في عالم الذكاء الاصطناعي (AI)، تعتبر جودة البيانات المدخلة ذات أهمية حيوية، ولكن ماذا يحدث عندما تكون هذه البيانات مضللة؟ يتناول هذا المقال دراسة جديدة حول تأثير التاريخ على نماذج الذكاء الاصطناعي، حيث تظهر الأبحاث أن المعلومات التاريخية - رغم كونها صحيحة من الناحية الهيكلية - يمكن أن تفقد موثوقيتها مع تحديث السياقات.

الحالة المثيرة للقلق تكمن في أن النماذج، مثل Qwen3-1.7B، قد تفقد القدرة على اتخاذ القرارات الصحيحة بسبب تأثير المعلومات التاريخية الملوثة. إذ تشير النتائج إلى أن 32.1% من القرارات الصحيحة يمكن أن تتبدل نتيجة لهذا التلوث، مما يؤدي إلى إعادة استخدام كائنات وممارسات غير دقيقة.

لحل هذه المشكلات، تم تقديم Bench كمعيار مزدوج يتضمن عرض البيانات الأصلية والملوثة والمثالية (Oracle)، مما يسمح قياس اداء النموذج بدقة. هذه الأداة تساعد على عزل الفشل في اتخاذ القرارات وتحديد الطرق الصحيحة لتعزيز كفاءة النموذج.

علاوة على ذلك، تم تقديم طريقة جديدة باسم Ours، التي تعتمد على نقل سياسة المعلم الموجهة بناءً على البيانات المثالية إلى نموذج الطالب الذي يعاني من معلومات ملوثة، ما يؤدي في النهاية إلى نتائج محسنة. حيث أظهرت التجارب أن Ours حققت دقة استخدام الأدوات بنسبة 87.0%، متفوقة على تقنيات سابقة.

توضح هذه النتائج كيف يمكن أن تصبح موثوقية التاريخ عقبة رئيسية في استخدام الأدوات، وتبرز أهمية نقل السياسات بشكل موثوق كحل فعال ضمن نطاق واسع من التطبيقات.