هل يمكن لضغط العبارات الثنائية أن يُعزز تقنيات الذكاء الاصطناعي عالمياً؟

في عالم الذكاء الاصطناعي الحديث، يعتبر ضغط العبارات الثنائية (Extractive Prompt Compression) أحد الحلول الواعدة لتقليل تكاليف الاستنتاج لنماذج اللغات الكبيرة (Large Language Models). لكن هل يمكن أن يُعزز هذا الحل من فاعلية هذه النماذج في مختلف اللغات؟

وفقاً لدراسة جديدة تم نشرها على منصة arXiv، تم استخدام بيانات موازية بالكامل عبر عشرة لغات وخمسة أنظمة كتابة، حيث أُجريت تجارب على أربعة أنواع من ضواغط العبارات ضد أربعة خطوط أساس حتمية. تم تحليل النتائج باستخدام أحد عشر نموذجاً مختلفاً من عشرة موردين، مما يتجاوز ربع المليون مكالمة تقييم.

تشير النتائج إلى أن الفجوة اللغوية حقيقية، حيث أظهرت الضواغط المدربة باللغة الإنجليزية معدلات استفادة مُمتازة خلال استنتاج النماذج، بينما كانت الاستفادة في لغات مثل الليتوانية والصينية أقل بكثير. على سبيل المثال، حافظت اللغة الإنجليزية على 57-62% من الاستخدام المُنظم للسياق بينما احتفظت اللغة الليتوانية بـ 10-24% فقط.

الأمر الأكثر إثارة للدهشة هو أن الضغوط العدوانية قد تؤدي إلى تقليل السياقات المدرجة لغير اللغات الإنجليزية إلى ما دون مستوى الفائدة الحقيقية. بدلاً من ذلك، أظهرت الدراسات أن نظام "ترجمة ثم ضغط" يمكن أن يتفوق فعلياً على الضغط الأصلي بتكاليف أقل للنماذج المستخدمة.

تم إصدار جميع الأكواد وضغوط البيانات والنتائج المودلة للجمهور، مما يعكس التزام الباحثين بشفافية المعلومات في هذا المجال.

فهل تعتقد أن قُدرة النماذج على تقليل الفجوة اللغوية قد تعزز من استخدامها عالمياً؟ شاركونا آراءكم في التعليقات.