دخلت نماذج المؤسسية المُدَرَّبَة (Tabular Foundation Models - TFMs) عالم الذكاء الاصطناعي لتصبح الجيل الجديد من الأدوات المتقدمة في المهام التنبؤية الجدولية. هذه النماذج تتميز بقدرتها على التعلم في السياق، مما يعني أنها تستطيع إجراء التنبؤات الجديدة دون الحاجة إلى تدريب خاص لكل مهمة. ومع تزايد اعتماد هذه النماذج في اتخاذ القرارات الحساسة، تبقى قضايا العدالة المتعلقة بها غير مُستكشَفة بالشكل المطلوب.

في هذا البحث، قمنا بإدماج معايير العدالة مباشرة في تدريب نماذج المؤسسية المُدَرَّبَة، مما يتيح لنا تقديم تنبؤات عادلة من خلال عملية تمرير واحدة فقط. نواجه تحديين رئيسيين في هذا السياق: أولاً، محدودية الوصول إلى المعطيات الحساسة في بيانات التدريب، وثانياً، عدم توافق التقنيات الحالية للعدالة مع نمط التعلم في السياق.

للتغلب على هذه التحديات، نقدم أسلوب FairTFM، وهو استراتيجية تدريب قابلة للتوسع تستند إلى مهام العدالة الاصطناعية وواجهة معمارية واعية للعدالة تستخدم طبقة عكس التدرج، والتي تشجع النموذج على تعلم تمثيلات مستقلة عن المعطيات الحساسة. أظهرت التجارب على 132 مهمة عدالة تحسناً ملحوظاً في العدالة مع الحفاظ على دقة تنافسية.

يعد هذا البحث خطوة مهمة نحو دمج العدالة في النماذج التنبؤية ويعكس كيف يمكن للذكاء الاصطناعي أن يسهم في تحقيق نتائج أكثر انصافاً في مختلف المجالات. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.