في عالم الذكاء الاصطناعي، يبرز موضوع أهمية "التفسيرات الذاتية" (Self-Explanations) لنماذج اللغات الضخمة (Large Language Models) كجزء أساسي من ثقة المستخدم في النتائج التي تقدمها. يعكس مفهوم التفسير الذاتي قدرة النموذج على توضيح أسباب اتخاذ قرارات معينة. لكن ما تأثير تقنيات الكم (Quantization) على هذه الميزة الحيوية؟

الكم هو إجراء يُستخدم بشكل شائع لتسريع عمليات الاستدلال (Inference) وتقليل تعقيد نشر النماذج الكبيرة، ولكن حتى الآن، لم يتم دراسة تأثيره بشكل عميق على جودة التفسيرات الذاتية. فالتفسيرات الناتجة عن هذه النماذج تُعتبر ضرورية لزيادة الشفافية، وخاصة في التطبيقات ذات الأهمية العالية.

بحثنا في حالتين من التفسيرات الذاتية: التفسيرات بلغة طبيعية (Natural Language Explanations) والأمثلة المضادة (Counterfactual Examples)، كما تم اختبار النماذج الكمية باستخدام تقنيات ثلاثة شائعة عند دقات مختلفة. أظهرت النتائج أن الكم عادة ما يؤدي إلى انخفاض معتدل في جودة التفسيرات الذاتية بنسبة تصل إلى 4.4%، والموثوقية بنسبة تصل إلى 3.9%.

تميزت دراسة المستخدم بأن الكم يقلل بشكل كبير من ترابط وموثوقية التفسيرات الذاتية، حيث تصل نسبة الانخفاض إلى 8.5% في بعض الحالات. وبينما أظهرت النماذج الأكبر قدرة محدودة على التحمل أمام الكم بالنسبة لجودة التفسيرات، فإنها حافظت على درجة أعلى من الموثوقية.

وعلى الرغم من أن نتائج الكم تختلف باختلاف السياقات، فإن هذه التقنية تبقى وسيلة فعّالة لتقليل حجم النماذج بشرط التحقق من تأثيرها على جودة التفسيرات الذاتية. هل ترون أن هذه التحديات ستؤثر على اعتماد نماذج الذكاء الاصطناعي في تطبيقات مهمة؟ شاركونا آراءكم في التعليقات.