تواصل نماذج اللغات متعددة الوسائط (Multimodal Large Language Models) تحقيق تقدم ملحوظ في مختلف المجالات، إلا أن تدريبها على مجموعات بيانات كبيرة ومتعددة الوسائط يثير مخاوف جدية بشأن الخصوصية. ومع تنامي الحاجة إلى آليات فعالة لحذف البيانات من نوعية (machine unlearning)، كان من الضروري إنشاء معايير جديدة تركز على هذا الجانب.

هنا يأتي دور ICU-Bench، الذي يُعتبر معيارًا مبتكرًا لتقييم التعلم المستمر في سياقات متعددة الوسائط، بالاعتماد على بيانات حساسة بطبيعتها. يضم ICU-Bench 1000 ملف شخصي من بيانات حساسة في مجالات حيوية مثل التقارير الطبية والعقود العمالية، بالإضافة إلى 9500 صورة، و16000 مجموعة سؤال وجواب، و100 مهمة حذف بيانات.

لا يتوقف الابتكار عند هذا الحد؛ فقد أُدخلت مقاييس جديدة تعمل على تحليل فعالية الحذف والتوازن بين الحفاظ على المعلومات وتفادي فقدان البيانات بشكل مستمر. أظهرت التجارب الموسعة التي أُجريت على ICU-Bench أن الطرق الحالية تعاني في الإعدادات المستمرة، حيث تكافح لتحقيق التوازن بين جودة الحذف والحفاظ على فائدة المعلومات، مما يبرز الحاجة إلى تطوير طرق جديدة لحذف البيانات التي تُركز بشكل أكبر على التحديات المتعلقة بالخصوصية.

قابلية الخاصية والمقاييس الجديدة تقدم طرقًا أكثر دقة لتقدير الأداء، وهذا يميز ICU-Bench كخطوة حيوية نحو معالجة المشكلات المتزايدة متعلقة بحماية الخصوصية في عصر البيانات الضخمة.