في عالم الذكاء الاصطناعي، يعد إلغاء التعلم (Unlearning) من الأمور الحاسمة للتعامل مع البيانات والتحديثات. وقد تم تقديم تقنية جديدة تسمى MAST (Mechanism-Aligned Selective Targeting)، تهدف إلى تحقيق إلغاء تعلم مدفوع بالآلية دون المخاطرة بخراب المعلومات القيمة.

تعمل MAST على استهداف القيم الأقل أهمية في النماذج القائمة، مما يسمح بتقليص الأضرار الجانبية المعروفة التي تنتج عن الأساليب التقليدية لإلغاء التعلم التي تعتمد على تحديث المعلمات بالكامل. وفقًا لدراسة مقارنة أجريت على نقاط تحقق من نموذجين كبيرين (Qwen2.5-Math-1.5B وQwen3-1.7B-Base)، كان الفرق في زيادة دالة الاحتمال التراكمية ملحوظًا بين نماذج التعلم القائم (SFT) وأسس RLVR.

تقوم MAST بتصنيف معاملات الانتباه بناءً على طاقة غير الرئيسية وقوة التحديث، مما يتيح لها تحديث فقط الجزء العلوي من تلك المعاملات المرتبطة بالتمكين المعرفي. النتائج كانت مثيرة للإعجاب، حيث تمكنت MAST من تحقيق نسيان استراتيجي للأهداف، مع الإبقاء على أداء مثالي في مهام مهمة مثل GSM8K.

بفضل هذه التقنية الحديثة، يمكن للنماذج أن تتعلم بشكل أكثر كفاءة دون فقدان العناصر الحرجة، مما يجعل من MAST رائدة في مجال إلغاء التعلم في الذكاء الاصطناعي. هل تعتقد أن هذا النهج قد يُحدث ثورة في طريقة تعاملنا مع البيانات؟ انتظر آراءكم في التعليقات!