في عالم الرعاية الصحية الحديث، تُعتبر البيانات المنظمة (structured data) حجر الزاوية في اتخاذ القرارات السليمة. ومع تزايد الاعتماد على الذكاء الاصطناعي، برزت النماذج الأساسية اللوحية (Tabular Foundation Models - TFMs) كأداة قوية لتحقيق نتائج دقة عالية. ولكن، هناك تحدٍ كبير يتمثل في تكاليف الاستنتاج والبنية التحتية اللازمة لاستخدام هذه النماذج بشكل عملي.

دراسة جديدة تسلط الضوء على إمكانية نقل سلوك النماذج الكبيرة إلى نماذج أخف وزن من خلال تقنيات زراعة المعرفة (knowledge distillation). هذه العملية تُعتبر مهمة جدًا؛ حيث أن النماذج الأساسية اللوحية تشترط الاعتماد على مجموعة التدريب في وقت الاستنتاج، مما قد يؤدي إلى تسرب المعلومات.

للتغلب على هذه المشكلة، اعتمد الباحثون على تقنية تسمى تصنيف المعلم الخارجي المقسم (stratified out-of-fold teacher labeling)، والتي تساهم بشكل كبير في تقليل تسرب السياق.

خلال اختباراتهم على 19 مجموعة بيانات صحية، قام الباحثون باستخدام 6 معلمين من TFMs و4 عائلات طلابية، بالإضافة إلى عدّة تشكيلات متعددة للمعلمين. النتائج كانت مثيرة، حيث أظهرت النماذج المبنية على المعرفة احتفاظها بنسبة 90% من أداء المعلم في نسبة المساحة تحت المنحنى (AUC)، وأحيانًا تفوقت على أداء المعلم، مع كونها أسرع بنحو 26 مرة على معالجات CPU.

كما أن النتائج أظهرت الحفاظ على التوازن والعدالة، وهي مسائل حاسمة في التطبيقات الصحية. ومع ذلك، فإن استخدام متوسطات المعلمين المتعددة لم يكن دائمًا يؤدي إلى تحسين الأداء عن أفضل معلم فردي.

خلاصة القول، إن تقنية زراعة المعرفة تقدم مسارًا واعدًا لجعل تنبؤات TFMs متاحة في الأوضاع التي تعاني من قيود الاستنتاج في المجال الصحي. كيف ترى أثر هذه النتائج على مستقبل الرعاية الصحية؟ دعنا نعرف رأيك في التعليقات!