سنجه‌های قابل اندازه‌گیری چیست؟

سنجه‌های قابل اندازه‌گیری (Metric) در هوش مصنوعی و علوم داده به معیارها یا شاخص‌هایی گفته می‌شود که با استفاده از اعداد و داده‌ها عملکرد یک مدل، فرآیند یا سیستم را اندازه‌گیری و ارزیابی می‌کنند. این سنجه‌ها به ما کمک می‌کنند تا بدانیم یک مدل هوش مصنوعی چقدر خوب کار می‌کند، چه مقدار خطا دارد و در کدام زمینه‌ها نیاز به بهبود دارد.

اهمیت سنجه‌ها به این دلیل است که صرفاً ساختن یک مدل کافی نیست؛ باید بتوان عملکرد آن را به طور عینی و عددی سنجید. مثلاً اگر می‌خواهید یک سیستم تشخیص چهره راه‌اندازی کنید، لازم است بدانید مدل شما با چه دقتی افراد را تشخیص می‌دهد. سنجه‌هایی مانند «دقت» (accuracy)، «بازخوانی» (recall) یا «میانگین خطای مطلق» (MAE) برای این منظور به کار می‌آیند.

برای مثال، فرض کنید یک کسب‌وکار فروش آنلاین دارید و از یک مدل پیش‌بینی برای شناسایی مشتریان بالقوه استفاده می‌کنید. سنجه‌هایی مثل نرخ موفقیت پیش‌بینی (accuracy) یا نرخ نادرستی (error rate) به شما نشان می‌دهد که مدل چقدر خوب مشتریان واقعی را تشخیص می‌دهد و چقدر اشتباه می‌کند.

گاهی سنجه‌ها با «معیار» (criterion) یا «اندازه‌گیری» (measurement) اشتباه گرفته می‌شوند. معیار معمولاً به ویژگی‌هایی اشاره دارد که می‌خواهیم مدل بر اساس آنها سنجیده شود؛ اما سنجه، عدد یا آماری است که مستقیماً از خروجی مدل به دست می‌آید و عملکرد آن را به‌صورت کمی بیان می‌کند.