المتغيرات المتاحة." في مصطلحات DAG، قد يعني ذلك ضبطًا عرضيًا على:
مع DAG، تضبط المتغيرات بهدف—عادة لحظر مسارات الالتباس—وليس لمجرد توفرها.
ابدأ بلوح واتباع ثلاث خطوات:
حتى DAG خشن ينسّق المنتج، التحليلات، والهندسة حول نفس السؤال السببي قبل تشغيل الأرقام.
تحويل مهم في التفكير السببي لِبيرل هو فصل ملاحظة شيء عن تغييره.
إذا لاحظت أن المستخدمين الذين يفعلون الإشعارات يحتفظون أكثر، تعلمت نمطًا. لكنك لا تعرف بعد ما إذا كانت الإشعارات تسبب الاحتفاظ، أو أن المستخدمين المتفاعلين ببساطة يميلون لتفعيل الإشعارات.
التدخل مختلف: يعني أنك تضبط متغيرًا إلى قيمة وتراقب ما يحدث بعدها. بمصطلحات المنتج، هذا ليس "المستخدمون اختاروا X"، بل "نحن نشرنا X."
يُميّز بيرل هذا الفرق كالتالي:
فكرة "do" هي ملاحظة عقلية بأنك تكسر الأسباب الاعتيادية التي تجعل المتغير يأخذ تلك القيمة. عند التدخل، الإشعارات ليست مفعّلة لأن المستخدمين المتفاعلين اختاروا ذلك؛ بل لأنها فُعلت قسريًا أو بدفعة. التدخّلات تساعد على عزل السبب والنتيجة.
معظم أعمال المنتج الحقيقية هي في شكل تدخلات:
تهدف هذه الإجراءات إلى تغيير النتائج، لا مجرد وصفها. التفكير السببي يحافظ على السؤال صريحًا: "إذا فعلنا هذا، ماذا سيتغير؟"
لا يمكنك تفسير تدخل (أو حتى تصميم تجربة جيدة) بدون افتراضات عن ما يؤثر في ماذا—مخططك السببي، حتى لو كان غير رسمي.
مثال: إذا أثر التبنّي الموسمي على الإنفاق التسويقي والتسجيلات في الوقت نفسه، فإن "فعل" تغيير الإنفاق دون التحكم في الموسمية قد يضللك أيضًا. التدخّلات قوية، لكنها تجيب على الأسئلة السببية فقط عندما تكون القصة السببية الأساسية صحيحة تقريبًا.
الافتراض المضاد هو نوع محدد من أسئلة "ماذا لو؟": لهذه الحالة بالضبط، ماذا كان سيحدث لو قمنا بفعل مختلف (أو لو كان دخل مختلف)؟ ليس "ماذا يحدث في المتوسط؟"—بل "هل كان من الممكن أن تتغير النتيجة لهذه الشخص بالتحديد؟"
الافتراضات المضادة تظهر عندما يطلب أحدهم طريقًا لنتيجة مختلفة:
هذه الأسئلة على مستوى المستخدم مفيدة جدًا لتوجيه تغييرات المنتج والسياسات والتفسيرات.
تخيل نموذج قروض يرفض طلبًا. تفسير قائم على الارتباط قد يقول: "المدخرات المنخفضة ترتبط بالرفض." الافتراض المضاد يسأل:
لو كانت مدخرات المتقدّم أعلى بمقدار 3,000 دولار (مع بقاء بقية الأمور كما هي)، هل كان النموذج سيوافق؟
إذا كانت الإجابة "نعم" فتعلمت تغييرًا عمليًا يقلب القرار. إذا كانت "لا" فتجنبت نصيحة مضللة مثل "زد المدخرات" عندما يكون العائق الحقيقي نسبة الدين إلى الدخل أو سجل توظيف غير مستقر.
تعتمد الافتراضات المضادة على نموذج سببي—قصة عن كيفية تأثير المتغيرات على بعضها، لا مجرد مجموعة بيانات. عليك تحديد ما يمكن تغييره فعلاً، ما الذي سيتغير نتيجة لذلك، وما الذي يجب أن يبقى ثابتًا. دون تلك البنية السببية، قد تصبح الافتراضات المضادة سيناريوهات مستحيلة وتنتج توصيات غير مفيدة أو غير عادلة.
عندما يفشل نموذج تعلم آلي في الإنتاج، السبب الجذري نادرًا ما يكون "خوارزمية أسوأ". غالبًا ما تغير شيء في النظام: ما البيانات التي تجمعها، كيف تُصنّف الملصقات، أو كيف يتصرّف المستخدمون. التفكير السببي يساعدك على التوقف عن التخمين وبدء عزل التغيير الذي تسبب في التدهور.
