في عالم الذكاء الاصطناعي، يسعى الباحثون دائمًا لإيجاد سبل جديدة لتحسين الكفاءة والفعالية في تعلم الآلات. وفي هذا السياق، قام فريق من الباحثين بتقديم إطار تعلم جديد يسمى SimE، يعتمد على مزج تقنيات نماذج الرؤية-اللغة (Vision-Language Models) مع استراتيجيات التعلم التدريجي (Incremental Learning).

يهدف التعلم التدريجي إلى اكتساب مهام جديدة دون فقدان المعرفة السابقة. وعلى الرغم من ذلك، يواجه هذا النوع من التعلم العديد من التحديات، أبرزها: الحاجة إلى زيادة كفاءة التدريب، الاعتماد على بنك ذاكرة لتخزين البيانات السابقة، وضرورة وجود بنية قوية لتعزيز قدرات النموذج.

يقدم إطار SimE حلاً ذكيًا لهذه المشاكل من خلال استخدام نماذج الرؤية-اللغة مع محولات (Adapters) مصممة خصيصًا للتعامل مع مهام التعلم التدريجي. ومن أبرز النتائج التي توصلوا إليها هي وجود علاقة غير خطية بين عدد الاتصالات المفيدة بين المحولات وقدرات التعلم التدريجي للنموذج. حيث أظهرت التجارب أن زيادة الاتصالات تعزز أداء النموذج، لكن في بعض الحالات، مثل الخطوات الصغيرة في التعلم، قد تؤدي إضافتها إلى تدهور الأداء.

كشفت التجارب الواسعة أن SimE يتجاوز الطرق التقليدية بزيادة قدرها 9.6% على TinyImageNet، كما أنه يتفوق على الطريقة CLIP-based بزيادة تبلغ 5.3% على CIFAR-100. وفي إطار سعيهم لتحسين الاستخدام الفعال لقدرات التعلم، اقترح الفريق استبدال مشفر SimE بنموذج CLIP المدرب على مجموعات بيانات أكبر مثل LAION2B ونماذج معمارية أقوى مثل ViT-L/14.

إن هذا البحث يمثل قفزة نوعية في مجال الذكاء الاصطناعي، والمستقبل يبدو واعدًا مع هذه التطورات الجديدة. ما رأيكم في هذا الإنجاز العلمي؟ شاركونا في التعليقات!