في عالم الذكاء الاصطناعي، يعتمد فهم كيف تعمل نماذج التعلم الآلي بشكل كبير على تدخلات تتعلق بمستويات المكونات. ذلك لأن هذا الفهم يساعد في تخصيص القوة والقدرات وإجراء التعديلات الضرورية. ومع ذلك، يمكن أن تكون هذه التقييمات مضللة أحيانًا، خصوصًا عندما تتوفر آليات الاسترداد الذاتية في نماذج ترانسفورمر (Transformer).

التسجيلات المشروطة هي خطوة جديدة رائدة في هذا الإطار، حيث تم تقديم طريقة جديدة تُسمى Conditional Co-Ablation (CoAx) التي تستعيد النسخ الاحتياطية غير النشطة في الدوائر من خلال تقييم التأثير المتزايد لإزالة مكونات معينة. هذه الطريقة تعتمد على الربط بين التأثير الناتج عن إزالة مكون أساسي وتأثير باقي المكونات في النموذج، مما يساعد في كشف تفاعلات معقدة كانت غير مرئية سابقًا.

عند تطبيق هذا على نموذج GPT-2-small، أظهرت نتائج مثيرة حيث ارتفع معدل استعادة الرأس الاحتياطي من 0.33 إلى 0.91، متفوقًا بذلك على جميع الأساليب السابقة. هذا الإنجاز لا يساعد فقط في تحسين أداء النماذج، بل يكشف أيضًا عن أهمية المكونات في ظل الظروف التي تجعلها ضرورية.

تقدم هذه الأنشطة فرصة جديدة لنماذج الذكاء الاصطناعي، حيث يمكن أن تكشف التفاعلات بين المكونات عن أنماط جديدة تشير إلى الطريقة التي يمكن بها تحسين الأداء العام للنموذج.