في عالم الذكاء الاصطناعي، بدأت الأبحاث تتجه نحو تعزيز القدرة على التعلم بطريقة مستمرة وفعالة، خاصةً عندما يتعلق الأمر بالصور والنصوص. تمثل تقنية التعلم المستمر للصور والنصوص تحديات عديدة، تتمثل في الحفاظ على المعرفة المكتسبة أثناء مواجهة مهام جديدة، وهو ما يقدمه نموذج DuLBE الجديد.

تأمل الرحلة التي خاضها فريق البحث في تطوير نموذج DuLBE (Dual-Mode Low-Rank Learner with Bridge-Prototype Ensemble) الذي يرتكز على مفهوم توافق المعلومات المرئية والنصية. التقنية المستخدمة في هذا النموذج تقوم على دمج أسلوبين للتعلم منخفض الرتب، مما يتيح للنموذج تخصيص وضعيين للحديث بأسلوب ذكي. يُحدد النموذج الطريقة المستخدمة حسب الحاجة إلى التدرج، مما يعني أنه بإمكانه إعادة استخدام المعرفة الموجودة بفاعلية أكبر.

لكن التحدي لا يتوقف هنا، حيث تم تصميم فئة تجميع مخصصة (Bridge-Prototype Ensemble) لتتجاوز فجوات المعلومات بين قرارات النصوص والصور. ما يعني أن النظام يمكنه استخدام التجارب السابقة في تحسين أداء التعامل مع المهام الجديدة.

التجارب التي أُجريت على النموذج أثبتت أنه يمكنه تحقيق أداء عالي في التعلم المستمر للفئات، في حين يحتفظ بكفاءة المعالجة المعروفة عن تقنيات التعلم منخفض الرتبة. إن النتائج جاءت لتجعل DuLBE واحداً من القادة في هذا المجال، مُشيراً إلى مستقبل واعد للتفاعل بين الأنظمة المرئية والنصية.

ما هي توقعاتكم حول مستقبل التعلم المستمر في مجال الذكاء الاصطناعي؟ شاركونا آراءكم وتعليقاتكم!