تعتبر نماذج اللغة الكبيرة (Large Language Models - LLMs) من النماذج الرائدة في عالم الذكاء الاصطناعي، ولكنها تعاني من مشكلة حفظ وتكرار المحتوى الحساس أو المحمي. تبرز المخاوف المتعلقة بالخصوصية والسلامة والامتثال في ظل هذه الظروف، ولذلك تم اقتراح حلول مبتكرة مثل استراتيجية النسيان الانتقائي.

تقدم تقنية "نسيان ما هو مهم فقط عبر تعلم الطبقات" (Forgetting Only What Matters via Unlearning Layers - FOM-UL) إطارًا جديدًا يمكنه تغيير الطريقة التي نتعامل بها مع ذكاء الآلات. تعتمد هذه التقنية على استخدام مقاييس التأثير لاختيار الطبقات الأكثر تأثيرًا في مجموعة النسيان، مما يسمح بتركيز التحديثات في الأماكن الأكثر فعالية مع الاحتفاظ بمعظم النموذج دون تغيير.

تظهر الأبحاث أن FOM-UL تحسن التوازن بين القدرة على النسيان والحفاظ على كفاءة النموذج، حيث تُظهر نتائج التجارب، بما في ذلك TOFU وKnowUnDo، أن هذه التقنية تحافظ على استخدام النموذج الأصلي مع تقليل التذكّر غير المرغوب به.

حتى في ظل التكميم بعد التدريب باستخدام 8 بت و4 بت، تبقى FOM-UL متفوقة على الأساليب التقليدية، مما يدل على قوتها وكفاءتها في الحفاظ على مستوى العائد دون فقدان جودة المعلومات.

إن انخراط هذه التقنية يعد خطوة مبتكرة نحو تطوير نماذج لغوية أكثر أمانًا، قادرة على التعلم بمرونة مع تقليل المخاطر المرتبطة بالمعلومات الحساسة. كيف ترون أثر هذه الاستراتيجية الجديدة في مجال الذكاء الاصطناعي؟ شاركونا أفكاركم في التعليقات.