تقنية مبتكرة لنسيان الآلة: تحقيق التوازن بين حذف المعرفة والاحتفاظ بها في نماذج اللغة المتعددة الوسائط

في عصر الذكاء الاصطناعي والتعلم الآلي، يُعد "نسيان الآلة" (Machine Unlearning) من التحديات الكبرى التي تواجه الباحثين. يتمثل التحدي الرئيسي في تحقيق التوازن بين حذف المعرفة المستهدفة وإبقاء المعرفة غير المستهدفة، وهو ما يصبح أكثر تعقيداً عند التعامل مع نماذج اللغة المتعددة الوسائط (Multimodal Large Language Models - MLLMs).

تتمثل الابتكار الجديد المقدّم في ورقة بحثية في أسلوب يعمل على نسيان المعرفة البصرية المستهدفة مع الحفاظ على المعرفة البصرية غير المستهدفة وكل المعرفة النصية. تعتمد هذه الطريقة على تجميد قاعدة النموذج اللغوي الكبير (LLM) وتحديث الوحدة البصرية فقط لتحقيق الهدف.

ويستند هذا الأسلوب على آلية تُعرف باسم "نسيان الصورة التمييزي" (Contrastive Visual Forgetting - CVF) التي تهدف لفصل المعرفة البصرية المستهدفة عن المعرفة المحتفظ بها، حيث تقوم بتوجيه تمثيلات المفاهيم البصرية المستهدفة نحو مناطق محددة في فضاء الخصائص.

بالإضافة إلى ذلك، يتم تحديد الفضاء الفارغ (null space) المرتبط بالمعرفة المحتفظ بها، مما يتيح تقييد عملية النسيان ضمن هذا الفضاء، مما يُخفف بشكل كبير من تدهور الاحتفاظ بالمعرفة.

لم يقتصر البحث على سيناريوهات النسيان الثابتة، بل تم توسيع الأسلوب ليشمل النسيان المستمر، حيث تصل طلبات النسيان بشكل متتابع. وقد أظهرت الاختبارات الشاملة عبر معايير متعددة أن هذه الطريقة تحقق توازناً قوياً بين النسيان الفعال والاحتفاظ القوي بالمعرفة، لتفتح آفاقاً جديدة في تطوير أنظمة ذكاء اصطناعي أكثر ديناميكية، واستجابة لمتطلبات تغير المعرفة.