في عصر التكنولوجيا المتقدمة، تتجه الأنظار نحو الأنظمة القابلة للارتداء التي تستخدم نماذج اللغات الضخمة (Large Language Models) لتقديم مساعدات متعددة الوسائط تعتمد على الرؤية المحورية للمستخدم. ومع ذلك، تكمن المخاطرة الكبيرة في أن هذه الأنظمة قد تكشف عن خصائص شخصية خاصة بالارتداء أو من حوله.

يتناول هذا العمل البحثي كيفية التصدي لهذه المشكلة المزمنة من خلال تقديم نموذج جديد يحمل اسم Token-Guided Attribute Privacy (TGAP) الذي يعمل على حماية الخصوصية عبر فصل الرموز البصرية قبل مغادرتها نطاق الحماية الموثوق. هذا النموذج يحقق التوازن بين الحفاظ على فعالية المساعدة المقدمة ووقف تسرب المعلومات.

خلال التجارب، تم تقييم النموذج باستخدام معيار مشترك يتكون من 3,221 مجموعة من الصور والأسئلة، كل منها يتضمن تسميات تتعلق بالخصوصية مثل الموقع والدخل والجنس والاهتمامات. أشارت النتائج إلى أن TGAP نجح في تقليل دقة الكشف عن الخصوصيات من 56.7% إلى 7.4%، مما يعكس انخفاضًا مذهلاً بنسبة 49.3% مع الحفاظ على فعالية أداء عند 74.4%.

هذه النتائج تلقي الضوء على الاتجاه الجديد نحو توفير واجهات ذرية آمنة للمستخدمين باستخدام الذكاء الاصطناعي متعدد الوسائط القابل للارتداء، مما يوفر للمستخدمين طريقة فعالة وآمنة لاستخدام تكنولوجيا الذكاء الاصطناعي في حياتهم اليومية.