في عالم الذكاء الاصطناعي المتطور بسرعة، تبرز نماذج Mixture-of-Experts (MoE) كنموذج مثير للاهتمام في التحكم في الوصول إلى المعلومات. الجديد في هذا البحث هو استخدام تقنية Policy-Masked Private Experts، التي تتيح تحديد أي من المعلمات المدربة حديثًا يمكن الوصول إليها من خلال الطلبات المعتمدة. تحتفظ هذه التقنية بالتوازن بين الوصول العام والخاص، حيث يتم فصل مسارات التنفيذ والتحكم بشكل واضح.

هذه الدراسة تعتمد على النماذج المدربة مسبقًا، حيث يتم تجميد نموذج MoE المدرب وتدريب فرع خبير منفصل، مما يسمح بالتحكم في نوع البيانات المتاحة للمستخدمين. وقد أظهرت النتائج في ثلاثة سيناريوهات مختلفة أن أي طلب غير مصرح له لم يكن قادرًا على تنفيذ استدعاء خبير خاص، مما يدل على مستوى عالٍ من الأمان وحماية البيانات.

من خلال اختبارات متعددة، كانت النتائج مؤيدة مثل زيادة دقة استخدام الأدوات بنسبة 5٪ إلى 21.3٪ في نماذج Qwen المختلفة. هذه الإنجازات تؤكد فكرة أن التحكم القابل للتدقيق والقابل للعكس هو الخطوة التالية في تعزيز نماذج الذكاء الاصطناعي.

تفتح هذه النتائج الباب أمام مزيد من الأبحاث والابتكارات في مجال الذكاء الاصطناعي، حيث تُظهر كيف يمكن للتكنولوجيا الحديثة أن تحقق توازنًا بين الأمان والأداء.