تعتبر نماذج اللغة الكبيرة (Large Language Models) من أبرز الابتكارات في مجال الذكاء الاصطناعي، ولكنها تأتي بتكلفة عالية من حيث الموارد. هنا يأتي دور نظام SARATHI، الذي يوفر طريقة رائعة لتقليص تلك التكلفة من خلال تقنية جديدة تعزز الكفاءة وتقلل من الاعتماد على البيانات.

تقوم منهجية SARATHI بفصل مرحلتين مهمتين في عملية تقليم النماذج. في المرحلة الأولى، يتم استخدام تقنية NMF Residual Subspace Probe، التي تقيم الخلايا العصبية بناءً على الهندسة الداخلية للأوزان، دون الحاجة للوصول إلى أي بيانات تجريبية. هذا الابتكار يزيد من دقة النتائج ويحقق معايير جودة عالية.

أما في المرحلة الثانية، فتعتمد SARATHI على تقنية Adaptive OBS، التي تعيد بناء الأوزان المقطوعة باستخدام دفعة صغيرة من البيانات، مما يقلل من استخدام الذاكرة ويقضي على مشاكل التداخل التي تسببها الأساليب التقليدية.

هذه الخطوات التجريبية، التي أجريت على ست نماذج من عائلتين معماريتين (نماذج مغلقة وغير مغلقة)، أثبتت كفاءة عالية، حيث تم الوصول إلى نسبة انكماش تتراوح بين 15% و40%، مع نتائج تفوق أو تتماشى مع المعايير المرسومة لتقنيات التقليم التقليدية.

باختصار، SARATHI ليس مجرد تطوير تقني جديد، بل هو خطوة نحو مستقبل أكثر كفاءة في عالم الذكاء الاصطناعي. كيف ترى تأثير هذه التقنية على الصناعة؟ شاركونا آراءكم في التعليقات!