نموذج أساسي لخلق قواعد منطقية بدون تعلم سابق: ثورة في علم البرمجة الاستقرائية

في عالم الذكاء الاصطناعي، يعتبر التعلم من البيانات أمراً أساسياً لتطوير نماذج فعالة. ومع ذلك، كانت الطرق التقليدية مثل البرمجة المنطقية الاستقرائية (Inductive Logic Programming - ILP) تعتمد على أساليب نتاجية تتطلب إعادة تدريب كلما تطلب الأمر التعامل مع مهام جديدة. لكن الآن، ومع ظهور نموذج Neural Rule Inducer (NRI)، يتغير هذا المشهد.

يعتبر NRI نموذجاً مدرباً مسبقاً يمكنه خلق قواعد منطقية دون الحاجة إلى تعلم مسبق، مما يمثل نقلة نوعية في مجال البرمجة الاستقرائية. فهو لا يعتمد على هويات حرفية محددة، بل يمثل القواعد باستخدام خصائص إحصائية عامة مثل معدلات التصنيف والانتروبيا والارتباطات المرافقة.

هذا النهج يسمح للنموذج بالتكيف مع متغيرات متعددة دون الحاجة إلى إعادة تدريب، مما يوفر الوقت والموارد.

يتكون NRI من مشفر إحصائي ومفكك للشفرة معتمد على نظام القوالب المتوازية، مما يحتفظ بخصائص التجانس للضرورات المنطقية. كما أن استخدام ترخيم T-norm للمنتج يجعل تنفيذ القواعد قابل للتفريق، مما يتيح تدريباً نهائياً يعتمد فقط على دقة التنبؤ.

تم تقييم NRI من خلال استعادة القواعد، ومرونته تجاه ضوضاء التسميات والارتباطات المزعجة، بالإضافة إلى نقل المهارات إلى معايير العالم الحقيقي بدون تعلم سابق. يعتبر هذا العمل خطوة نحو إمكانية تصاميم نماذج أساسية (Foundation Models) لأسس التفكير الرمزي.

لمن يرغب في استكشاف النموذج بشكل أكبر، يمكنه العثور على الشيفرة والنقطة المرجعية على GitHub. ما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات.