د بیس ټیټ بیلسی: د دې لپاره چې ستاسو د سمارټ ترین ماډل څه هم غلط دی

"د ستونزه د ډاټا نه دی. دا دا دی چې موږ د دې ناڅاپي برخو په نښه کوو."

ایا د AI ماډلونه د تصدیق ټسټ په توګه دقیق دي؟ چرا د 99٪ پیش بینی دقت سره یو ماډل به ستاسو د پته د جعلي تفتیشونو سره وښيي او ستاسو د ښکلي ورځ په ډبګګنگ ناڅاپي کې بدل کړئ؟

نښلول؟
ښه راغلاستBase Rate Fallacy- یو مخنیوی چې انسانونه او ماشینونه د امکاناتو په غلطه توګه پوه شي کله چې موږ د کنټرول په څیر چې د معلوماتو شتون لري.

What Is the Base Rate Fallacy?

بیا په چټکۍ سره وګورئ چې د اساسي نرخ غلطۍ په حقیقت کې څه دی.

دbase rateدی د یو واقعې واقعیت د مجموعي احتمال -مخکېد نوي شواهد وګورئ. دbase rate fallacyکله چې د دې زیرمې امکاناتو په لټه کې دي، او موږ یوازې د نوي شواهدو ته تمرکز کوو.

Let the Math Speak

تصور وکړئ چې یو ناروغۍ د1 in 1000تاسو، چې یو جنسي، د یو ازموینه جوړ کړئ چې99% accurate:

• که څوک د ناروغۍ لري، د ټیسټ په 99٪ وخت کې مثبت دی (خود مثبت).
• که څوک د ناروغۍ نه لري، د ټیسټ د 99٪ وخت (خدا منفي) منفي دی.

اوس، فرض وکړئ څوک ازمايښتpositiveڅه احتمال لري چې دوی په حقیقت کې د ناروغۍ لري؟

د اندیښنې برعکس، داnot 99%دلته د دې لپاره:

د 1000 خلکو څخه:

• 1 شخص په حقیقت کې د ناروغۍ لري → د ټیسټ احتمالا به دا ترلاسه کړي → 1 حق مثبت
• 999 خلک د ناروغۍ نه لري → 1٪ د دوی د ټیسټ مثبت → ~ 10 غلط مثبت

So among those who test positive:

• د مجموعي مثبت = 1 (د حق) + 10 (د غلط) = 11
• احتمال چې په حقیقت کې د ناروغۍ لري = 1 / 11 ≈ 9٪

👉 د یو ټیسټ له الرې چې "99٪ دقیق" دی، ستاسو د ناروغۍ احتمال یوازې دی9%ځکه چې دا ناروغۍ ډیر نادر دی.

دا1-in-1000دا دد اساسي نرخ- او د دې په نښه کولو کې د لوی غلطو تفسیر ته رامینځته کیږي.

Why Humans Fall for This

د twist؟ دا یوازې د ریاضیاتو ستونزه نه ده - دا دbrain problem.

روانپزشکDaniel KahnemanاوAmos Tverskyڅرنګه چې کله چې موږ د امکاناتو ارزونې، موږ په ناخودانه توګه د سخت پوښتنو سره د آسانه پوښتنو بدلون. په ځای کې د محاسبه، موږ پوښتنه:

"کیا دا حالت زما ذهني سټرایټیټ سره مطابقت کوي؟"

په دې توګه، کله چې یو ازموینې 99٪ دقیق دی، زموږ دماغ وايي:
دا د لوبې په څیر دی! "
... او موږ فرض کوو چې پایله باید حق وي.

د دې shortcut په نومrepresentativeness heuristic، او دا له موږ ته د ناڅاپي، اټکل بډیټ کچه نلري.

The Engineer–Lawyer Conundrum

د دې اغېز په مشهور توګه دEngineer–Lawyer problem.

د ګډون کوونکو ته پوهيږي:

• There are 70 lawyers and 30 engineers in a room.
• جک انټرروټ دی، د ریاضی پازلونه خوښوي، او د برېښنايي ډیزاین څخه خوښوي.

Then asked: “What’s the probability Jack is an engineer?”

که څه هم د بیس نرخ ښيي a30% chanceډیری خلک وايي80–90%ځکه چې جکغږونهلکه څنګه چې یو انجنیر. د توضیحات representative احساس کوي، نو د 70/30 نسبت په لټه کې کیږي - که څه هم دا یو ډیر قوي predictor ده.

How This Fails in the Real World

**AI Predictions \ تاسو د يو ماډل جوړ کړئ چې د 95٪ دقت سره د غلطو محصولاتو پرچون کوي. خو که یوازې0.1%د توکي په واقعیت کې غلط دي، ډیری هشدارونه به غلط مثبت وي. عملیات ممکن په پانیک موډل کې وي - په هر څه کې.

**Supply Chain Planning \ د مخکښ هټۍ سیسټم د پلورونکي خطرونو پرچون کوي. مګر که یوازې1 in 500په واقعیت کې، ډیری هشدارونه به غلط وي - حتی که سیسټم تخنیکي "کامل" وي.

او دا په پراخه کچه د ډومینونو په پراخه کچه ترسره کیږي: د فورمه تشخیص، طبي ازمايښتونه، د خطر هشدارونه، غیر معمولي څارنه - د لیست په اوږدو کې دي.

The Solution: Bayes to the Rescue

د ریاضی،Bayes’ Theoremد اساسي نرخ غلطۍ سره مخنیوی کوي. دا زموږ باورونه به د اساسي نرخونو سره د نوي شواهدو سره ترکیب کړي:

P(A ÁthaB)=P(B)P(B ÁthaA) / P(A)

کله چې:

• P(A ♛ B): د ناروغۍ د مثبت ټیسټ ترلاسه کولو احتمال
• P(B) A: که تاسو د ناروغۍ لري، احتمال د مثبت ټیسټ ترلاسه کړئ
• P(A): د بیس نرخ (د مخکښ احتمال)
• P(B): د ټیسټ مثبت مجموعي احتمال (د حقیقت + غلط مثبت)

Bayes نظریه موږ ته توازن ته اړتیا لريچې موږ پوهسرهچې موږ وګورئ—something human intuition tends to skip.

Final Thoughts

موږ په نړۍ کې ژوند کوو چې د پیژندنې لخوا چلند کیږي - له AI څخه د روغتیا د مراقبت څخه د لوژستیک ته. مګر شمیره، هرڅه چې څومره پیچلي وي، د حق کولو پرته هیڅ څه معنی نلريcontext.

او ځینې وختونه، تر ټولو قوي معلوماتو د ناڅاپي، ټیټ کلیدي احتمال کې دی چې موږ ډیره چټک لرو.