في عالم الذكاء الاصطناعي، تُعتبر نماذج الرؤية واللغة (Vision-Language Models) واحدة من أبرز الابتكارات التكنولوجية. لكن التحديات ما زالت قائمة. تشير الأبحاث الأخيرة إلى أن الصفات المستخدمة في تصنيف الصور تكون غالبًا مُعتمدة على أسماء الفئات، مما يؤدي إلى انخفاض دقة التصنيف بشكل ملحوظ عندما تتغير البيانات.

تظهر دراسة جديدة نُشرت على موقع arXiv، أن الاعتماد على أسماء الفئات وحدها يفتقر إلى الدليل البصري. نتيجة لذلك، عندما يتم حذف اسم الفئة من النماذج، تنخفض دقة التصنيف على مجموعة بيانات ImageNet بنسبة كبيرة تصل إلى 44%. وهذا يؤكد أن الطريقة التقليدية لتصنيف الصور قد تحتاج إلى إعادة تقييم.

وتم تقديم حل مبتكر في هذا السياق، حيث يتم اختيار الصفات مباشرة من الصور المُعالجة. حصل الباحثون على مجموعة كبيرة من الصفات وقاموا بتقييمها مقابل الصور في مجال تضمين CLIP، مما ساعد في تحديد أفضل الصفات لكل فئة. هذه الطريقة أدت إلى تحقيق دقة تصل إلى 23.8% في التصنيف، وهي معدل يفوق دقة الصفات المبنية على الأسماء.

المثير في الأمر، أن هذه الطريقة تعمل بسرعة مذهلة حيث تستغرق أقل من دقيقة لتحقيق النتائج، في حين أن الطرق التقليدية، مثل طريقة CoOp، قد تستغرق حتى 14 ساعة. أحد الجوانب الرائعة لهذه الطريقة الجديدة هو أنها تُعطي أيضًا ملخصًا واضحًا للبيانات مما يسهل فهم التغيرات في البيانات.

إذا كنت مهتمًا بتطورات الذكاء الاصطناعي وكيف يمكن للابتكارات أن تغيّر طريقة عمل النماذج، فإن هذا البحث يفتح آفاقًا جديدة لفهم قوة الصور في تحديد الصفات وتجاوز التحديات التقليدية.