في عالم الذكاء الاصطناعي، يمثل النسيان الكارثي (Catastrophic Forgetting) أحد أكبر التحديات التي تواجه نماذج اللغة. حيث تتعرض هذه النماذج لفقدان قدراتها الأساسية عند إجراء تعديلات عليها. لكن، ماذا لو كان بإمكاننا استعادة هذه القدرات بفعالية بعد التعديل؟

في دراسة حديثة، طور الباحثون منهجية جديدة تُعرف باسم DG-Hard، والتي تعالج مشاكل النسيان الكارثي من خلال استعادة القدرات المعطلة بدون الحاجة لإعادة تدريب النموذج بالكامل. يستند هذا المنهج إلى نظام إعادة التصحيح المركب الذي يستخدم فقط نقاط الإسناد المدربة سلفاً والنموذجات المعدلة.

تُعتبر DG-Hard طريقة إصلاح طيفية تهدف إلى الحفاظ على التحسينات المكتسبة من التعديل، في حين تستعيد القدرات المتضررة. يتعامل هذا الأسلوب مع التعديل كإشارة منخفضة الترتيب مدمجة في الضوضاء، مما يجعل من الممكن تقليل الخسائر الناتجة عن التعديل دون الحاجة إلى ضبط متطلبات جديدة.

تشير النتائج التي تم التوصل إليها من 14 إعداداً للنموذج ومهمة عبر 9 مجال مُحتفظ به مسبقاً، إلى أن DG-Hard يحقق أقوى إصلاح متوازن مقارنة بأساليب ما بعد التصحيح الأخرى. ولعل الأهم من ذلك أن هذه الطريقة تعيد تنسيق الأمان المتدهور الناتج عن التعديلات الودية بدون استخدام بيانات التنسيق.

إن نجاح DG-Hard في استعادة الأداء العالي للنماذج يفتح آفاقاً جديدة لفهم كيف يمكن تحسين قدرات نماذج الذكاء الاصطناعي من دون الحاجة إلى عمليات تدريب مكثفة جديدة. يبدو أن بعض فقدان القدرات بسبب التعديل ليس نتيجة حتمية للتخصص، بل هو بقايا طيفية يمكن إزالتها بشكل فعال. هل نتوقع رؤية مثل هذه التطورات في المزيد من المجالات؟