في وقتنا الحاضر، تمثل نماذج اللغة الكبيرة (Large Language Models) تحديًا حقيقيًا عند استخدامها على الأجهزة العادية، خاصة في مجال الأمان. حيث إن النماذج الحالية تتطلب قدرات كبيرة من وحدات معالجة الرسوميات (GPUs) وتستغرق وقتًا طويلاً للاستجابة على وحدات المعالجة المركزية (CPUs). في هذا الإطار، توصلت دراسة جديدة إلى وصفة مبتكرة لتعزيز التمييز المعرفي، تأخذ بمبدأ الوعي بالرخصة التعليمية.

تُظهر الدراسة كيفية إعداد نموذج أمان قوي يقدم تصنيفًا دقيقًا لحوالي 97,000 امتحان من 24 مجموعة بيانات عامة، مصنفة إلى سبع فئات أمان تتماشى مع تصنيف المخاطر المتاحة للجمهور. أكثر ما يميز هذه الوصفة هو أنها تمكن من إنتاج نماذج أصغر قادرة على تقليد إشارات النماذج الكبيرة دون فقدان السرعة والدقة، حيث تصل سرعة تصنيف النماذج إلى حوالي 24 مللي ثانية لكل طلب على CPU.

هذه الاستراتيجية تفتح أفقًا جديدًا لإدارة المخاطر في الذكاء الاصطناعي، حيث تشير النتائج إلى أن النماذج المُستخلصة تتمتع بمستويات أدنى من الإنذارات الخاطئة بنسبة تصل إلى 3.8% مقارنة بـ 4.8% للنموذج الأكبر. كل هذه التطورات تجعلنا نعيد التفكير في الاعتماد على نماذج الأمان الضخمة باعتبارها الحل الوحيد، مما يشجع على تطوير نماذج أكثر مرونة وسهولة في الاستخدام على نطاق واسع.

هل أنتم مستعدون للانطلاق في عالمٍ أكثر أمانًا مع الذكاء الاصطناعي؟ شاركونا آرائكم!