في عصر تكنولوجيا الذكاء الاصطناعي، تبرز أهمية ضمان موثوقية أنظمة الرؤية، وخاصةً روبوتات الرؤية المتطورة (Vision Transformers) المستخدمة في مجالات حيوية مثل الأنظمة المستقلة والتصوير الطبي. وبفضل إبداع فريق من الباحثين، تم تقديم إطار SENTRY الجديد، الذي يعالج التحديات المرتبطة بالأخطاء الناعمة (Soft Errors) التي قد تواجه هذه الأنظمة.

تعتبر روبوتات الرؤية تقدمًا مذهلاً، حيث توفر دقة عالية في الأداء، إلا أن التعقيد الكبير في عدد المعلمات يجعل من الصعب إجراء حملات اختبار شاملة للعيوب. هنا يأتي دور SENTRY، الذي يستخدم نظرية أخذ العينات من الفئات المحدودة (Finite Population Sampling Theory) لتقديم ضمانات موثوقية رسمية.

أظهرت التجارب أن معدلات الفشل يمكن أن تظل ضمن هامش 1% مع ثقة تصل إلى 99% باستخدام عدد قليل من العينات، بغض النظر عن حجم النموذج. يعني ذلك تقليل التكلفة التجريبية حتى 10,700 مرة مقارنة بالطرق الشاملة السابقة، مما يفتح آفاق جديدة في تحسين أمان روبوتات الرؤية.

كما تم تحديد جوانب non-uniformity في موثوقية النماذج المختلفة كالـ ViT-Tiny وViT-Small، حيث أظهرت النتائج أن 3% فقط من الإخفاقات في الـ FP32 تؤدي إلى انهيار كارثي في الدقة. تم رصد نقاط ضعف معينة تتعلق بطبقات التطبيع والأجزاء الحرجة في الصيغة IEEE-754. يهدف هذا العمل إلى تقديم أفكار عملية لتصميم نماذج معمرة (Hardened Models) يمكن نشرها في الحواف بموثوقية عالية.