في عالم الذكاء الاصطناعي، تمثل نماذج اللغة والصورة (Vision-Language Models) طفرة معرفية، حيث أثبتت هذه النماذج قدرتها على أداء مهام مذهلة، لكن التحديات لا تزال قائمة. فالنماذج التقليدية تعتمد على الفضاء الإقليدي، مما يجعلها تواجه صعوبات في فهم العلاقات الهيكلية، مثل الترابط بين الجزء والكل أو الأب والطفل.

مع تطور الأبحاث، ظهرت نماذج الهايبروليكية (Hyperbolic Models) كحل مبدع، حيث تسهم في الحفاظ على هذه العلاقات بطريقة أكثر فعالية. ومع ذلك، لم تكن هذه النماذج تعكس بشكل دقيق كيف يمكن أن يكون لكل جزء تمثيل دلالي مختلف عن الكل.

الحل الجديد، الذي تم تقديمه تحت اسم UNcertainty-guided Compositional Hyperbolic Alignment (UNCHA)، يعد بحل هذه الإشكالية عبر نمذجة تمثيل الأجزاء في السياق العام باستخدام عدم اليقين الهايبروليكي. يعتمد نظام UNCHA على تقليل عدم اليقين للأجزاء الأكثر تمثيلاً وزيادته للأجزاء الأقل تمثيلاً، مما يعزز فهم النموذج للمشاهد بأكملها.

كما يتضمن نظام UNCHA إضافة أوزان موجهة بعدم اليقين، مما يضمن أن النموذج يتعلم الهيكل التكويني للصور بشكل أكثر دقة. استنادًا إلى هذه التحسينات، حقق نظام UNCHA أداءً متفوقًا في مجالات التصنيف الصفري، واسترجاع المعلومات، وتصنيف متعدد التسميات. الكود والنماذج متاحة للجمهور على منصة GitHub: رابط الكود.

في النهاية، تعكس هذه التطورات الخطوات الكبيرة نحو نماذج أكثر تفهمًا وإدراكًا للصور واللغة، وتفتح آفاق جديدة في كيفية تفاعل الذكاء الاصطناعي مع العالم من حوله.

ما رأيكم في هذا التطور؟ شاركونا بالتعليقات!