استراتيجية جديدة تجمع بين اختيار العينات لتعلم القليل من الأمثلة: ثورة في نماذج الذكاء الاصطناعي

تُعتبر عملية اختيار العينات من العوامل الحاسمة في أداء نماذج الذكاء الاصطناعي، خاصةً في مجال التعلم القليل من الأمثلة (Few-Shot Learning). دراسات سابقة في هذا المجال ركزت على استراتيجيات معينة تتناسب مع إعدادات تعلم محددة، مما أضعف من قدرات تحسين الآداء للموديلات. ولكن، ماذا عن استغلال مجموعة خيارات أكثر فعالية؟

في أحدث أبحاثهم، قدّم باحثون طريقة مبتكرة تُدعى ACSESS، والتي تعني Automatic Combination of SamplE Selection Strategies. تستهدف هذه الطريقة الجمع بين نقاط القوة والتكامل لعدة استراتيجيات اختيار معروفة، بحيث تُحسّن من أداء نماذج التعلم القليل من الأمثلة.

شمل البحث مقارنة 23 استراتيجية اختيار عينات على 5 نماذج تعلم في السياق و3 مناهج تعلم قليلة الأمثلة (مثل التعلم العميق) عبر 6 مجموعات بيانات نصية و8 مجموعات بيانات صور.

تبين من التجارب أن دمج الاستراتيجيات عبر ACSESS يتفوق بشكل مستمر على جميع الاستراتيجيات الفردية التي تم اختبارها، ويحقق نتائج تفوق إما أو تتساوى مع مؤشرات الأساس الخاصة بالتعلم في السياق.

الأهم من ذلك، أنه تم إثبات أن استراتيجية اختيار العينات تبقى فعالة حتى على مجموعات بيانات صغيرة، حيث تظهر أقصى فوائدها عند اختيار عدد قليل من العينات. ومع تزايد عدد العينات، تبدأ هذه الميزة في التناقص.

بهذا، يُعدّ هذا التطور في استراتيجيات اختيار العينات خطوة هامة نحو تحسين فعالية نماذج الذكاء الاصطناعي واستخدامها في مجموعة متنوعة من التطبيقات.