في خطوة ثورية، يكشف فريق من الباحثين عن نجاحات مثيرة في استخدام تقنيات Hypernetwork لمعالجة تحديات التوافق المعرفي في نماذج الذكاء الاصطناعي (AI) المعروفة باسم LLM. تأتي هذه التقنيات، مثل Doc-to-LoRA، لتحويل مستندات إلى أوزان ضمن نموذج الذكاء الاصطناعي في خطوة واحدة. لكن هناك مشكلة رئيسية تتعلق بفشل النموذج عند مواجهة تضارب المعلومات.
مشكلة التضارب
تشير الدراسات إلى أن هذه التقنيات تُظهر فشلاً منهجياً كلما تعارض المستند مع المعرفة التي تم تدريب النموذج عليها. فقد انخفضت الدقة إلى 46.4% عندما تم اختبار حقائق عميقة. وقد بين الباحثون أن المشكلة تعود إلى حجم الاستجابة وليس إلى التمثيل نفسه، حيث يتم استهداف الطبقات الصحيحة، لكن هوامش المحول تبقى ثابتة، مما يؤدي إلى فقدان دقة التعامل مع التضارب.
تأثير قوة المعرفة السابقة
يؤكد الباحثون أن الفشل يرتبط بقوة المعرفة السابقة، حيث يتم تصنيف 194 تضارباً بناءً على احتمال النموذج الأساسي، مما أدى إلى انخفاض الدقة من 68% لمعلومات ذات قوة معرفة ضعيفة إلى 16% لمعلومات ذات قوة معرفة قوية—فارق يصل إلى 52 نقطة في المئة.
حلول مبتكرة
تضمنت الحلول المقترحة تقنيات مثل "تعزيز الطبقات الانتقائية"، التي تقوم بتكبير المحول في الطبقات ذات أعلى القيم، و"التضمين المعرفي الواعي بالتضارب"، الذي يعمل على تحفيز التعزيز عندما يكون النموذج الأساسي متأكدًا. وتُظهر النتائج تحسين دقة التعامل مع التضارب العميق من 46.4% إلى 71.0% على نموذج Gemma-2B ومن 53.6% إلى 72.5% على نموذج Mistral-7B، بينما يحافظ على استرجاع المعرفة الجديدة.
هذه الحلول تمثل ثورة في كيفية معالجة النماذج للتضاربات المعرفية، حيث تتفوق على الأساليب التقليدية أيضاً.
استنتاج
تم إطلاق KID-Bench، وهو معيار يتضمن 489 سؤالاً لفحص الذكاء الاصطناعي وقدرته على دمج المعرفة المختلفة.
**هل أنت مستعد لاستكشاف إمكانيات الذكاء الاصطناعي مع هذه الابتكارات الثورية؟**