بعض المذنبين المتكررین عبر الفرق:
هذه الحالات قد تبدو "طبيعية" في لوحات القيادة لأن الارتباط قد يبقى عاليًا حتى يتغيّر سبب كون النموذج صحيحًا.
مخطط سببي بسيط يحول التصحيح إلى خريطة. يجبرك على السؤال: هل هذه الميزة سبب للوسم، نتيجة له، أم نتيجة لكيفية قياسه؟
مثال: إذا كانت سياسة الوسم → هندسة الميزات → مداخل النموذج، فقد تكون قد بنيت خطًا حيث يتنبأ النموذج بالسياسة وليس الظاهرة الأساسية. يظهر DAG هذا المسار لتتمكن من حجبه (إزالة الميزة، تغيير القياس، أو إعادة تعريف الوسم).
بدلًا من فحص التنبؤات فقط، جرّب تدخلات محكمة:
كثير من أدوات "قابلية التفسير" تجيب عن سؤال ضيّق: لماذا أعطى النموذج هذه النقطة؟ غالبًا ما تفعل ذلك عبر إبراز المدخلات المؤثرة (أهمية المزايا، خرائط الحساسية، قيم SHAP). هذا يمكن أن يكون مفيدًا—لكنّه ليس نفس شرح النظام الذي يجلس فيه النموذج.
تفسير التنبؤ محلي وصفي: "رفض هذا القرض أساسًا لأن الدخل منخفض ونسبة الاستخدام مرتفعة."
تفسير النظام سببي وعملي: "إذا زدنا الدخل الموّثق (أو قلّلنا نسبة الاستخدام) بطريقة تمثل تدخلًا حقيقيًا، هل سيتغيّر القرار—وهل ستتحسّن النتائج اللاحقة؟"
الأول يساعد في تفسير سلوك النموذج. الثاني يساعد في تقرير ما يجب فعله.
يربط التفكير السببي التفسيرات بالتدخلات. بدلًا من سؤال أي المتغيرات ترتبط بالنقاط، تسأل أي المتغيرات قابلة لأن تكون رافعة وما الآثار عندما تتغير.
نموذج سببي يجبرك على أن تكون صريحًا بشأن:
هذا مهم لأن ميزة "هامة" قد تكون وكيلة—مفيدة للتنبؤ، وخطيرة في التطبيق.
الشروحات اللاحقة قد تبدو مقنعة بينما تبقى ترابطية صرف. إذا كانت "عدد تذاكر الدعم" تتنبأ بقوة بالانسحاب، قد يُغرِيك رسم أهمية الميزة لاتخاذ قرار "تقليل التذاكر" بجعل الدعم أصعب الوصول—هذا التدخّل قد يزيد الانسحاب، لأن التذاكر كانت عرضًا لمشكلات المنتج لا سببًا لها.
التفسيرات المعتمدة على الارتباط هشة أيضًا أثناء تحولات التوزيع: عندما يتغير سلوك المستخدم، قد لا تعود الميزات المتميزة تعني الشيء نفسه.
التفسيرات السببية ذات قيمة عالية عندما تكون للقرارات عواقب ومحاسبة:
عندما تحتاج إلى الفعل لا مجرد التفسير، تحتاج التفسير إلى عمود فقري سببي.
اختبار A/B هو استدلال سببي في أبسط صوره العملية. عندما تعيّن المستخدمين عشوائيًا إلى النسخة A أو B، فأنت تجري تدخلًا: لا تراقب ما اختاره الناس، بل تُحدّد ما يرونه. بمصطلح بيرل، العشوائية تجعل "do(variant = B)" حقيقيًا—فتصبح الفروق في النتائج قابلة لنسبها للتغيير وليس لمن تعرض بنفسه.
التعيين العشوائي يكسر كثيرًا من الروابط الخفية بين صفات المستخدم وتعرّضه. المستخدمون الأقوياء، الجدد، وقت اليوم، نوع الجهاز—هذه الأمور موجودة لكن متوازنة عبر المجموعات في المتوسط. ذلك التوازن هو ما يحوّل فجوة مقياس إلى مطالبة سببية.
حتى الفرق الجيدة لا تستطيع دائمًا إجراء اختبارات عشوائية نظيفة:
في هذه الحالات يمكنك التفكير سببيًا—لكن عليك أن تكون صريحًا بشأن الافتراضات وعدم اليقين.
