في عالم الذكاء الاصطناعي، يعد تحسين حجم النماذج (Model Compression) من الأهداف الأساسية لتحسين كفاءة الأداء. وقد تم تقديم تقنية جديدة تُعرف باسم Squeeze-Release، التي تقدم طريقة مبتكرة وجذرية لتقليص حجم نماذج الشبكات العصبية، مما يعزز الأداء ويقلل من الاستهلاك الحسابي.

تعتمد تقنية Squeeze-Release على عملية تُسمى "التقليل الهيكلي الدقيق" (Exact Structural Minimization)، حيث تقوم بتحويل نماذج شبكية تم تطبيق تقليل غير هيكلي عليها إلى نماذج أكثر كثافة وأصغر حجمًا، دون التأثير على الأداء في النسخة المطبقة.

تشمل العمليات في هذه التقنية دورة تتضمن تقليص (Pruning) المصاير و"التحرير"، وهو مرحلة تتيح إعادة تفعيل المواقع الصفريّة في الأوزان بطريقة محسوبة، مما يحول سعة المعلمات التي كانت تضيع إلى معلمات قابلة للتدريب. وبفضل هذه الطريقة، يمكن للنموذج أن يصل إلى تحسينات هائلة في الحجم، حيث أثبتت الاختبارات أن النموذج قابل للنشر أصبح أصغر بحوالي 39 مرة من النموذح غير المضغوط على شبكة كاملة الاتصال، و14.8 مرة على نماذج CNN مثل ConvNeXt-Tiny، مع الحفاظ على دقة مماثلة.

علاوة على ذلك، يمكن توسيع هذه التحسينات إلى هياكل البنية التحتية مثل نماذج المحولات (Transformers)، مما يفتح آفاق جديدة لتعزيز الكفاءة في مختلف التطبيقات.

تعد تقنية Squeeze-Release خطوة ذكية وواعدة نحو بناء نماذج ذكاء اصطناعي أفضل، ومع التحسين المستمر في أساليب تدريب الشبكات العصبية، نتطلع إلى رؤية مزيد من الابتكارات في هذا المجال.

ما رأيكم في هذه التقنية الجديدة وما تأثيرها على مستقبل الذكاء الاصطناعي؟ شاركونا في التعليقات.