ذكاء Google الاصطناعي يحتل المرتبة الأولى في التنبؤ بحالات الاستشفاء بسبب الإنفلونزا: ما يظهره البحث

الذكاء الاصطناعي من Google يحتل المرتبة الأولى في التنبؤ بحالات الاستشفاء بسبب الإنفلونزا: ما يظهره البحث

في 30 سبتمبر 2026، نشرت Google منشورًا على مدونتها للذكاء الاصطناعي يدور عنوانه حول نتيجة واحدة لافتة: الذكاء الاصطناعي من Google يحتل المرتبة الأولى في التنبؤ بحالات الاستشفاء بسبب الإنفلونزا. المنشور متاح على blog.google/innovation-and-ai/models-and-research/google-research/google-science-ai-flu-forecasts.

هذا هو جوهر القصة الموثّق، ويستحق أن نكون دقيقين بشأن ما يحتويه وما لا يحتويه. يعامل هذا المقال الادعاء الرئيسي وتفاصيل نشره كأساس واقعي. كل ما تبقى هنا هو إما استدلال مجالي حول كيفية تقييم التنبؤ بالأمراض المعدية، أو سير عمل عملي يمكنك تشغيله بنفسك لفهم لماذا يُعدّ "الترتيب رقم 1" عبارة أصعب مما تبدو للوهلة الأولى.

الادعاء الموثّق، بصياغة واضحة

هناك أمران يثبتهما المصدر:

1. نشرت Google منشورًا بحثيًا حول التنبؤ القائم على الذكاء الاصطناعي بحالات الاستشفاء بسبب الإنفلونزا.
2. يعرض المنشور نظام Google على أنه يحتل المرتبة الأولى في مهمة التنبؤ تلك.

هذا هو الحدّ الذي يمكن تأكيده بثقة من المواد المصدرية المتاحة. لا يوفّر المنشور، في المواد الموثّقة هنا، جدول معايير، أو مجموعة مقارنة محددة بالاسم، أو تعريفًا لمقياس، أو أفقًا زمنيًا للتنبؤ. قد توجد تلك التفاصيل داخل المنشور الكامل، لكنها ليست جزءًا من قاعدة الأدلة الموثّقة لهذا المقال، واختلاقها سيكون أسوأ من حذفها.

إذن فالصياغة الصادقة هي هذه: مؤسسة بحثية كبرى تدّعي احتلال المرتبة الأولى في مشكلة تنبؤ تشغيلية تتعلق بالصحة العامة. السؤال الهندسي المثير ليس "هل الادعاء صحيح" — فلا يمكنك الحكم على ذلك من عنوان رئيسي — بل "ما الذي يجب أن يكون صحيحًا لكي يكون هذا الادعاء ذا معنى، وكيف يمكنك التحقق منه بنفسك؟"

لماذا تُعدّ عبارة "يحتل المرتبة الأولى" عبارة محمّلة

في مسابقات التنبؤ، "المركز الأول" ليس خاصية لنموذج. إنه خاصية لـ نموذج، وتعريف هدف، ومقياس، ونافذة تقييم، ومجموعة مقارنة عند النظر إليها معًا. غيّر أيًا من هذه ويمكن أن يتغير الترتيب.

خذ بعين الاعتبار أربع رافعات يجب أن يبحث عنها أي قارئ جاد:

الهدف. قد تعني "حالات الاستشفاء بسبب الإنفلونزا" حالات الدخول الجديدة الأسبوعية، أو معدلًا لكل 100,000 من السكان، أو عددًا في ولاية واحدة، أو إجمالًا وطنيًا. هذه كائنات إحصائية مختلفة بملامح ضوضاء مختلفة. النموذج الذي يفوز على سلسلة وطنية مُنعّمة قد يخسر بشدة على ولاية صغيرة ذات تقارير متقلبة.

