في عالم الذكاء الاصطناعي، يعتبر تطوير أنظمة التوصيات (Recommendation Systems) أحد أهم الاتجاهات. لكن ماذا لو أخبرناك أن هناك مفهومًا جديدًا يمكن أن يعزز فعالية هذه الأنظمة؟ تدرس دراسة حديثة مفهوم "التقدم الموزع" (distributed progress) في عملية تحسين الذات المتكررة (Rec-RSI)، حيث يتم تغذية مخرجات التوصيات في تدريبات لاحقة.

يتعامل البحث مع مشكلة التحسين الذاتي من خلال تقييم كل جولة عبر النموذج الأخير فقط، مما يفترض أن النموذج الجديد يجمع التحديثات. ولكن في الواقع، قد تحتفظ النماذج السابقة واللاحقة بقرارات تصنيفية متكاملة، مما يزيد من فعالية النظام.

يتم قياس هذا المفهوم عبر التحليل التفاضلي المعروف باسم "ميزة الجيل المتقاطع" (cross-generation advantage)، حيث يتيح تمييز الفوائد بين أزواج النماذج الناتجة من أجيال مختلفة. عبر أربع مجموعات بيانات وثلاثة نماذج توصية متتابعة، لاحظ الباحثون اختلافات في الوضع المفضل للاحتفاظ بالنماذج اعتمادًا على البنية المعمارية.

على سبيل المثال، اتضح أن الربط بين الأجيال هو الأكثر فائدة لنموذجي GRU4Rec وSASRec، بينما كان نموذج FMLP يفضل الاحتفاظ بالنماذج من نفس الجيل في البداية، ولكنه انتقل بعد التحديث الثاني إلى النموذج المتقاطع.

تمكن الحكم على قوة العائلة المختارة من تحقيق نتائج باهرة، حيث تفوق الأداء في 34 من 36 مسار اختبار. هذه النتائج تعزز فكرة أن الاحتفاظ بالأنماط ليس مجرد خيار بل هو مشكل مستقل ومهم في عملية تحسين التوصيات.

لمزيد من التفاصيل، يمكنكم الاطلاع على الكود المتاح عبر GitHub. في ختام هذا المقال، نود أن نسألكم: كيف ترون أثر هذه الاستراتيجيات على مستقبل أنظمة التوصيات؟ شاركونا آرائكم في التعليقات!