يُعد التعلم المستمر (Continual Learning) من أبرز التطورات في مجال الذكاء الاصطناعي، حيث يسعى الباحثون إلى تمكين النماذج الذكية من التكيف مع مهام جديدة دون فقدان المعرفة السابقة. رغم وجود العديد من الطرق المقترحة للحد من ظاهرة النسيان الكارثي (Catastrophic Forgetting)، إلا أن الأبحاث لا تزال تركز بشكل أساسي على الأداء وتفتقر إلى رؤى أعمق حول ماهية النسيان وكيف يؤثر على نماذج الرؤية.

تعاني غالبية الأبحاث السابقة من تحليل النسيان بناءً على أداء المهام أو قياسات粗ية لتحول التمثيل، مما يترك العديد من الأسئلة بلا إجابة عن كيفية تفكيك قابلية الوصول إلى النتائج مع التغيرات في البنية الداخلية للنموذج. لذا، تم تقديم إطار تشخيصي جديد يعتمد على استخدام المشفرات التلقائية النادرة (Sparse Autoencoders) لتعريف مساحة ميزات كامنة مرتبطة بالمهام، مما يسمح بتحليل تطور المعلومات الخاصة بالمهام بمزيد من الدقة.

من خلال هذا الإطار، نجح الباحثون في دراسة ظاهرة النسيان من خلال تقسيمها إلى ثلاثة جوانب رئيسية: حذف المفاهيم الظاهري (Apparent Concept Deletion)، القابلية للاستعادة (Recoverability)، وقابلية التفكيك (Decodability).

وأظهرت النتائج أن جزءًا كبيرًا من المعلومات المفقودة قد يمكن استعادته عندما نفترض وجود خطية في البيانات، إلا أن قابلية التفكيك تتدهور مع إدخال المزيد من المهام. هذه العملية تشير إلى أن فقدان المعلومات على مستوى المفاهيم لا يتعلق بالمسح الكامل، وإنما بالتغيرات في إمكانية الوصول إلى المعلومات.

وبذلك، تقدم هذه الدراسة رؤى جديدة لفهم النسيان في التعلم المستمر، مما يساعد في تطوير نماذج أكثر ذكاءً وقدرة على المواءمة بين مختلف المهام بدون فقدان المعلومات الحيوية. كيف ترون حقيقة النسيان في الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!