في عالم الذكاء الاصطناعي، تعد عملية نقل المعرفة من نماذج اللغات الضخمة (Large Language Models) إلى النماذج الصغيرة إحدى التحديات الكبيرة. تعتبر عملية تبيين المعرفة (Knowledge Distillation) أساسًا في هذه العملية، حيث يتم سعيًا لنقل المعرفة, إلا أن هنالك إغفالًا قد يحدث، حيث يتمكن النموذج الكبير (المدرس) من تذكر علاقة في اتجاه معين، لكنه قد يفشل في إنتاج الإجابة في الاتجاه المعاكس.

لكن ، مع الطريقة الجديدة المسماة التحقق الاتجاهي (Directional Verification)، يتم تجاوز هذه القيود. في هذه الاستراتيجية، تعتمد النماذج المدربة على التصنيفات التي تم استخدامها في الاتجاه المعروف، مما يعزز دقة التدريب على البيانات التي يملكها النموذج الكبير. لقد أثبتت الدراسات أن هذا الأسلوب يحقق نتائج أفضل في دقة التصنيفات، خاصة في حالات الأسماء والعلاقات بين الأباء والأبناء.

عند تحليل البيانات، أظهرت النتائج تحسنًا في دقة الطلاب الذين تم تدريبهم وفقًا لتصنيفات الاتجاه المعروف، حيث زادت الدقة بمعدل يتراوح بين 13 إلى 15 نقطة مقارنة بالطلاب الذين تم تدريبهم باستخدام التصنيفات المعدلة. وهكذا، تبرز هذه الطريقة أهمية توجيه المعرفة مع التركيز على الاتجاه الصحيح لتقليل الأخطاء والتعزيز الفعال لعوامل التعلم.

الكود الخاص بهذه الدراسة متاح عبر GitHub، مما يمكن الباحثين والمطورين من استغلال هذه التقنية القابلة للتطبيق في مشاريعهم القادمة. هل أنتم مستعدون لتجربة هذا الابتكار في نماذجكم؟ شاركونا آراءكم في التعليقات.