ثورة في الذكاء الاصطناعي: إطار إلغاء اطلاعات خفيف للخصوصية في نماذج اللغات الكبيرة

في زمن يشهد فيه العالم انتشار نماذج اللغات الكبيرة (LLMs) في البيئات السياسية الحساسة، تبرز أهمية التعامل مع البيانات الشخصية بأسلوب يتماشى مع القوانين الحديثة مثل اللائحة العامة لحماية البيانات (GDPR) وحق النسيان. يعد التحول من المبادئ القانونية إلى أنظمة توليدية على نطاق واسع تحديًا فنيًا كبيرًا، وهو ما استغله الباحثون لتطوير إطار عمل جديد يهدف إلى إلغاء المعلومات بشكل خفيف.

يجمع هذا الإطار بين أهداف الاحتفاظ بالمعلومات والأهداف المتعلقة بكبح البيانات الحساسة، حيث يبدأ بتثبيت القدرات المفيدة عن طريق تحسين إيجابي. بعد ذلك، يتم تطبيق تحسين سلبي مقيد على طبقات معينة لكبح الأنماط الحساسة المحددة، كل ذلك مع المحافظة على الكفاءة العامة للغة.

أظهرت التجارب التي أجريت على معيار SemEval-2025 لإلغاء التعلم (Unlearning) فعالية كبيرة في كبح الأنماط السلبية مع تأثير طفيف على دقة المعلومات والبلاغة. وتجدر الإشارة إلى أن نموذج GPT-2 أظهر مرونة أكبر من نموذج DistilGPT-2، مما يسلط الضوء على دور سعة النموذج في التكيف مع متطلبات الخصوصية.

هذا النهج يمهد الطريق أمام استخدامات أكثر أمانًا لنماذج اللغات الكبيرة في السياقات السياسية، ويفتح آفاق جديدة لعملية إلغاء المعلومات بطريقة عملية وقابلة للتطبيق.