خيارات شائعة تشمل difference-in-differences (مقارنة التغيرات عبر الزمن بين مجموعتين)، regression discontinuity (استخدام قاعدة قطع مثل "فقط المستخدمون أعلى من الدرجة X"), instrumental variables (دفعة طبيعية تغير التعرض دون تغيير النتيجة مباشرة)، والمطابقة/الترجيح لجعل المجموعات قابلة للمقارنة. كل طريقة تستبدل العشوائية بافتراضات؛ الرسم السببي يساعدك على بيان هذه الافتراضات بوضوح.
قبل شحن اختبار (أو دراسة رصدية)، اكتب: المقياس الأساسي، حواجز الأمان، السكان المستهدفين، المدة، وقاعدة القرار. السجل المسبق لن يقضي على الانحياز لكنه يقلل من انتقاء المقاييس ويجعل الادعاءات السببية أسهل في الثقة—وأكثر سهولة للنقاش كفريق.
معظم مناقشات المنتج تبدو مثل: "حرك المقياس X بعد أن شحنّا Y—إذن Y نجحت." التفكير السببي يشد هذا إلى سؤال أوضح: "هل التغيير Y تسبب في حركية المقياس X، وبأي مقدار؟" هذا التحول يحول اللوحات من دليل إلى نقطة انطلاق.
تغيير التسعير: بدلًا من "هل زاد العائد بعد رفع السعر؟" اسأل:
تعديل الترحيب: بدلًا من "المستخدمون الجدد يكملون الترحيب أكثر الآن" اسأل:
تغيير ترتيب التوصية: بدلًا من "تحسّن معدل النقر" اسأل:
اللوحات غالبًا تخلط "من حصل على التغيير" مع "من كان سيفعل جيدًا على أي حال." مثال كلاسيكي: تشحن واجهة ترحيب جديدة، لكنها تُعرض أولًا للمستخدمين على أحدث نسخة من التطبيق. إذا يتبنّى النسخ الجديدة مستخدمون أكثر تفاعلًا، قد يظهر الرسم ارتفاعًا يعود جزئيًا (أو كليًا) إلى اعتماد النسخة، لا إلى الترحيب.
ملتَبِسات أخرى شائعة في تحليلات المنتج:
قسم مفيد في PRD يكون عنوانه حرفياً "أسئلة سببية" ويشمل:
إذا كنت تعمل بدورة بناء سريعة (خاصة مع تطوير بمساعدة LLM)، يصبح هذا القسم أكثر أهمية: يمنع "يمكننا الشحن سريعًا" من أن يتحوّل إلى "شحنّا بدون معرفة ما سبب". تستخدم بعض الفرق منصات تسهل الانتقال من "فرضية + خطة" إلى تنفيذ مهيأ بعلامات الميزة ولقطات/تراجع لإبقاء التجارب آمنة عند المفاجآت.
PMs يحددون القرار ومعايير النجاح. شركاء البيانات يترجمونه إلى تقديرات سببية وفحوصات معقولة. الهندسة تضمن أن التغيير قابل للضبط (feature flags، تسجيل تعرض نظيف). الدعم يشارك الإشارات النوعية—تغييرات التسعير قد "تنجح" بينما بصمت تزيد الإلغاءات أو حجم التذاكر. عندما يتفق الجميع على السؤال السببي، يصبح الشحن تعلّمًا—لا مجرد نشر.
التفكير السببي لا يحتاج نشرًا بدرجة دكتوراة. عامله كعادة فريقية: اكتب قصتك السببية، اختبرها، ثم دع البيانات (والتجارب إن أمكن) تؤكدها أو تصححها.
للتقدّم، اجمع أربعة مدخلات مقدمًا:
في الواقع، السرعة مهمة هنا: كلما أسرعت في تحويل سؤال سببي إلى تغيير مسيطر، قلّ الوقت الذي تقضونه في الجدال حول أنماط غامضة. هذا سبب تبنّي الفرق أدوات تسريع من التصميم إلى التنفيذ مع مراقبة وتراجع مرحلي.
إذا أردت تذكيرًا بالتجارب، انظر /blog/ab-testing-basics. للحُفر الشائعة في مقاييس المنتج التي تُقلّد "تأثيرات"، انظر /blog/metrics-that-mislead.
التفكير السببي هو تحول من "ما يتحرك معًا؟" إلى "ماذا سيتغير إذا تصرفنا؟" هذا التحول—الذي شاع في الحوسبة والإحصاء عبر عمل جوديا بيرل—يساعد الفرق على تجنّب قصص واثقة الصوت لا تصمد أمام التدخّلات الحقيقية.
