في الآونة الأخيرة، شهدنا تقدمًا ملحوظًا في أنظمة التعلم المستمر (Continual Learning) التي تعمل على تحسين الأداء من خلال التفاعل مع التغذية الراجعة، ولكنها تقليدياً مقيسة من خلال تسميات معيارية قد تكون غير متاحة أو غير قابلة للتطبيق في بيئات التشغيل. في هذا السياق، تم اقتراح إطار عمل جديد يعتمد على فرضية التوسع لتقييم هذه الأنظمة دون الحاجة إلى التسميات.

كلنا نعلم أن أنظمة التعلم المستمر، التي تجمع بين نماذج اللغة الضخمة (Large Language Models) ووسائل الاسترجاع أو الذاكرة، لها تأثير كبير في مجالات مثل الأمن السيبراني. ومع ذلك، تعتمد القيمة التقليدية لهذه الأنظمة على تحسينات مقياس الأداء، وهو نهج غالبًا ما يكون محدودًا في سياقات الأمن العملي.

تقدم الدراسة الجديدة مقاربة لإنشاء نموذج أقوى يمكنه معالجة المشاكل المرتبطة بالنماذج الأصغر. من خلال توفير تصحيحات عشوائية، يمكن للنموذج الأقوى أن يحسن من أداء نموذجه الأصغر مع استمرار التعلم. وقد أظهرت النتائج أن التحسين النسبي في أداء النموذج الأصغر يقترن بتحسين نسبي في الأداء وفقًا لمعايير مرجعية محفوظة، مما يدل على فعالية أسلوب التقييم الجديد.

في ختام هذه الدراسة، يكشف الباحثون أن استخدام النموذج الأكبر كقاضٍ بين النماذج المتشابهة لا يقدم إشارة مفيدة، مما يعني أن هناك حاجة لتناول مختلف الطرق لتقييم الأنظمة.

هذا البحث يفتح آفاقًا جديدة لفهم كيف يمكن لإعدادات الذكاء الاصطناعي العمل بكفاءة أكبر حتى في ظل نقص المعلومات، وهو الأمر الذي قد يغير الطريقة التي نقيم بها هذه الأنظمة في المستقبل.