في عالم تتسارع فيه التحولات الرقمية، يبقى الأمان الرقمي أولوية قصوى. نقدم لكم أوبير (Opir)، النموذج الجديد الذي تم تطويره لتلبية الحاجة المتزايدة لتصنيف المحتوى الضار بفعالية وكفاءة. يعتمد أوبير على بنية GLiClass المتطورة، ويقدم مجموعة من النماذج القادرة على تصنيف المحتوى إلى فئات آمنة وغير آمنة، بالإضافة إلى تصنيف الرسائل السامة والتصدي لمحاولات الهروب من الرقابة والمتابعة.
تتكون نماذج أوبير من خيارات متعددة المهام، حيث تشمل التصنيف الثنائي للأمان (safe/unsafe)، وتصنيف السموم المتعددة، وتصنيف محاولات الاختراق، بالإضافة إلى تصنيف العبارات غير الآمنة والاستجابة لها، وكل ذلك بدون الاعتماد على النماذج الضخمة المكلفة.
تم تدريب هذه النماذج على ثلاث مستويات من التصنيفات، حيث تضم أكثر من 996 فئة متناثرة على 16 تصنيفًا رئيسيًا، و126 تصنيفًا متوسطًا، و854 تصنيفًا فرعيًا، مما يجعلها قادرة على فرز المحتوى المعقد بطرق دقيقة. ومن خلال البيانات التي تم جمعها، تم دمج مجموعة من العبارات غير الآمنة، وأمثلة آمنة، وترجمة متعددة اللغات لتعزيز فعالية الأداء.
كذلك، تم إطلاق أدوات تقييم داعمة للنماذج، تشمل جميع جوانب تصنيف الأمان وعدد من المهام العملياتية. عندما تم مقارنة أوبير بأنظمة تصنيف الأمان المعاصرة، أثبتت النماذج كفاءتها على غالبية مجموعات البيانات، وظلت تملك بصمة خفيفة تجعلها سهلة الاستخدام والتطبيق.
إن هذا الإطلاق يمثل خطوة هامة نحو تحسين أمن التطبيقات باستخدام نماذج الذكاء الاصطناعي، كيف ترى تأثير مثل هذه النماذج على مستقبل المحتوى الرقمي؟ شاركونا آرائكم.