في عالم الذكاء الاصطناعي، تعتبر نماذج البوتلنكس المفهومية (Concept Bottleneck Models - CBMs) أداة قوية تجعل من الممكن فحص والتدخل في التنبؤات بطريقة واضحة. ورغم أن هذه النماذج كانت تفتقر إلى التعليقات اللازمة في بدايتها، فقد تم تطوير نسخ جديدة منها لا تحتاج إلى تلك التعليقات. ولكن، كانت هناك مشكلة في استخدام قاموس واسع من المفاهيم الثابتة، مما ينتج عنه بوتلنكس أكبر من الحاجة الفعلية للتنبؤات.

اليوم، نُقدم لكم AnyBottle، الوصفة السحرية لإنشاء نماذج البوتلنكس المفهومية باستخدام مفاهيم مخصصة وعالية الكفاءة. تعتمد AnyBottle على وجود هيكل أساسي ثابت ومجموعة مفاهيم غير خاضعة للإشراف، مثل مشفرات أوتوماتيكية متفرقة (Sparse Autoencoders). حيث يعمل معلم نظام مغلق مُدرّب على نفس الهيكل الأساسي على توجيه عملية اختيار المفاهيم، بحيث يتم إضافة كل مفهوم يفسر أفضل إخفاقات النموذج.

بتطبيق استراتيجيات مثل تقنيات الإخراج المتداخل (Nested Dropout)، يمكن للموديل في النهاية التنبؤ بدقة باستخدام أي مجموعة من المفاهيم، مما يتيح له التركيز على المدخلات السهلة في البداية، ثم الانتقال للمفاهيم الأصعب عند الضرورة. مما يجعل AnyBottle نموذجًا مثاليًا لتبادل المهام والنطاقات الجديدة باستخدام هيكل بسيط ومجموعة مفاهيم مرنة.

عبر مجموعة من البيانات في مجالي الرؤية والنص، أظهرت نتائج AnyBottle قدرة فائقة على تقليص عدد المفاهيم المستخدمة وتحسين اتساقها أكبر مقارنة بالنماذج التي لا تعتمد على التعليقات، مما يجعلها قريبة من المعايير المرجعية.

بإيجاز، AnyBottle تبرهن على أن عدم الحاجة إلى التعليقات لا يعني الاستغناء عن الجودة، بل يمكن أن تكون مجموعة المفاهيم الصغيرة المكتشفة فعّالة كالنسخ الأكبر الثابتة.