ظهرت تقنيات الذكاء الاصطناعي بسرعة مذهلة، وأحد الابتكارات الجديدة التي تلوح في الأفق هو LoopFM، الذي يعني "تعلم من تمثيلات التاريخ لنماذج الأساس" (Learning frOm HistOrical RePresentations of FM). يهدف هذا الإطار التقني إلى معالجة مشكلة ضعف نقل المعرفة في نماذج الذكاء الاصطناعي الكبيرة، والتي غالباً ما تعاني من تقليل نسبة نقل المعرفة عند الانتقال إلى نماذج أصغر.

في العادة، تُستخدم تقنية "تقطير المعرفة" (Knowledge Distillation) التي تنقل تنبؤًا وحيدًا من نماذج الأساس الكبرى إلى نماذج عمودية أصغر. لكن، هذا الأسلوب يتعرض لإعاقات كبيرة نتيجة عدم القدرة على نقل المعرفة الغنية التي تعكسها النماذج الكبرى. لذلك، جاء LoopFM ليعيد صياغة هذه العملية، حيث يستخدم تمثيلات متوسطة من النماذج الكبيرة كمدخلات لنماذج صغيرة، مما يفتح قناة نقل عالية السرعة.

لا يتطلب LoopFM إجراء استدلال في الوقت الحقيقي على نماذج الأساس، مما يعني أنه يمكنه العمل بكفاءة أعلى دون الاعتماد على ربط هيكلي بين النموذجين. وقد أظهرت التجارب على ثلاثة معايير عامة تحسنًا ملحوظًا في دقة النتائج، حيث حققت LoopFM زيادة تزيد عن 6% في تقدير الدقة على منصة TaobaoAd.

حتى في أنظمة العمل الصناعية الكبيرة، التي تتعامل مع مليارات البيانات ومع مليارات المعلمات، استطاعت LoopFM زيادة معدل تحويل المعرفة بمعدل يقارب الضعف مقارنة بتقنية "تقطير المعرفة". ويؤكد الباحثون أنهم حققوا تحسنًا في نتائج التحويل يصل إلى +0.5% في النصف الأول من العام، ومع إطلاقين مستقلين في النصف الثاني حققوا تحسنًا إضافيًا بـ +1.03% و +1.22% على التوالي.

تبدو LoopFM كخطوة رئيسية نحو تحسين تجربة المستخدم من خلال توصيات أكثر دقة وفعالية. فما رأيكم في هذا التطور الثوري في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.