يعتبر أداء الشبكات العصبية العميقة (Deep Neural Networks) متأثراً بشكل كبير بجودة البيانات التي تُستخدم في تدريبها. ومع ذلك، يظل تصحيح التحيز في مجموعات البيانات من خلال تنسيق الحالات الصعبة يدويًا عقبة رئيسية تواجه المطورين. لمواجهة هذه التحديات، نقدم نظامًا تلقائيًا للجمع بين حالات صعبة باستخدام تقنية الذكاء الاصطناعي.

يعتمد نهجنا على نموذج لغة كبير (Large Language Model) تم تعديله من خلال التعلم من التفضيلات (Preference Learning) لتحويل تسميات الصور إلى نماذج نصية متنوعة. هذه النماذج توجيهية تساعد في توجيه نموذج تحويل النص إلى صورة (Text-to-Image Model) نحو إنشاء سيناريوهات بصرية معقدة تساهم في تحسين كفاءة النظام.

نُفذ هذا الأسلوب على معيار اكتشاف الكائنات FishEye8K، حيث أظهر النتائج متفوقة تعزز من متانة النموذج، متجاوزًا الطرق التقليدية للتعزيز اليدوي للنماذج. يثبت هذا العمل إمكانية تطوير إطار عمل قابل للتوسع، ينقل جهد تنسيق البيانات من الجهد اليدوي إلى توليد مركّز تلقائي، مما يعد اتجاهًا واعدًا نحو بناء أنظمة ذكاء اصطناعي أكثر موثوقية وقابلية للتحسين المستمر. يمكن الاطلاع على الكود المُستخدم في هذا البحث عبر الرابط: [الرابط].