هل يُمكن تعزيز الشفافية في الذكاء الاصطناعي؟ دراسة مبتكرة عن شمولية الوثائق في نماذج هاجينج فيس

في عالم الذكاء الاصطناعي، تلعب نماذج التعلم الآلي المُعدة مسبقاً (Pretrained Machine Learning Models) دوراً فعالاً في مساعدة المطورين على بناء نظم برمجية تعتمد بشكل كبير على الذكاء الاصطناعي دون الحاجة إلى تدريب النماذج من الصفر. إلا أن العديد من مستودعات النماذج تعاني من نقص في الوثائق القابلة للقراءة الآلية التي تغطي جوانب عدة مثل أصول النماذج (Model Provenance)، التراخيص (Licenses)، مجموعة البيانات (Datasets)، والقيود (Limitations)، مما يؤدي إلى فجوات في الشفافية والإدارة في سلسلة إمداد الذكاء الاصطناعي.

تناولت دراسة حديثة ما يُعرف بفواتير المواد الخاصة بالذكاء الاصطناعي (Artificial Intelligence Bills of Materials - AIBOMs)، والتي تهدف إلى معالجة هذه الفجوات عن طريق توثيق عناصر الذكاء الاصطناعي، بما في ذلك النماذج، والبيانات الوصفية (Metadata)، والتراخيص، ومعلومات بطاقات النماذج (Model Card) والمراجع الخارجية.

تناولت هذه الورقة البحثية مقدماً كمثال العموميات الخاصة بمستودعات نموذج هاجينج فيس (Hugging Face) في دراسة علمية عميقة لفحص شمولية مواد FAI، مُشارِكةً تحليلاً لحوالي 97,500 عنصرًا من عناصر AIBOM، لتقييم مدى شمولية المعلومات الإنتاجية للذكاء الاصطناعي في التوثيقات.

أظهرت النتائج أن المستودعات المذكورة تقدم تغطية كاملة للهيكل المطلوب لعناصر AIBOM، لكنها تعاني من نقص في شمولية الوثائق المتعلقة بالذكاء الاصطناعي. بينما تم تضمين جميع الحقول الأساسية المطلوبة، كانت الحقول المتعلقة بمعلومات بطاقات النماذج، مثل البيانات، والقيود، والتقييمات البيئية، ضعيفة أو مفقودة في العديد من العناصر المولّدة.

تُعَزِّز النتائج التي توصلت إليها هذه الدراسة الحاجة إلى تحسين الممارسات المتعلقة ببطاقات النماذج، وتعزيز إمكانية التتبع على مستوى المستودعات، والتحقق الآلي من AIBOM، بهدف تعزيز إنشاء وتبني AIBOMs بشكل أكثر شمولية.