أصبحت النماذج التحويلية (Transformers) جزءًا لا يتجزأ من معالجة البيانات في مجالات متعددة، بما في ذلك الصحة الإلكترونية. لكن السؤال الأهم الذي يطرح نفسه هو كيفية ترميز القيم العددية داخل هذه النماذج؟

في دراسة حديثة، تمت المقارنة بين استراتيجيات ترميز القيم العددية المختلفة — الكمية، المستمرة، والهجينة — باستخدام مهام رياضية مصممة بشكلٍ اصطناعي تم تضمينها داخل بيانات السجلات الصحية الحقيقية (EHR).

تظهر النتائج توازنًا بين دقة الأرقام، واستقرار تحسين الأداء، ومرونة الهيكل المعماري للنموذج. تم التوصل إلى أن المناهج التي تتعامل بشكل صريح مع تفاعلات القيم والمفاهيم كانت الأكثر فعالية في المهام الحساسة للدقة العددية، بشرط أن تسمح القيود المعمارية بذلك.

من جهة أخرى، توفر الأساليب الهجينة القائمة على الرموز التي تحتفظ بالقيم العددية ولكنها تطبق تقسيم البيانات قبل العرض، بديلًا قويًا ومناسبًا بشكل أوسع. حيث يتم تحديد العدد الأمثل من الفئات وفقاً لقانون القوة المستمد تجريبيًا على حجم مجموعة البيانات. عبر جميع المهام، أظهرت النماذج في نهاية المطاف قدرة ثابتة على إجراء حسابات عددية "كافية" بدلاً من دقة حسابية مثالية.

هذه النتائج تشير إلى أن المتانة وسهولة التطبيق غالبًا ما تفوق الحاجة إلى أقصى دقة عددية، مما يعزز من دور الأساليب الهجينة كخيار عملي مفضل في التعامل مع البيانات السريرية.

هل أنتم متابعون لتطورات الذكاء الاصطناعي في القطاع الصحي؟ شاركونا آراءكم في التعليقات!