لقد أصبح التعلم العميق والذكاء الاصطناعي من الأساسيات الحديثة التي لا غنى عنها في الخدمات الذكية السحابية داخل الجامعات والصناعات. تظل النماذج اللغوية الضخمة (Large Language Models) حجر الزاوية لهذه الخدمات، إلا أن تكاليف التدريب المرتفعة، وتركيز البيانات، ومخاوف الخصوصية تعوق عمليات نشرها. هنا تأتي أهمية التعلم المتفاضل (Federated Learning) والذي يقدم نموذج تدريب غير مركزي يسمح للعملاء بتدريب نموذج تعليمي بشكل تعاوني دون الحاجة لمشاركة البيانات الخام، مما يجعله حلاً واعدًا لحماية الخصوصية في تدريب النماذج اللغوية.

يتناول هذا المقال استقصاء شامل للتعلم المتفاضل للنماذج المدعومة بالتعليم (Federated Prompt Learning)، من خلال استعراض التطورات الأخيرة في دمج نموذج التعلم المتفاضل مع النماذج اللغوية الضخمة، مع الإجابة على عدة تساؤلات بحثية محورية مثل:

1. ما هي الدوافع الأساسية، والخصائص، وتقنيات التمكين المتعلقة بالتعلم المتفاضل، وكيف يختلف عن التعلم المتفاضل التقليدي؟
2. ما هي التحديات التي تواجه طرق التعلم المتفاضل في الأداء وكفاءة الاتصال والعبء الحسابي؟
3. ما هي المشكلات المتبقية المتعلقة بالأمان، والخصوصية، والقدرة على التحمل، وكذلك أهم اتجاهات البحث المستقبلية في هذا المجال؟

لتعزيز مستوى الفهم، نقوم بفحص منهجيات التعلم المتفاضل عبر مراحل الحياة الكاملة للنموذج: مرحلة ما قبل التدريب، والتخصيص، والتطبيقات العملية. نناقش قضايا الأمان والخصوصية والقدرة على التحمل، ونلخص آلية الدفاع المتاحة حاليًا. وفي النهاية، نبرز التحديات المفتوحة والاتجاهات المستقبلية، مما يساعد القراء على فهم كيفية توجيه هذه الأفكار البحث في التعلم المتفاضل للنماذج اللغوية.