في عالم يتسارع فيه تطور نماذج الذكاء الاصطناعي، برز مفهوم نسب النصوص المدعومة بالآلة (Machine-Generated Text Attribution) كأحد التحديات الكبيرة. الهدف من هذا المفهوم هو تحديد المولد المحدد المسؤول عن إنتاج نص معين، مما يسهم في توفير دليل دقيق في سياق مساءلة النماذج والتحقيق في إساءة الاستخدام.

ومع استمرار ظهور نماذج لغوية جديدة وكبيرة (Large Language Models)، أصبح من الضروري أن تعمل نماذج النسبة على دمج هذه المولدات الجديدة باستمرار، مع الحفاظ على قدرتها على التعرف على المولدات التي تم رؤيتها سابقًا. تبين أن هذه العملية ليست سهلة، حيث تكافح الأساليب الحالية لتحقيق توازن مستقر بين التكيف مع الفئات الجديدة والاحتفاظ بالفئات القديمة.

للمساعدة في التغلب على هذه التحديات، قدم الباحثون تقنية جديدة تُعرف بـ RidgeFT. هذا الإطار التحليلي الخفيف يعتمد على تحديثات لا تتطلب تكرار الأمثلة، بل يقوم بتدريب مُشفر حساس للمهمة على مجموعة المولدات الأولية. عند ملاحظة كل مولد جديد لأول مرة، يتم تخزين إحصائيات كافية بفئات مضغوطة، ثم يتم تجميد المُشفر لتحديثات مغلقة الشكل بدون تكرار.

ما يميز RidgeFT هو قدرته على تقليل التباين غير المتعلق بالمولد من خلال معايرة التباين، مما يحسن من قدرة التمثيل باستخدام ميزات عشوائية ثابتة. ومن ثم يتم تحديث الفئات الجديدة عبر الانحدار الجبري المغلق استنادًا إلى الإحصائيات الكافية على مستوى الفئات.

خلال التقييمات متعددة الموضوعات مع تكوينات مولد أولية متغيرة، أثبت RidgeFT أنه يتفوق بانتظام على المعايير السابقة، محققًا أعلى درجات F1 عبر مختلف المجالات والبروتوكولات. هذه النتائج تشير إلى أن التحديثات التحليلية المستقرة ميزة بسيطة لكنها فعالة في نسب النصوص المدعومة بالآلة على المدى الطويل.

إذا كنتم مهتمين بتطورات الذكاء الاصطناعي وكيفية تحسين قدراته، ماذا تعتقدون حول هذه التقنية الجديدة؟ شاركونا آرائكم في التعليقات!