في عالم الذكاء الاصطناعي، يعد التعلم المتعدد المهام (Multi-Task Learning) أحد أبرز الاتجاهات الحالية، حيث يتيح لنماذج الذكاء الاصطناعي اكتساب مهارات متعددة من خلال التدريب على مهام مختلفة. لكن، يواجه هذا النمط من التعلم تحديات كبيرة بسبب حدوث تداخل بين المهام، مما يؤثر سلبًا على الأداء.

تقوم دراسة جديدة بتقديم طريقة مبتكرة تُعرف بدمج الفضاءات الأساسية (Essential Subspace Merging)، والتي تهدف إلى التغلب على هذه التحديات من خلال دمج القدرات المستخلصة من نماذج متعلقة بمصادر تدريب موحدة في نموذج مركزي واحد.

في قلب هذه الطريقة تكمن فكرة تحليل التغيرات الناتجة عن التحديثات المتعلقة بالمهام. أظهرت الأبحاث أن هذه التغيرات تتركز في عدد محدود من الاتجاهات المهمة، والتي نطلق عليها اسم الفضاء الأساسي. بينما تحمل الاتجاهات الأخرى طاقة ضئيلة فيما يتعلق بالمهام، إلا أن تراكمها يمكن أن يؤدي إلى تداخل كبير أثناء عملية الدمج.

لتجاوز هذا التحدي، تقدم الدراسة تقنية جديدة تُسمى تحليل الفضاء الأساسي (Essential Subspace Decomposition)، التي تقوم بتفكيك كل تحديث مهم وفقًا للمتغيرات الرئيسية. بناءً على ذلك، تم تقديم تقنية دمج الفضاءات الأساسية (Essential Subspace Merging)، التي تعتبر وسيلة دمج ثابتة وغير معتمدة على التدريب، تدمج وتجمع العناصر الأساسية في نموذج موحد.

تمتد هذه المنهجية إلى النسخة المحسنة (ESM++)، التي تستخدم طريقة دمج ديناميكية ودون الحاجة للتدريب، حيث تقوم بتفكيك المخلفات الخاصة بالمهمة إلى خبراء منخفضي الرتبة، وتختار الأكثر صلة عبر توجيه قائم على البروتوتايب أثناء الاستدلال.

تجارب شاملة أُجريت على مجموعات متعددة من المهام وأحجام النماذج أثبتت أن ESM وESM++ تحافظ على المعرفة المتعلقة بالمهام وتعزز الأداء، مما يقلل من التداخل بين المهام. هل أنتم مستعدون لاستكشاف هذه التقنية الحديثة وماذا تعني لمستقبل التعلم المتعدد المهام؟