في عالم الذكاء الاصطناعي، يُعتبر التعلم المستمر (Continual Learning) من أبرز التحديات التي تواجه النماذج الحديثة. يتطلب الأمر قدرة النماذج على التكيف السريع مع مجالات بيانات جديدة دون الحاجة لإعادة التدريب، إلا أن تغيرات المجال قد تؤدي إلى تدني كبير في الأداء.

للتغلب على هذه الجوانب، تم تقديم إطار HEDP (Hybrid Energy-Distance Prompt)، وهو مفهوم جديد مستوحى من الطاقة الحرة لهيلم هولtz. بفضل استخدام HEDP لخسارة تنظيم الطاقة، يمكن للنماذج تعزيز قابلية الفصل بين تمثيلات المجالات. كما يدمج HEDP آلية وزن تعتمد على الطاقة والامتداد لتحسين اختيار المجالات وتعميم البيانات.

تجاربنا، التي أجريت على عدة معايير مثل CORe50، أظهرت أن HEDP يُحقق أداءً متفوقاً على المجالات غير المعروفة، حيث سجل زيادة في الدقة بنسبة 2.57%. هذا الإنجاز يُسهم بشكل فعّال في تقليل النسيان الكارثي (Catastrophic Forgetting) وتعزيز القدرة على التكيف مع بيئات خارجية جديدة.

إن نظام HEDP يعد مثالاً مشوقاً على كيف يمكن للتقنيات الجديدة تحويل التحديات الحالية إلى فرص للنمو والتحسين. فهل نحن أمام طليعة جديدة في عالم التعلم الآلي؟