تحول ثوري في ترحيل نماذج التعلم العميق باستخدام التعلم في السياق!

في عالم الذكاء الاصطناعي، يمثل ترحيل نماذج التعلم العميق (Deep Learning) من هيكليات متعددة تحدياً كبيراً، خاصة عند الانتقال من تصميم مرن وموجه بالأشياء في PyTorch إلى إعدادات وظيفية وخالية من الحالة في JAX. غالباً ما تكون هذه العملية يدوية وعرضة للأخطاء، لكن محاولة أتمتة هذا الترخيص تواجه صعوبات نظراً بسبب تحديات التوافق الديناميكي الصارم لواجهات برمجة التطبيقات (APIs) التي تعرضها نماذج اللغات الضخمة (Large Language Models) والتي تعاني من أخطاء في العمليات الدقيقة.

لكن فريق الباحثين قد أطلقوا نظاماً ذاتياً متكاملاً يتخطى هذه العقبات من خلال دمج التعلم في السياق (In-Context Learning) مع التصحيح الذاتي المدفوع بالبيانات. أولاً، قاموا بتجميع سياق تعلمي يعمل كمرجع صارم لتصميم JAX الفريد وتوليد حالات اختبار دقيقة. بدلاً من الاعتماد على نماذج الذكاء الاصطناعي لاستنتاج النتائج الرياضية، يقوم النظام بتشغيل الوحدات الأصلية من PyTorch للحصول على حالات التوتر الديناميكية الفعلية، مما يؤدي إلى إنشاء أداة تنفيذ غير قابلة للتغيير.

ثم يستخدم النظام حلقة ذاتية تضمن توليد اختبارات استناداً إلى بيانات الأداة التنفيذية. يتم تنفيذ حالات الاختبار بشكل متكرر، ويتم إرجاع تتبع الأخطاء إلى نموذج اللغة الضخم لتصحيحه ذاتياً. وأظهرت نتائج الأبحاث أنه من خلال دمج المراجع السياقية مع التأويل الذاتي (self-debugging) أدت هذه التطورات لتحسين كبير في الأداء مقارنة بالأساليب التقليدية، مما أتاح تحقيق نسبة تعادل عددية تصل إلى 91%.

تم التحقق من هذه النتائج عبر عدد من نماذج الذكاء الاصطناعي الأكثر تقدماً بما في ذلك SAM (segment anything)، وT5 وCode Whisper، مما أظهر تقارباً عالياً في النتائج العددية. يمكن الاطلاع على الشيفرة المصدرية على GitHub.

هذا التقدم يعد خطوة رئيسية نحو تحقيق ترحيل نسقي موثوق وقابل للتطوير بين الأطر المختلفة، مما يعزز من قدرات مطوري الذكاء الاصطناعي في الحصول على حلول أكثر كفاءة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.