تعتبر تقنية التنقل عبر اللغة والرؤية (Vision-Language Navigation) واحدة من أبرز التوجهات الحديثة في مجال الذكاء الاصطناعي، إلا أنها تتطلب بيانات تعليمية ضخمة من بيئات داخلية خاصة، مما يثير مخاوف جدية بشأن الخصوصية. في هذا السياق، تلعب تقنية التعلم الفيدرالي (Federated Learning) دورًا محوريًا من خلال الحفاظ على البيانات على الجهاز الخاص، ولكنها تواجه تحديات كبيرة في ظل تنوع الظروف والأنماط المختلفة للتعليم في البيئات المختلفة.

لكن ماذا لو كان هناك حل يجمع بين الخصوصية والكفاءة؟ هنا تأتي pFedNavi، وهي إطار تعلم فيدرالي مخصص يتمتع بالقدرة على التكيف الديناميكي لتلبية احتياجات التنقل عبر اللغة والرؤية.

فكرة pFedNavi الأساسية تكمن في تقديم تخصيص ذكي: حيث يقوم النظام بتحديد الطبقات المحددة للعملاء عبر معاملات خلط طبقي، ويجري دمجًا دقيقًا للمعلمات على المكونات المختارة مثل طبقات الترميز والترميز البيئي. هذه العملية تسهم في تحقيق توازن ما بين مشاركة المعرفة العالمية والتخصص المحلي.

تم تقييم أداء pFedNavi على معيارين قياسيين في هذا المجال، وهما R2R وRxR، باستخدام تمثيلات بصرية مثل ResNet وCLIP. وقد أظهرت النتائج أن pFedNavi يتفوق باستمرار على النظام التقليدي القائم على FedAvg، محققًا تحسنًا بنسبة تصل إلى 7.5% في نسبة نجاح التنقل وزيادة تصل إلى 7.8% في دقة المسار، بينما يتم تحقيق التقارب بمعدل أسرع يصل إلى 1.38 مرة في الظروف غير المستقلة (non-IID).

إن استمرار تطوير هذه التكنولوجيا يعد بتغييرات جذرية في كيفية استخدام الأنظمة الذكية لتحسين تجربة التنقل، مما يجعل الذكاء الاصطناعي أكثر أمانًا وكفاءة في نفس الوقت.