في عالم الذكاء الاصطناعي، تُعتبر النماذج متعددة الوسائط (Multimodal Models) من الأدوات القوية التي تعزز من قدرات التفكير العددي عبر الرسوم البيانية والكلمات. ولكن، تكمن المشكلة عندما يتعلق الأمر بالمدخلات الخاصة، حيث إن إرسال محتويات حساسة قد يؤدي إلى كشف معلومات جوهرية.

هنا يأتي دور ReCast، وهو إطار عمل مبتكر يقدم حلولاً عملية للحفاظ على الخصوصية في مثل هذه الأنظمة. يهدف ReCast إلى استبدال المحتوى المحدد لمصادر معينة مع الحفاظ على العلاقة الضرورية المرتبطة بالمهام، مما يسهم في معالجة البيانات بشكل آمن وفعال.

تعمل ReCast عبر تحويل المدخلات إلى سجل مشترك من النصوص، ويقوم بنموذج مختصر بتحديث الكيانات والموضوعات، مع استبدال القيم من خلال خريطة عددية متعلمة محليًا. الأهم من ذلك، أنه يتحقق من صحة الوسائط المطلوبة قبل التنفيذ، ما يعيد العناصر المحمية بأمان دون فقدان دقتها.

خلال اختبارها على 4,000 نموذج من ChartQA وNMSQA، حققت ReCast دقة مذهلة بنسبة 75.10%، مع الحفاظ على 92.43% من دقة النتائج غير المحمية. هذا يجعلها تتفوق على كل النماذج المحلية السابقة، مما يعيد الثقة في استخدام النماذج متعددة الوسائط في التطبيقات التي تتطلب معالجة معلومات حساسة.

مما يجعل ReCast نظامًا مثاليًا لتحقيق التوازن بين السلامة والدقة في عالم الذكاء الاصطناعي.