الارتباط إشارة، ليس إجابة.
المخططات السببية (DAGs) تجعل الافتراضات مرئية وقابلة للنقاش.
التدخلات ("do") تختلف عن الملاحظات ("see").
الافتراضات المضادة توضّح حالات فردية: "ماذا لو كان هذا الشيء مختلفًا؟"
العمل السببي الجيد يوثّق عدم اليقين والتفسيرات البديلة.
السببية تتطلب عناية: الملتَبِسات الخفية، أخطاء القياس، وتأثيرات الاختيار يمكن أن تقلب الاستنتاجات. المضاد هو الشفافية—اكتب الافتراضات، اعرض البيانات المستخدمة، واذكر ما الذي قد يدحض ادعائك.
إذا أردت التعمق، تصفح مقالات ذات صلة على /blog وقارن النهج السببي مع طرق أخرى للتحليلات و"قابلية التفسير" لترى أين يساعد كل منها—وأين يمكن أن يضلل.
الارتباط يساعدك على التنبؤ أو الكشف (مثال: "عندما يرتفع X، غالبًا ما يرتفع Y"). السببية تجيب سؤال القرار: "إذا غيّرنا X عمداً، فهل سيتغير Y؟"
استخدم الارتباط للتنبؤ والمراقبة؛ استخدم التفكير السببي عندما تنوي شحن تغيير، وضع سياسة، أو تخصيص ميزانية.
لأن الارتباط قد يكون ناجمًا عن الالتباس. في مثال الإشعارات، المستخدمون الأكثر تفاعلًا هم الذين يولدون/يتلقّون المزيد من الإشعارات ويعودون أكثر أيضًا.
عند زيادة الإشعارات للجميع، تغيّر التجربة (تدخل) دون تغيير الدافع الأساسي للمستخدمين—فلا تتحسن الاحتفاظ وقد تزداد الشكاوى.
الرسم البياني السببي (DAG) هو مخطط بسيط حيث:
مفيد لأنه يوضّح الافتراضات، ويساعد الفريق على الاتفاق حول ماذا نضبط وماذا لا نضبط، وأي تجربة ستجيب عن السؤال.
الخطأ الشائع هو "التحكّم في كل شيء"، ما قد يضبط وسائط أو مصادمات ويحوّل النتيجة إلى متحيزة.
“See” هو مراقبة ما حدث طبيعياً (المستخدمون اختاروا الاشتراك، كانت الدرجة عالية). “Do” هو تعيين متغير بقصد (شحن ميزة، فرض خيار افتراضي).
الفكرة الأساسية: التدخّل يكسر الأسباب الاعتيادية التي تجعل المتغير يأخذ تلك القيمة، لذلك يكشف السببية أكثر موثوقية من الملاحظة وحدها.
الافتراض المضاد يطرح: لهذه الحالة بالذات، ماذا كان سيحدث لو فعلنا شيئًا مختلفًا؟
مفيد من أجل:
يتطلّب نموذجًا سببيًا حتى لا يقترح تغييرات مستحيلة.
ركّز على ما تغير في المُدخلات وما قد يستغله الموديل:
العقلية السببية تدفعك لتجربة تدخّلات مستهدفة (إزالة ميزات مشتبه بها، تبديل الخلفيات، اختبارات إبليشن) بدلًا من مطاردة حركات مؤشرات متزامنة.
ليس بالضرورة. أهمية الميزات تشرح ما أثر على التنبؤ، لا ما يجب تغييره.
ميزة مهمة قد تكون وكيلة أو عرضًا (مثال: تذاكر الدعم تتنبأ بالانسحاب). التدخل على الوكيل ("تقليل التذاكر عن طريق جعل الدعم أصعب") قد يفاقم المشكلة. الشروحات السببية تربط الأهمية بروافع صحيحة والآثار المتوقعة عند التدّخل.
اختبارات A/B هي أفضل عندما تستطيع عشوائية التعرض؛ العشوائية تجعل "do(variant=B)" حقيقيًا وتُحوّل الفرق في المقاييس إلى مطالبة سببية.
لكن قد تحتاج بدائل عندما:
في هذه الحالات فكّر في شبه-تجارب: difference-in-differences، regression discontinuity، instrumental variables، أو مطابقة/ترجيح، وكن واضحًا بشأن الافتراضات.
أضف قسمًا قصيرًا يجبر على الوضوح قبل التحليل:
هذا يبقي الفريق متفقًا على سؤال سببي بدلًا من سرديات بعدية تعتمد على الجداول.