الأفق الزمني. التنبؤ بحالات الدخول للأسبوع القادم مشكلة مختلفة جوهريًا عن التنبؤ قبل أربعة أسابيع. غالبًا ما تهيمن الثباتية على الدقة قصيرة الأفق — فعدد الأسبوع الماضي مؤشر قوي على عدد هذا الأسبوع. الدقة طويلة الأفق هي حيث يحدث فصل الإشارة الحقيقي. الترتيب الذي لا يحدد أفقه الزمني هو ترتيب ناقص التحديد.

المقياس. يمكن لمتوسط الخطأ المطلق، ودرجة الفترة الموزونة، ودرجة اللوغاريتم، وخطأ النسبة المئوية أن ترتب النماذج بشكل مختلف، خاصة في وجود القيم الشاذة ومراجعات التقارير. التنبؤ الاحتمالي على وجه الخصوص يكافئ المعايرة، وهو ما لا تقيسه مقاييس دقة النقاط على الإطلاق.

خط الأساس. تعتمد مصداقية أي ادعاء بالمركز الأول على قوة الميدان. التغلب على نموذج ثباتية ساذج هو سقف منخفض. التغلب على مجموعة من الأنظمة التشغيلية المطوّرة بشكل مستقل والمضبوطة جيدًا هو سقف مرتفع.

لا شيء من هذا ينازع نتيجة Google. إنه ببساطة يحدد المساحة التي يجب أن تُقرأ فيها النتيجة.

ما الذي يجعل التنبؤ بحالات الاستشفاء بسبب الإنفلونزا صعبًا بشكل غير معتاد

هذا القسم تفسير واستدلال مجالي عام، وليس ادعاءً موثّقًا حول نظام Google.

حالات الاستشفاء بسبب الإنفلونزا إشارة متأخرة، ومُراجَعة، ومرصودة جزئيًا. ثلاث خصائص تجعل المشكلة عدائية:

تأخر الإبلاغ. تُسجَّل حالات الدخول عند إدخال المريض، لكنها تظهر في تغذيات المراقبة بعد أيام إلى أسابيع، ويكون الإدخال بأثر رجعي شائعًا. النموذج الذي يقرأ فقط أحدث إصدار يرى صورة غير كاملة للماضي القريب — والماضي القريب هو بالضبط ما تعتمد عليه التنبؤات قصيرة الأفق.

المراجعة. تتغير القيم المنشورة لأسبوع معين. التنبؤ الذي يُقيَّم مقابل قيمة أولية لا يُقيَّم مقابل نفس الهدف الذي يُقيَّم مقابله تنبؤ آخر مقابل القيمة النهائية. أي لوحة صدارة ليست أكثر استقرارًا من سياسة إصدار الهدف الخاصة بها.

تحولات النظام. تتفاوت مواسم الإنفلونزا في التوقيت، وارتفاع الذروة، والسلالة السائدة. قد يواجه نموذج مضبوط على ثلاثة مواسم من التاريخ موسمًا رابعًا يبدو مختلفًا بنيويًا. التعميم عبر المواسم هو الاختبار الحقيقي، وهو غير متسامح.

أضف الجغرافيا وستحصل على فوضى توافقية. التنبؤات الوطنية، وتنبؤات الولايات، والتنبؤات المصنفة حسب العمر كلها مهام مشروعة، والأداء لا ينتقل بشكل نظيف بينها.

المتطلبات

لجعل هذا ملموسًا، يبني بقية هذا المقال أداة تقييم صغيرة وصادقة. إنها لا تعيد إنتاج نظام Google، ولا تستخدم كود Google أو أوزانه أو بياناته. إنها تعيد إنتاج شكل الحكم الذي تحتاج إلى إصداره: حدد هدفًا، وحدد خط أساس، وحدد مقياسًا، واختبر على زمن محجوز.

قبل أن تبدأ، تحتاج إلى:

• Python 3.10 أو أحدث. الإصدارات الأقدم قابلة للعمل لكنها ستتصادم مع بعض المكتبات أدناه.
• pip و venv. وحدة البيئة الافتراضية في المكتبة القياسية كافية؛ لا حاجة إلى conda.
• نحو 2 غيغابايت من مساحة القرص الحرة للبيئة ومجموعة البيانات الاصطناعية الصغيرة المستخدمة هنا.
• صدفة شبيهة بـ UNIX (macOS أو Linux أو WSL على Windows) لأوامر التفعيل الموضحة.
• اختياريًا، git، إذا كنت تريد إدارة إصدارات أداتك أثناء توسيعها.

