في إطار سعي الباحثين المتواصل لتطوير الذكاء الاصطناعي، يُعَد التعلم المستمر (Continual Learning) من التحديات الرئيسية. خاصةً في مجالات مثل 'النماذج اللغوية متعددة الوسائط' (Multimodal Large Language Models) المستخدمة في التحسين الجماعي الموزع، حيث يتعرض النموذج لمشكلة جبّارة تُعرف بالنسيان الكارثي (Catastrophic Forgetting).

تمثل هذه المشكلة عائقًا رئيسيًا في نشر الذكاء الاصطناعي بشكل موثوق في البيئات الديناميكية، خصوصًا في حال كانت هذه التطبيقات تتعلق بالأمان، مثل اعتدال المحتوى. لذلك، تم تقديم إطار عمل جديد باسم 'التعلم المستمر المتعدد الوسائط الموزع' (Federated Continual Multimodal Learning) أو اختصارًا 'FedCMM'.

يعمل 'FedCMM' على تثبيت آليات التعلم المستمر في حلقة تحسين الفيدرالية على ثلاثة مستويات تكاملية. من ناحية، يتمحور المستوى الأول حول حماية النماذج ضد النسيان عبر استخدام 'تثبيت الوزن المرن' (Elastic Weight Consolidation)، حيث يُحدّد معلومات 'فيشر' (Fisher Information) بشكل منفصل لكل من مُشفر الرؤية، العمود الفقري اللغوي، ومشغل الوضع المتقاطع.

أما على المستوى الثاني، يقوم كل عميل بتدريب وحدة عرض توليد محلي خفيفة لخلق توائم انغماس متعدد الوسائط دون مشاركة أي بيانات خام. وأخيرًا، يتم في المستوى الثالث استخدام 'تجميع التدرجات' (Gradient Aggregation) لفلترة التحديثات بحسب تشابه المهام، مما يدعم استقرار مسار التعلم العالمي.

تشير التجارب الموسعة على مجموعتين مرجعيتين إلى أن 'FedCMM' يتفوق باستمرار على الأسس الحديثة في الدقة ونقل المعرفة، مؤكدًا أن الجهود المنهجية والحماية الفهم الاسمية تعزز من القدرة على التكيف الفعال.

توجهوا معنا نحو عالم الذكاء الاصطناعي الأكثر أمانًا، واكتشفوا كيف يمكن لتقنيات 'FedCMM' أن تحول مشهد الذكاء الاصطناعي في مجالات متعددة!