شهدت مجال الذكاء الاصطناعي مؤخرًا تقدماً ملحوظاً في تقنيات دمج النماذج (Model Merging)، مما يوفر فرصة مميزة لتكامل المعرفة دون الحاجة لإعادة تدريب النماذج. تتمثل إحدى أبرز التحديات في أن الطرق المتاحة حتى الآن عادةً ما تتجاهل هندسة مقياس الخسارة (Loss Landscape) أو تعتمد على تقديرات معقدة للمتجهات الهسينية في الفضاء الكامل.

لذلك، تم تطوير إطار العمل المبتكر EpiMer، الذي يعيد تصوير دمج النماذج على أنه حل لمتوسط فرّشيت (Fréchet Mean) على مانيفولد ريماني (Riemannian Manifold). يركز هذا الإطار على حسابات تتم في مساحة فرعية منخفضة الرتبة، ممّا يسهم في تقليل التعقيدات الحسابية.

كما يكشف التحليل النظري المفصل عن علاقة معقدة بين التقعر المحلي (Local Curvature) والغموض الإبستيمي (Epistemic Uncertainty) للمعلمات. من خلال تقسيم حد خطأ الدمج إلى تباين فرّشيت في المساحة الفرعية والطاقة المتبقية، يقدم EpiMer شخصيات واضحة حول الأيام التي يتفوق فيها الدمج المُراعي للتقعر على الطرق الهندسية المسطحة.

أضافت الاختبارات التي أجريت على نماذج CLIP-ViT المُعدلة أن دمج EpiMer تفوّق بشكل ملحوظ على الأشكال الأساسية في جميع المهام الثمانية لتصنيف الصور، مما أدى إلى زيادة الدقة المتوسطة عبر المهام وأقل دقة في كل هيكل تقريباً.

إن استخدام EpiMer كمبدأ هندسي موحد، يعكس تنوع الطرق المتقدمة، ويتحرك بالبحث في ذكاء الاصطناعي نحو آفاق جديدة.

فماذا عنكم؟ ما هو رأيكم في استخدام الهندسة في تحسين تقنيات الذكاء الاصطناعي؟ شاركونا أفكاركم في التعليقات.