ما لا تحتاج إليه: أي حساب Google، أي مفتاح API، وأي وصول إلى أنظمة Google. تعمل الأداة محليًا بالكامل.

التثبيت خطوة بخطوة

أنشئ بيئة معزولة حتى لا تتصادم التبعيات مع Python النظام لديك.

python3 -m venv .venv

فعّلها — على macOS و Linux يوجد سكربت التفعيل في bin، وعلى Windows يوجد في Scripts.

source .venv/bin/activate

قم بترقية pip حتى لا تحل الحزم باستخدام أداة حل قديمة.

python -m pip install --upgrade pip

ثبّت الحزمة العلمية التي تستخدمها الأداة: NumPy و pandas للتعامل مع البيانات، و scikit-learn للنموذج المعزز بالتدرج والمقاييس، و statsmodels لأدوات السلاسل الزمنية الكلاسيكية، و matplotlib للرسم البياني.

pip install numpy pandas scikit-learn statsmodels matplotlib

جمّد الإصدارات الدقيقة حتى تكون نتائجك قابلة لإعادة الإنتاج بعد شهر من الآن.

pip freeze > requirements.txt

أنشئ هيكل المشروع. إبقاء البيانات الخام والمعالجة منفصلة يمنعك من الكتابة فوق مدخل ما بصمت.

mkdir -p data/raw data/processed src

اختياريًا، هيّئ التحكم في الإصدارات حتى تتمكن من تتبع التغييرات في تعريفات الميزات — وهو المكان الذي توجد فيه معظم أخطاء التنبؤ فعليًا.

git init && git add requirements.txt && git commit -m "Initialize forecasting harness"

بناء أداة تقييم بسيطة

تستخدم الأداة سلسلة اصطناعية، موسومة بوضوح على هذا النحو. تُبقي البيانات الاصطناعية المثال قابلًا للتشغيل دون اتصال، والأهم من ذلك، تمنع أي شخص من الخلط بين مخرجات لعبة ونتيجة معيارية.

اكتب مولّد البيانات إلى src/make_synthetic_data.py. يبني سلسلة أسبوعية بمكوّن موسمي شتوي، واتجاه خفيف، وضوضاء غاوسية.

# src/make_synthetic_data.py
import numpy as np
import pandas as pd

rng = np.random.default_rng(7)
weeks = pd.date_range("2015-01-04", periods=520, freq="W-SUN")

t = np.arange(len(weeks))
season = 30 * np.cos(2 * np.pi * (t % 52.18) / 52.18)
trend = 0.05 * t
noise = rng.normal(0, 4, len(weeks))

rate = np.maximum(season + trend + noise + 60, 0)
df = pd.DataFrame({"week_ending": weeks, "flu_hosp_per_100k": rate.round(2)})
df.to_csv("data/raw/synthetic_flu.csv", index=False)
print(df.tail())

شغّله من جذر المشروع.

python src/make_synthetic_data.py

الآن اكتب الاختبار الرجعي إلى src/backtest.py. يقوم بإزاحة السلسلة لإنشاء ميزات، ويحجز أحدث 20% من الأسابيع، ويقارن خط أساس ثباتي مقابل مُنحدر معزز بالتدرج.

