ففي حين تُعدّ هذه النماذج متعددة الاستخدامات ودقيقة، إلا أنها تتطلب كميات هائلة من الطاقة والوقت للتدريب والتشغيل، مما يثير مخاوف تتعلق بالاستدامة، إضافة إلى احتياجها لأجهزة حاسوبية متطورة باهظة الثمن. كما أن طبيعتها العامة قد تُعيق كفاءتها عند تطبيقها على مهام محددة.
يشرح الأستاذ المشارك غو إيري، الذي قاد البحث، قائلاً: “في التطبيقات العملية، نادرًا ما يكون تصنيف جميع أنواع فئات الأشياء مطلوباً. فعلى سبيل المثال، في نظام القيادة الذاتية، يكفي التعرف على فئات محدودة من الأشياء مثل السيارات والمشاة وعلامات المرور، وليس هناك حاجة للتعرف على الطعام أو الأثاث أو أنواع الحيوانات. فاحتفاظ النموذج بفئات غير ضرورية قد يقلل من دقة التصنيف الكلية، ويسبب عيوباً تشغيلية مثل إهدار الموارد الحاسوبية وخطر تسرب المعلومات”.
ولمعالجة هذه المشكلة، طور الباحثون طريقة تُعرف بـ “النسيان ذي الصندوق الأسود” (black-box forgetting)، وهي لا تعتمد على الوصول إلى البنية الداخلية لنموذج الذكاء الاصطناعي، بل تعتمد على تحسين بدون مشتقات (derivative-free optimization). تُعدّل هذه الطريقة الإشارات المدخلة (تعليمات النصوص المُقدمة للنماذج) بشكل متكرر، لجعل الذكاء الاصطناعي “ينسى” فئات معينة تدريجيًا.
وقد استخدم الباحثون في تجاربهم نموذج CLIP للرؤية واللغة، واعتمدوا على خوارزمية CMA-ES التطورية لتحسين الإشارات المقدمة لـ CLIP، مما أدى في النهاية إلى قمع قدرته على تصنيف فئات صور محددة. وقد واجهوا تحديات في توسيع نطاق هذه التقنية لفئات أكبر، فطوروا استراتيجية جديدة لمعالجة هذه المشكلة.
وأظهرت الاختبارات نجاح هذه الطريقة في جعل CLIP “ينسى” حوالي 40% من فئات الصور المستهدفة دون الوصول إلى بنيته الداخلية. وتُعدّ هذه الدراسة أول محاولة ناجحة لإحداث نسيان انتقائي في نموذج رؤية ولغة من نوع “الصندوق الأسود”.
وتتمثل فوائد هذه التقنية في جعل نماذج الذكاء الاصطناعي أسرع وأكثر كفاءة في استخدام الموارد، وقادرة على العمل على أجهزة أقل قوة، كما أنها تُساهم في منع توليد محتوى غير مرغوب فيه أو ضار، وتُعالج مشكلة الخصوصية، خاصةً في القطاعات التي تتعامل مع بيانات حساسة. وتُعدّ هذه التقنية خطوة مهمة نحو تطوير ذكاء اصطناعي أكثر أمانًا وكفاءة.
هذا المحتوى تم باستخدام أدوات الذكاء الاصطناعي
