في عالم الذكاء الاصطناعي، تعتبر نماذج العمل العالمية (World Action Models) من الأدوات الثورية التي تعتمد على تقنيات توليد الفيديو. ولكن، مع قوة هذه النماذج يأتي تحدي الحاجة لقدر كبير من الذاكرة والموارد الحاسوبية عند تنفيذها. لذلك، ظهر التكميم (Quantization) كوسيلة فعالة للحد من استهلاك الذاكرة وزيادة سرعة الاستدلال، لكنه يأتي مع تحدياته الخاصة.

تتطلب عملية التكميم اتخاذ قرارات دقيقة حول عرض البيت، والتمييز، وخيارات التكميم، مما يخلق مساحة واسعة من التكوينات الممكنة. وبالرغم من أهمية التحقق من هذه التكوينات، إلا أن التقنيات التقليدية لتقييم الأداء تظل مكلفة وتستغرق وقتًا طويلاً.

وفي خطوة ملهمة، تم اقتراح إطار العمل PreDE (توقع قبل التنفيذ). هذا الإطار يعتمد على سياسة محكمة تضبط كيفية توقع تدهور الأداء الناتج عن التكميم من خلال الانحرافات السلوكية السابقة. باستخدام نتائج مغلقة من مجموعة تطوير صغيرة، يستطيع PreDE ضبط عتبتين وإصدار قرارات بشأن التكوينات الجديدة—قبولها، رفضها، أو تأجيلها—استنادًا إلى سجل الملاحظات الثابت.

أظهرت التجارب عبر خمسة نماذج عمل عالمية وأربعة إعدادات قياسية أن التكميم يؤدي إلى خسائر في الأداء تختلف باختلاف التكوين، وأن هذا لا يمكن تفسيره فقط بناءً على عرض البيت أو عتبات الانحراف المشتركة. من أصل 28 تكوين تم الاحتفاظ بها، قام PreDE بإصدار 21 قرارًا قبل مراقبة النتائج المغلقة، مما يعني تغطية تقدر بـ 75%.

مع نجاح التجارب على الروبوت Franka Research 3، أظهرت النتائج أن التكوينات المعينة لمجموعات ذات انحراف مرتفع بعد الاختبار كانت لها تدهورات ملحوظة، بينما لم تظهر المقارنات ذات الانحراف المنخفض أي تدهور ذي دلالة إحصائية.

يحفز نجاح هذه التقنية القطاعات المختلفة على التفكير في أساليب جديدة لاختبار نماذج الذكاء الاصطناعي بشكل أكثر كفاءة. والجدير بالذكر، يمكنكم الاطلاع على الكود البرمجي المتاح في GitHub لتطبيقات إضافية.

ما رأيكم في استخدام تكنولوجيا التكميم والنهج المبتكر لـ PreDE؟ شاركونا في التعليقات!