في عالم الذكاء الاصطناعي، يعتمد الكثير من النماذج التوليدية على تفاعلات مع نصوص محددة تُعرف بالـ ")Prompts(، حيث تعد القدرة على تقييم هذه النماذج وتنوع المخرجات الناتجة عن هذه التفاعلات قضية محورية. على الرغم من أن دقة وملاءمة هذه النماذج يُقاسان بشكل جيد بواسطة المقاييس الحالية، إلا أن قدرتها على إنتاج مخرجات متنوعة لا تزال تتطلب مزيدًا من الاستكشاف.

يأتي الباحثون في هذا السياق بتقديم مقاييس جديدة تُعرف بـ ")Vendi الشرطي( و")RKE الشرطي(، حيث تم تصميمهما لتقييم التنوع الناجم عن تفاعلات النموذج مع النصوص، وهو ما يُعنى بالقدرة على نفاذ مخرجات متنوعة استجابةً للمدخلات.

تستند هذه المقاييس الجديدة إلى مفهوم التباين الشرطي، والذي يتم حسابه باستخدام مصفوفات ذات قيم إيجابية شبه محددة. ومن المثير للاهتمام أن مقياس "RKE الشرطي" يُظهر معدل تلاقي سريع يصل إلى O(1/√(n))، مما يعني فعالية هذا المقياس في قياس التنوع بسرعة. من جهة أخرى، يقدم "Vendi الشرطي" تقريبًا لطيفًا مقطوعًا، مما يعزز دقة تقديرات التنوع.

وقد أظهرت التجارب المتنوعة في مجالات مثل تحويل النص إلى صورة، ووصف الصور، ومهام نماذج اللغة الكبيرة (Large Language Models) أن المقاييس الشرطية الجديدة لا تقوم فقط باستعادة ترتيب التنوع الحقيقي، بل يمكن أيضًا استخدامها في توجيه نماذج الانتشار نحو عينات أكثر تنوعًا، مما يفتح آفاقًا جديدة في عالم الذكاء الاصطناعي.

إذا كنت ترغب في الاستزادة عن هذا البحث الشيق، يمكنك زيارة GitHub وتحميل الشيفرة المصدرية.

ما رأيكم في هذه التطورات الجديدة في تقنيات الذكاء الاصطناعي؟ هل تعتقدون أنها ستحدث فرقًا في جودة المخرجات؟ شاركونا في التعليقات.