تُعتبر أنظمة التوصية متعددة الوسائط (Multimodal Recommendation Systems - MRS) من الابتكارات البارزة في عالم الذكاء الاصطناعي، حيث تُظهر قدرة مذهلة على نمذجة تفاعلات المستخدم مع المحتوى الغني. إلا أن هذه الأنظمة تواجه تحديات جسيمة حين يتعلق الأمر بإزالة بيانات المستخدم، حيث تصبح هذه البيانات بشدة مرتبطة بالمعرفة المكتسبة.

في هذا الإطار، تُعد طريقة التعلم غير التقليدي (Approximate Machine Unlearning) بديلًا فعالًا عن إعادة التدريب الكامل، لكنها تعاني من معالجة شاملة وغير فعالة تعطي نتائج متباينة. حيث تُظهر البيانات الممسوحة آثارًا متفاوتة عبر مختلف مكونات النموذج، مما يؤدي إلى حدوث ثلاثة نقاط اختناق رئيسية: استمرارية البيانات المحذوفة، عدم التوازن في الخصائص، والحساسية المفرطة في بعض الوحدات النمطية.

استجابة لهذه التحديات، تم تقديم مفهوم "التحديث العكسي الموجه" (Targeted Reverse Update - TRU) كإطار عمل يدعم الذكاء الاصطناعي في تحقيق انسجام أكبر بين الاحتفاظ بالمعلومات والتخلي عنها. يتضمن TRU ثلاث تدخلات مُنسّقة ضمن هيكل النموذج:
1. باب دمج التصنيف لتقليل تأثير البيانات المحذوفة في عملية التصنيف.
2. ضبط الميزات عبر الفروع للحفاظ على التمثيلات متعددة الوسائط المُحتفظ بها.
3. اختيار مدروس لمجموعات المعلمات لتوجيه التحديثات العكسية نحو الوحدات الحساسة.

عبر اختبار TRU على عددٍ من مجموعات البيانات، أظهرت هذه التقنية تفوقًا في تحقيق توازن أفضل بين الاحتفاظ والتخلي بالمعلومات مقارنة بالأساليب السابقة. كما حصلت على تقييمات إيجابية خلال تدقيقات الأمان، مما يشير إلى أمانٍ أكبر في التعامل مع البيانات الحساسة.

إن درجة التطور في تقنيات TRU تفتح آفاقًا جديدة في مجال التوصيات، حيث تقدم حلولًا فعالة تدعم الابتكار وتراعي الأمان والخصوصية في أنظمة الذكاء الاصطناعي.