تحويل الأرقام: تقنية جديدة لتعزيز الذكاء الاصطناعي في الحسابات الرقمية

في عالم الذكاء الاصطناعي، تعتبر الأرقام أساس العديد من التطبيقات، ولكن المواقع الحالية تعاني من مشاكل عدة في كيفية تمثيلها. تعاني نماذج اللغات الضخمة (Large Language Models) من صعوبات في معالجة الأرقام بدقة بسبب استخدام تقنيات تقطيع الكلمات (Tokenization) التقليدية التي تؤدي إلى فقدان الهياكل العددية الأساسية.

وفي هذا الإطار، تم تقديم تقنية جديدة تُعرف بـ Triadic Suffix Tokenization (TST)، وهي طريقة تعتمد على تقسيم الأرقام إلى ثلاثيات ومن ثم إضافة علامة تشير إلى المقياس لكل مجموعة من الأرقام. هذا الابتكار ليس فقط لتحسين الدقة، بل أيضًا يقدم خريطة ثابتة وواضحة لما يخص كل جزء من الرقم، مما يسهل عملية الفهم ليكون أكثر التماسك.

تتضمن تقنية TST نظامًا ثنائي القاعدة يعتمد على تقسيم الأرقام إلى ثلاث مجموعات مع جعل الدلالات متوازنة لكافة الوحدات، حيث تضمن هذه التقنية أن يتم فهم الأرقام بشكل أكثر وضوحًا. يعتمد النظام أيضًا على نهج مرن عند تنفيذ المتغيرات؛ حيث يمكن اعتماد نموذجين: الأول يضيف ما يصل إلى 10,000 رمز ثابت ضمن معجم الكلمات، بينما الاعتماد الثاني يستخدم مجموعة رموز خاصة لتحديد المقياس ديناميكيًا.

من الأمور الجديرة بالذكر أن هذه التقنية لا ترتبط بنموذج محدد، بل تعتبر عملية مسبقة يمكن دمجها بسهولة في أي نظام، مما يجعلها ابتكارًا مفيدًا يمكن تعميمه على نطاق واسع.

إذا كنت تعمل في مجال الذكاء الاصطناعي أو مهتم بأحدث التطورات في هذا المجال، فإن Triadic Suffix Tokenization (TST) قد تكون خطوة فريدة نحو تحسين أداء النماذج الرياضية والتقنية.