في عالم الذكاء الاصطناعي، يُعد كشف الشذوذ من المهام الحيوية، خصوصًا مع تزايد كميات البيانات غير المصنفة التي تُعالج يوميًا. تقنيات كشف الشذوذ التقليدية تعمل عادةً على تعلم نماذج الأنماط من البيانات الطبيعية أثناء التدريب، ثم تكتشف الشذوذ من خلال تحديد العينات التي تنحرف عن هذه الأنماط. ومع ذلك، تظهر العديد من التحديات في الحياة العملية؛ كمحدودية حجم وتنوع البيانات التدريبية، حيث يؤدي ذلك إلى نقص في تمثيل الأنماط الطبيعية.

هنا يأتي دور تقنية RTTAD (تكييف خفيف الخطورة أثناء الاختبار)، التي تمثل نهجًا مبتكرًا للتكيف مع هذه التحديات. تقنية RTTAD لا تركز فقط على تحسين الأداء أثناء الاختبار، بل تأخذ بعين الاعتبار الترابط مع مرحلة التدريب، مما يسمح لها بإعادة تشكيل الفهم للبيانات الطبيعية بطريقة موحدة وسلسة.

تعمل RTTAD من خلال آلية ثنائية المرحلة متكاملة: في المرحلة الأولى، يتم استخدام التعلم الثنائي التعاوني لالتقاط تمثيلات متعددة المستويات، مما يساهم في إنشاء نموذج قوي للبيانات الطبيعية. بينما في المرحلة الثانية، يُستخدم نموذج التعلم التبايني أثناء الاختبار (TTCL) لاستهداف التكيف الذكي، من خلال تحديث النموذج باستخدام عينات عالية الثقة من البيانات، مما يقلل من المخاطر المرتبطة بالتكيف مع البيانات غير المصنفة.

ختامًا، أظهرت التجارب على 15 مجموعة بيانات جدولة أن RTTAD تحقق أداءً أفضل مما تم تحقيقه سابقًا في الكشف عن الشذوذ، مما يمهد الطريق للمستقبل لجعل تقنيات الذكاء الاصطناعي أكثر فاعلية في معالجة البيانات المعقدة.