# src/backtest.py
import pandas as pd
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.metrics import mean_absolute_error

s = (
    pd.read_csv("data/raw/synthetic_flu.csv", parse_dates=["week_ending"])
    .sort_values("week_ending")
    .set_index("week_ending")["flu_hosp_per_100k"]
)

LAGS = [1, 2, 3, 4, 5, 52]
X = pd.DataFrame({f"lag_{l}": s.shift(l) for l in LAGS})
X["week_of_year"] = s.index.isocalendar().week.to_numpy().astype(int)

start = max(LAGS)
X, y = X.iloc[start:], s.to_numpy()[start:]
cut = int(len(X) * 0.8)

model = HistGradientBoostingRegressor(random_state=0)
model.fit(X.iloc[:cut], y[:cut])
pred = model.predict(X.iloc[cut:])

# Persistence baseline: predict this week's value for next week.
naive = post = s.shift(1).loc[X.index[cut:]].to_numpy()

print(f"rows          : {len(X)}")
print(f"holdout weeks : {len(y) - cut}")
print(f"persistence MAE: {mean_absolute_error(y[cut:], naive):.3f}")
print(f"gbm         MAE: {mean_absolute_error(y[cut:], pred):.3f}")

نفّذه.

python src/backtest.py

الأرقام المطبوعة هي خصائص السلسلة الاصطناعية. إنها لا تخبرك شيئًا عن الإنفلونزا، ولا شيئًا عن نموذج Google. ما تفعله هو إظهار النقطة البنيوية: نموذج معزز بالتدرج يتغلب على الثباتية في سلسلة اصطناعية مُنعّمة ليس أمرًا استثنائيًا، والعنوان الرئيسي الذي يذكر فقط "المركز الأول" دون إخبارك بخط الأساس يترك هذا التمييز غير محسوم.

أمثلة الاستخدام

المثال 1 — استبدل بسلسلة مراقبة حقيقية. أي سلسلة زمنية أسبوعية للاستشفاء بها عمود week_ending وعمود قيمة ستفي بالغرض. وجّه أداة التحميل إليها وأعد التشغيل.

python src/backtest.py --data data/raw/your_series.csv

المثال 2 — اختبر خط الأساس بإجهاد. استبدل الثباتية بخط أساس موسمي ساذج، يتنبأ بالقيمة من نفس الأسبوع من العام الماضي. إذا لم يستطع نموذجك التغلب على الموسمي الساذج، فأنت لم تجد الإشارة بعد.

naive_seasonal = s.shift(52).loc[X.index[cut:]].to_numpy()
print(mean_absolute_error(y[cut:], naive_seasonal))

المثال 3 — غيّر الأفق الزمني. أعد بناء الهدف كقيمة قبل أربعة أسابيع بدلًا من قبل أسبوع واحد. يجب أن يحترم هيكل الإزاحة الأفق الزمني، وإلا فستسرّب معلومات مستقبلية.

HORIZON = 4
y = s.shift(-HORIZON).to_numpy()[start:-HORIZON]
X = X.iloc[:-HORIZON]

المثال 4 — قيّم حسب الموسم، لا بشكل إجمالي. قسّم مجموعة الاختبار إلى سنوات موسمية وأبلغ عن الخطأ لكل موسم. المقاييس الإجمالية تخفي بالضبط تحولات النظام المهمة في الصحة العامة.

holdout = pd.DataFrame({"y": y[cut:], "pred": pred}, index=X.index[cut:])
per_season = holdout.groupby(holdout.index.year).apply(
    lambda g: mean_absolute_error(g["y"], g["pred"])
)
print(per_season)

المثال 5 — استخدم اختبارًا رجعيًا بأصل متدحرج. مجموعة اختبار واحدة هي عينة واحدة. تدحرج الأصل إلى الأمام عبر نقاط قطع كثيرة يعطي توزيعًا للأخطاء بدلًا من تقدير نقطي، وهو الحد الأدنى لمعيار ادعاء الترتيب.

for origin in range(cut, len(X) - 4):
    tr = slice(0, origin)
    m = HistGradientBoostingRegressor(random_state=0).fit(X.iloc[tr], y[tr])
    print(origin, mean_absolute_error(y[origin:origin + 2], m.predict(X.iloc[origin:origin + 2])))

قائمة تحقق عملية لقراءة ترتيب "#1"

عندما تصادف ادعاءً بالمركز الأول في التنبؤ — سواء من Google أو من أي جهة أخرى — راجع هذه القائمة قبل أن تكرره:

