في عالم الذكاء الاصطناعي، تزداد أهمية تدريب النماذج الكبيرة متعددة الوسائط (Multimodal Large Language Models - MLLMs) باستمرار، خاصة عندما يتعلق الأمر بتطبيقات تعليم الآلات. لكن، يصادف الباحثون تحديات كبيرة تتعلق بتزايد حجم البيانات المتاحة بسرعة، مما يؤدي إلى وجود تكرارات كبيرة بين البيانات، وبالتالي زيادة التكاليف الحسابية.

للأسف، الطرق التقليدية لاختيار البيانات تعتمد غالبًا على تقنيات مكلفة من حيث الحوسبة، مثل الاستدلال القائم على الوكلاء أو قياسات تعتمد على التدريب. وهنا يأتي دور البحث الرائد الذي يقدم تقنية جديدة تسعى إلى مواجهة هذه التحديات، وهي تقنية PRISM، التي تعني أداة الاختيار الجذري الذاتية.

تكمن الفكرة المركزية في PRISM في معالجة خاصية الأنيسوتروبي (Anisotropy) الموجودة في توزيع الميزات البصرية (Visual Feature Distributions). لقد أظهرت التجارب أن هذه الخاصية تؤدي إلى انزياح دلالي عالمي، وهو ما يعد تفصيلًا هامًا ومغفلاً في الطرق الحديثة لاختيار البيانات.

من خلال تقنيات إعادة التركيب الضمني، تتمكن PRISM من إزالة التأثيرات السلبية للميزات الخلفية العالمية، مما يؤدي إلى تقليل الوقت المستغرق لاختيار البيانات وتعديل النموذج إلى حوالي 30% فقط من الطرق التقليدية.

ولكي تختبر جودة PRISM، أثبتت التجارب أيضًا أنها قادرة على تحسين الأداء بشكل ملحوظ، حيث تجاوزت الأنظمة التي تم ضبطها باستخدام مجموعة بيانات كاملة على ثمانية معايير متعددة الوسائط وثلاثة معايير لفهم اللغات، محققة تحسينًا نسبيًا يصل إلى 101.7% مقارنة بالأساليب السابقة.

الهندسة المتطورة والمبنية على PRISM تشير إلى مستقبل مشرق موثوق به في مجال الذكاء الاصطناعي، مع أزمة في التكاليف واستخدام الموارد، داعيةً المجتمعات البحثية لتبنيها كحل مبتكر في تحصيل بيانات التعلم. هل تتوقع أن تسهم PRISM في تغيير طريقة تدريب النماذج في المستقبل؟ شاركونا آراءكم في التعليقات!