في بحث جديد منشور في arXiv، يستعرض الباحثون مفهومًا مدمجًا يجمع بين الاقتصاد التقليدي وتقنيات الذكاء الاصطناعي الحديثة. حيث يتم تناول كيفية الاستفادة الهوامشية (Marginal Utility) من خلال تقنيات مثل تحليل المصفوفات (Matrix Factorization) وذاكرة المفاتيح والقيم (Key-Value Cache) المستخدمة في نماذج اللغات.
يبيّن البحث كيف أن طيف القيم الفردية لمصفوفة التقييم يمكن أن يُعتبر قاعدة لتحديد الاستفادة الهامشية للعوامل الكامنة. كما يعرض التنسيق بين دواعي استبعاد الذاكرة وضغط الذاكرة المنخفضة كأمثلة على تعظيم الاستفادة المقيدة بميزانية الذاكرة. والتوجيه نحو الاحتفاظ بالأبعاد العليا التي تتجاوز ثمن الظل لهذا القيد.
يطبق هذا الإطار النظري على استخراج المعلومات المنظمة من مستندات التعدين الجغرافي، مما يحفز بروتوكول استنتاج متعدد المرور وإجراءات دمج نموذج TIES على مستوى الطبقات، بالإضافة إلى سياسة اختيار تجمع بين جودة الاستخراج والانحراف المحلي.
يتضمن البحث أيضًا مساهمات تجريبية، حيث تم تدريب مصنف هرمي مكون من 11.2 مليون معلمة في حوالي خمس دقائق على وحدة معالجة رسومات واحدة، ليصل إلى دقة 90% على مجموعة اختبار من 973 مستندًا في مجال استخراج اليورانيوم.
تشير النتائج إلى أن هذه التكنولوجيا ليست فقط فعالة من حيث الوقت، بل أيضًا من حيث التكلفة والموارد، مما يشير إلى إمكانية تطوير نماذج متقدمة قادرة على التعامل مع الكم الهائل من البيانات الجغرافية بشكل فعال.