في عالم الذكاء الاصطناعي، تظل نماذج الإدراك المدربة مسبقًا (Pre-trained Perception Models) أدوات قوية، ولكن عندما يتم نشرها في بيئات جديدة، تتأثر دقتها بشكل كبير بسبب التغيرات في البيانات. ولعلاج هذه المشكلة، قدم باحثون مؤخرًا طريقة جديدة لدمج هذه النماذج، تجمع بين الاستفادة من الفضاء الشعاعي والهندسة المنطقية.

تظهر النتائج أن الأسلوب الجديد لا يعيد الدقة فحسب، بل يتجاوز الطرق التقليدية مثل التصويت بالأغلبية (Majority Voting)، والتي غالبًا ما تكون عرضة للفشل المتناسق. يستند الدعم الميتا-cognitive (Metacognitive Support) الذي تم تطويره في هذه الدراسة إلى استخدام قواعد كشف الأخطاء التي تم الحصول عليها من الفضاء الشعاعي، مما يعني أنه لم يعد هناك حاجة للاعتماد على معارف متخصصة مكتوبة مسبقًا، مثل قياسات حجم الكائنات.

طبق الباحثون هذا الحل على مجموعة اختبار من 15 مجموعة مصورة جوية تتأثر بتغيرات الطقس، واستخدموا ستة نماذج للكشف المعتمد على (Vision Transformers). وقد أظهروا أن النموذج الجديد، الذي لا يعتمد على المعرفة المسبقة، يحقق نتائج مماثلة لنموذج التصويت بالأغلبية المدرب مسبقًا، وفي بعض الحالات يتفوق عليه.

بفضل قياسات الأداء الدقيقة، كان للنموذج الجديد ميزة ملحوظة، حيث كان لديه القدرة على الاحتفاظ بأدائه حتى تحت هجمات تغيير العلامات المنسق. وبالتالي، يمكن القول إن هذا الابتكار يمثل خطوة هائلة إلى الأمام في فهم وتعزيز قدرات الذكاء الاصطناعي في التعامل مع المشاهد الجديدة.