في عصر يتزايد فيه الاعتماد على نماذج الذكاء الاصطناعي (AI) الكبيرة، يصبح تقييم أدائها عبر مؤشرات الأداء أمراً متطلباً من الناحية الزمنية والتكاليفية. ولهذا السبب، تمثل الحاجة إلى طرق تقدر أداء النموذج بشكل كامل بناءً على مجموعة فرعية من العناصر، والمعروفة باسم "مجموعة النماذج الأساسية" (coreset)، ضرورة ملحة. قد تطلب الأدبيات الحالية من الممارس إدخال حجم المجموعة الأساسية يدويًا، لكن ماذا يحدث عندما تكون دقة تقدير الأداء أولوية؟ هنا يبرز دور BayesAME.

تُقدم BayesAME إطاراً بايزياً متسلسلاً، مصمماً خصيصاً لتحديد حجم المجموعة الأساسية تلقائياً. من خلال نمذجة الأداء كمتغير عشوائي وتحديد قدرة خفية لكل مجموعة من العناصر التي تشترك في أداء تاريخي مشابه، يمكن لـ BayesAME بناء توزيع أولي مشترك يعكس سلوك النموذج المستهدف. تُستخدم التوزيعات الخلفية لحساب تقديرات الأداء وتحديد عدم اليقين المرتبط به، مع إضافة العناصر إلى المجموعة الأساسية بناءً على معيار مكسب المعلومات. تستمر العملية حتى تنخفض تقلبات تقدير الأداء وعدم اليقين إلى ما دون عتبات محددة مسبقاً.

بالإضافة إلى ذلك، تم اقتراح تمديد متعدد الأهداف يعكس ارتباطات الأداء بين نماذج متعددة، مما يسهم في تقليل حجم المجموعة الأساسية بشكل أكبر. من خلال تجارب مكثفة على مجموعة متنوعة من المؤشرات، أظهر BayesAME أداءً يتفوق باستمرار على التعديلات التسلسلية للطرق الموجودة سابقاً. ولعل الأهم من ذلك، أنه تم تسليط الضوء على أن اختيار العناصر بناءً على استجابة مستمرة يعزز من دقة التقديرات بالمقارنة مع الدرجات الثنائية التقليدية.

مع التطورات التكنولوجية السريعة، يبشر BayesAME بتحول كبير في كيفية تقييم نماذج الذكاء الاصطناعي، إذ يعد بمزيد من الدقة والكفاءة، مما يجعلنا نتساءل: كيف يمكن لهذه التقنيات الجديدة تغيير مشهد تقييم النماذج في المستقبل؟ شاركونا آراءكم في التعليقات.