أصبح موضوع حماية الخصوصية وشفافية البيانات من أبرز القضايا المطروحة في عالم الذكاء الاصطناعي، خصوصاً عندما يتعلق الأمر بالنماذج اللغوية الكبيرة (Large Language Models). وقد قام الباحثون في دراسة جديدة بتقديم تقنية متقدمة تُعرف باسم اختبار الاستدلال العضوي (Membership Inference Test - MINT) لتقييم بيانات التدريب على هذه النماذج، حيث تم تعديلها باستخدام تقنية LoRA.

يهدف هذا الابتكار إلى تحديد ما إذا كانت عينات معينة قد تم استخدامها أثناء التدريب، وهنا تأتي أهمية النتائج المتعلقة بخصوصية البيانات والتسريبات والشفافية. بناءً على إطار عمل LoRA-MINT السابق، والذي اعتمد على درجات الصعوبة (perplexity) في بيئة مغلقة تمامًا، اقترح الباحثون نهجًا يعتمد على تمثيلات النموذج الوسيطة. تشمل هذه التمثيلات الإشارات المعتمدة على المعلمات وعمليات التفعيل، مما يُتيح لفاحص MINT التمييز بين العينات المستخدمة في التدريب وتلك غير المستخدمة، وذلك دون الحاجة إلى الوصول الكامل إلى معلمات النموذج.

تم تقييم هذه الطريقة على أربعة نماذج لغوية كبيرة، وهي Qwen وPhi-4 وDeepSeek-V3 وLLaMA 3.2-3B، وذلك باستخدام ثلاث مجموعات بيانات تغطي مهام طبية، رياضية، ومعرفية أكاديمية. أظهرت النتائج أداءً ثابتًا عبر الهياكل والبيئات المختلفة، محققة درجات تتراوح بين 95% و98%. لقد كانت هذه الطريقة مرنة أيضًا فيما يخص التغييرات في تكوينات النماذج وتوزيعات البيانات.

يتيح الأسلوب المقترح تدقيقًا فعالًا لبيانات التدريب الحساسة، ويدعم توثيق البيانات والامتثال للوائح الجديدة المتعلقة بالخصوصية وحوكمة الذكاء الاصطناعي. على الرغم من أن التجارب كانت تركز على تعديل LoRA، إلا أن منهجية الدراسة قد تُمدد لتشمل تقنيات تعديل أخرى للـ LLM والمزيد من نماذج الذكاء الاصطناعي بشكل عام.