قامت الدراسات الحديثة بتسليط الضوء على العوائد الكبيرة التي تُقدمها نماذج مزيج الخبراء (Mixture-of-Experts) في تسريع استنتاجات البيانات، ولكن هل يمكن لهذه النماذج أن تظل فعالة وموثوقة في ظل تقليص الخبراء؟ من المعروف أن الحاجة لتقليل الذكاء الاصطناعي ليست جديدة، إلا أن الأبحاث السابقة لم تتطرق بشكل وافٍ إلى آثار هذا التخفيض على موثوقية البيانات، خصوصًا في المجالات ذات المخاطر العالية، مثل الطب الحيوي.

تناولت هذه الورقة البحثية تأثيرات تقليص الخبراء المتخصصة على الأداء والموثوقية. تم تقييم أربع نماذج MoE، وستة أساليب للتقليص، ونسب تقليص متعددة، مما أتاح فهمًا أوضح لكيفية عمل هذه النماذج تحت بيئات مختلفة – سواء داخل المجال أو عبر المجالات.

النتائج أظهرت أن التقليص المعتدل يمكن أن يحافظ على الأداء دون تدهور فوري في الموثوقية، لكن التوجه نحو التخفيضات المتطرفة قد يزيد من مخاطر تخيل النتائج (hallucination risks) بشكل كبير. وعند الانتقال إلى المجالات العامة، يظهر تدهور سريع في كل من الأداء والموثوقية.

تشير هذه النتائج إلى ضرورة التعامل مع مسألة تقليص النماذج بحذر، حيث يعتمد الأمان والموثوقية على نوع المهمة والمجال المستهدف. لا ينبغي تقييم نماذج MoE المنقحة على أساس الأداء فقط، خصوصًا في التطبيقات الحساسة دون فحص جاد للموثوقية.