• ما الذي يُتنبأ به بالضبط؟ أعداد، معدلات، حالات دخول، أم شيء آخر.
• عند أي أفق زمني؟ أسبوع واحد، أربعة أسابيع، أم موسم كامل.
• مقابل أي مجموعة مقارنة؟ أنظمة مسمّاة، أم ميدان غير معلن.
• بأي مقياس؟ دقة نقطية أم درجة احتمالية سليمة.
• على أي نافذة تقييم؟ موسم واحد حكاية؛ عدة مواسم دليل.
• بأي إصدار للهدف؟ قيم أولية أم مُراجَعة.
• وما هو خط الأساس؟ إذا لم يُذكر، فالترتيب غير قابل للتفسير.

الادعاء الرئيسي من منشور Google يجيب على السؤال الأول فقط. والباقي هو ما يريد القارئ الحصيف رؤيته في البحث الأساسي.

حدود مفتوحة وما لا يثبته المصدر

ثلاثة حدود تستحق أن تُذكر صراحة.

أولًا، الترتيب ليس نشرًا. الأداء الجيد في تقييم بأثر رجعي ضروري لكنه ليس كافيًا للفائدة التشغيلية. يجب أن تتعامل الأنظمة التشغيلية مع التغذيات المفقودة، والبيانات المتأخرة، وتعريفات الإبلاغ المتغيرة في الوقت الفعلي.

ثانيًا، الترتيب ليس تفسيرًا سببيًا. قد يستغل النموذج الذي يحتل المرتبة الأولى ارتباطًا قويًا — تأثيرات العطلات، وإيقاع الإبلاغ، وبنية الموسم السابق — بدلًا من أي شيء خاص بانتقال الإنفلونزا. المركز الأول يخبرك عن الأداء التنبئي، لا عن الآلية.

ثالثًا، الترتيب ليس سياسة. توازن قرارات الصحة العامة بين التكلفة والإنصاف واللوجستيات إلى جانب دقة التنبؤ. قد يكون تنبؤ أقل دقة قليلًا مع عدم يقين شفاف أكثر فائدة لإدارة صحية من تنبؤ نقطي أكثر دقة.

لا شيء في هذا المقال يناقض نتيجة Google. النقطة أضيق وأكثر متانة: قوة الادعاء تعتمد كليًا على تفاصيل لا يستطيع عنوان رئيسي حملها.

الخاتمة

يذكر منشور مدونة الذكاء الاصطناعي من Google بتاريخ 30 سبتمبر 2026 أن نظام Google يحتل المرتبة الأولى في التنبؤ بحالات الاستشفاء بسبب الإنفلونزا. هذه إشارة ذات مغزى من مجموعة بحثية جادة تعمل على مشكلة صعبة حقًا — مشكلة تجعل تأخر الإبلاغ، والمراجعات، وتحولات النظام الموسمية، التنبؤ الدقيق صعبًا حتى للفرق ذات الموارد الجيدة.

وهو أيضًا ادعاء يقع ثقله في تفاصيله. تستغرق الأداة في هذا المقال حوالي خمس عشرة دقيقة لإعدادها ولا تنتج أي بصيرة حول الإنفلونزا على الإطلاق، لكنها تجعل بنية التقييم ملموسة: هدف، وخط أساس، ومقياس، وأفق زمني، ونافذة محجوزة. بمجرد أن تبني ذلك مرة واحدة، لن تقرأ بعدها ادعاءً بالمركز الأول في التنبؤ بالطريقة نفسها أبدًا.

إذا أردت المضي قدمًا، فإن الخطوات التالية الأعلى قيمة هي استبدال السلسلة الاصطناعية بتغذية مراقبة حقيقية، واستبدال الثباتية بالموسمي الساذج، وتحويل مجموعة الاختبار الواحدة إلى اختبار رجعي بأصل متدحرج. تلك التغييرات الثلاثة تحوّل لعبة إلى شيء يمكنه بالفعل الحكم على ترتيب.