باختصار
تسرّب التسمية (Label Leakage) عيب في تصميم النموذج، بتكون فيه سمة معيّنة بديلًا (Proxy) عن التسمية نفسها.
بالتفصيل
التسرّب ده مختلف عن تسرّب الاختبار (Test Leakage). تسرّب الاختبار بيعني إن بيانات التقييم دخلت التدريب بالغلط. تسرّب التسمية بيعني حاجة أخطر وأدهى: سمة داخل بيانات التدريب نفسها بتحمل، بشكل مباشر أو غير مباشر، معلومة عن التسمية — بس المعلومة دي مش متاحة وقت التنبّؤ الفعلي في الإنتاج.
مثال توضيحي دقيق من واقع الصناعة: نموذج تصنيف ثنائي بيتنبّأ هل عميل محتمل هيشتري منتجًا معيّنًا أم لا. لو من ضمن سمات النموذج سمة منطقية اسمها SpokeToCustomerAgent (يعني «تحدّث مع موظّف مبيعات»)، وافترض إن موظّف المبيعات بيتمّ تعيينه للعميل بعد ما العميل يكون قد اشترى المنتج فعلًا. أثناء التدريب، النموذج هيتعلّم بسرعة الارتباط القوي بين SpokeToCustomerAgent والتسمية.
النتيجة: النموذج هيبدو رائعًا في التدريب والتقييم على البيانات التاريخية، لأن السمة دي عمليًا هي التسمية متنكّرة في هيئة سمة. لكن وقت التنبّؤ الفعلي لعميل جديد لسّه ما اشتراش، السمة دي هتكون فاضية أو زائفة — لأن الحدث اللي بيحدّدها (تخصيص موظّف المبيعات) لسّه ما حصلش.
والفرق الجوهري عن سمة تنبّؤية شرعية: السمة الشرعية بتسبق التسمية زمنيًا وبتُتاح بشكل طبيعي وقت التنبّؤ. سمة التسرّب بتيجي بعد التسمية زمنيًا، أو بتعتمد على معرفة النتيجة أصلًا.
مثال عملي
نموذج بيتنبّأ هل مريض هيدخل المستشفى في الأسبوع القادم. لو من ضمن السمات «عدد أيام الإقامة في المستشفى»، فالسمة دي عمليًا بتكشف التسمية نفسها — مريض دخل المستشفى وله عدد أيام إقامة مسجَّل، طبعًا هيتنبّأ النموذج بدخوله بثقة 100%. لكن وقت التنبّؤ الفعلي المسبق، السمة دي مش موجودة أصلًا لأن الدخول لسّه ما حصلش.
مصطلحات مرتبطة
- Test Leakage — تسرّب بيانات الاختبار.
- Feature Engineering — هندسة السمات.
- MLOps — عمليات تعلّم الآلة.
المصادر: Google ML Glossary
