تعتبر عمليات البحث التطويرية مكلفة جداً وتحتاج أحيانًا فقط إلى إجابة موثوقة على سؤال بسيط: أي الاقتراحات أفضل؟ للإجابة عن هذا السؤال، تم تطوير نموذج TGL-NSGA-II (تعلم موجه بواسطة المعلم - Teacher-Guided Learning NSGA-II) كإطار عمل منخفض الدقة مخصص لبحث شبكة Tiny Machine Learning (TinyML).

يقوم هذا النموذج بتنظيم العينات وفقًا لصعوبتها وفئتها باستخدام معلم مُدرّب مسبقًا، مما يعني أن كل اقتراح يخضع لإجراءات تعلم تجمع المعرفة قصيرة الأمد (KD-Lite) على مجموعة تدريبية صغيرة قبل أن يتم تقييمها على مجموعة تقييم منفصلة.

ميزة هذا النموذج تكمن في دمج درجات التقييم التي تم الحصول عليها من المعلم مع نموذج توفر Gaussian-process، مما يساعد على اختيار الاقتراحات للاختبار الكامل. ومع وجود مجموعة مرشحة ثابتة، تم تحليل تباين التقييم وتركيز النقاط وعكس الترتيبات.

أظهرت النتائج أن نموذج TGL-NSGA-II يمكنه تحقيق حجم أكبر من الهيبر والإزالة الأقل للتباعد الجيلي على مهام اكتشاف الكلمات، مما يجعله أسرع بمعدل 2.2 مرة من النسخة الكاملة من NSGA-II. وبفضل استراتيجيات تصنيف متقدمة، تم تقليل تباين درجات التقييم حتى 41% مقارنة بالتقييم العشوائي.

إن هذه التطورات تعزز فعالية TinyML وتفتح آفاق جديدة في تصميم الشبكات العصبية، مما يساعد الباحثين والمطورين على تحقيق نتائج أفضل بكثير.
ما رأيكم في هذا الابتكار في الدراسة؟ هل تتوقعون أن تُحدث تأثيراً كبيراً في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.