من الضروري فهم التغيرات: معايير جديدة لشرح التحولات السلوكية في نماذج اللغات الضخمة

يتجاوز الفهم التقليدي لنماذج الذكاء الاصطناعي الحاجة إلى مقارنة مجرد الشروحات؛ حيث يفترض أن نماذج اللغات الضخمة (Large Language Models) متعددة السلوكيات، وتتأثر بالتدخلات مثل الضبط الدقيق (Fine-tuning) أو التعلم التعزيزي بواسطة التغذية الراجعة من البشر (Reinforcement Learning with Human Feedback).

من الواضح أن الأساليب الحالية في الشرح غير كافية؛ لأنها تعالج النماذج ككيانات ثابتة أو تقارن التفسيرات بشكل منفصل عبر نقاط زمنية متتالية دون ارتباط يشرح الانتقال الوظيفي بين حالتين. هذه الفجوة تطرح مخاطر حكومية كبيرة عبر مناطق عدة، بما في ذلك قانون الذكاء الاصطناعي في الاتحاد الأوروبي (EU AI Act) وتشريعات الولايات الأمريكية ولوائح الذكاء الاصطناعي في الصين؛ نظرًا لأنها تتطلب توثيق سلسلة سببية للتعديلات الكبيرة في النظام.

لذا، تدعو هذه الورقة البحثية إلى ضرورة توضيف نهج واحد يقوم على أهمية تفسير التحولات السلوكية في نماذج اللغات الضخمة. يتوجب أن تقوم هذه المقاربة على تفسير كيف ولماذا تؤدي التدخلات إلى تحول النموذج الأساسي إلى نموذج مُحدّث يتبنى سلوكًا مختلفًا تمامًا.

نقدم أيضًا رؤية جديدة تُعرف باسم 'تفسير المقارنة' (Comparative XAI)، حيث تسعى هذه المقاربة لتفسير الفروقات بين حالتين مختلفتين من النموذج حيث كان هناك تحول سلوكي ملحوظ. كما تأتي مع مجموعة من الشروط والمطالب التي ينبغي أن تحققها عمليات الشرح، مثل القابلية للمقارنة، الصلاحية، القابلية للتنفيذ، والمتابعة، بهدف إرساء أساسيات تدقيق النماذج في متطلبات واضحة وقابلة للقياس.

الأدلة الأولية تشير بقوة إلى الحاجة لهذا النوع من النهج في التطبيقات العملية، وذلك من خلال تجارب توضيحية وجمع النتائج في تقرير انتقال يمكن استخدامه مباشرةً في وثائق الحوكمة والحوادث.