تعد الإجابة عن أسئلة الفيديو مهمة عابرة للوسائط تتطلب فهم محتوى الفيديو للإجابة عن الأسئلة المطروحة حوله، وتعالج التقنيات الحالية هذا التحدي بتوظيف وحدات متراكبة كآليات الانتباه والشبكات الالتفافية البيانية، فتستدل على دلالات سمات الفيديو وتفاعلها مع الأسئلة النصية محققة نتائج ممتازة، غير أن هذه المقاربات غالبًا ما تتعلم وتمزج السمات الممثلة لجوانب مختلفة من الفيديو بصورة منفصلة، فتهمل التفاعل الداخلي بينها وتتجاهل الارتباطات المعقدة الكامنة بين السمات المستخرجة، كما أن تراكم الوحدات يدخل عددًا كبيرًا من المعاملات يجعل تدريب النموذج أصعب وأكثر كلفة، ومن هنا تنبع الحاجة إلى مقاربة أبسط بنيويًا وأعمق في استثمار العلاقات بين السمات
وترتبط هذه المهمة بتطبيقات متنامية كالبحث في أرشيفات الفيديو الضخمة والإجابة الآلية عن استفسارات المتعلمين حول المحاضرات المصورة ومساعدة الأشخاص على استرجاع لحظات بعينها من تسجيلات طويلة، وكلها تطبيقات تحتاج إلى نماذج دقيقة وخفيفة معًا، وقد دفعت حواجز الأداء والكلفة الباحثين إلى تقنيات ضغط النماذج ونقل المعرفة، غير أن تطبيق التقطير في المهام عابرة الوسائط يطرح سؤالًا إضافيًا حول كيفية نقل معرفة مدمجة من وسائط متعددة إلى نموذج أصغر دون فقدان العلاقات الدلالية الدقيقة بين الصورة والحركة والنص
أولًا: أهداف الدراسة ومنهجيتها
اقترحت الدراسة أسلوب تقطير معرفة متعدد الوسائط يستثمر مزايا تقطير المعرفة في ضغط النماذج وتعزيز السمات معًا، فتُقطَّر السمات المدمجة في النموذج المعلم الأكبر إلى معرفة توجه تعلم سمتي المظهر والحركة في النموذج الطالب الأصغر، وبإدخال المعلومات عابرة الوسائط في مراحل مبكرة تستطيع سمات المظهر والحركة اكتشاف علاقاتها الكامنة المرتبطة والمكملة لبعضها، فيتحسن الأداء الكلي للنموذج رغم صغر حجمه، وقُيّمت المقاربة بتجارب واسعة على مجموعتي بيانات الإجابة عن أسئلة الفيديو الشائعتين إم إس في دي وإم إس آر في تي تي، ومقارنة بأداء الأساليب السابقة
ثانيًا: أبرز النتائج
1- مكن إدخال المعلومات عابرة الوسائط في مراحل مبكرة سمتي المظهر والحركة من اكتشاف علاقاتهما الكامنة المرتبطة والمكملة، وهو ما انعكس تحسنًا في الأداء الكلي للنموذج الطالب
2- أظهرت التجارب الواسعة على مجموعتي البيانات الشائعتين تحسينات أداء واضحة مقارنة بالأساليب السابقة، رغم بساطة المقاربة المقترحة وقلة وحداتها المتراكبة
3- أثبتت النتائج فاعلية مقاربة تقطير المعرفة المقترحة في مهمة الإجابة عن أسئلة الفيديو، بوصفها وسيلة تجمع بين ضغط النموذج وتعزيز جودة السمات المتعلمة في وقت واحد
ثالثًا: دلالات الدراسة وتطبيقاتها
تقدم الدراسة درسًا تصميميًا يتجاوز مهمتها المباشرة، فبدلًا من تكديس الوحدات والآلیات يمكن نقل المعرفة من نموذج كبير إلى نموذج صغير مع توجيه تعلمه نحو العلاقات الخفية بين السمات، وهو ما يفيد تطبيقات تحليل الفيديو محدودة الموارد الحاسوبية كالتعليم التفاعلي ومساعدة المكفوفين وفهرسة المحتوى المرئي، كما يعزز توجه بناء نماذج خفيفة عالية الأداء قابلة للنشر على أجهزة طرفية، ويفتح باب نقل فكرة التقطير متعدد الوسائط إلى مهام عابرة للوسائط أخرى كالإجابة عن أسئلة الصور والصوت
وتتصل هذه النتائج باتجاه أوسع في تعلم الآلة يبحث عن الكفاءة بقدر بحثه عن الدقة، إذ تنمو أحجام النماذج بوتيرة تجعل نشرها على الأجهزة الطرفية وخفض كلفتها الحاسوبية والبيئية هدفين مشروعين، ويبدو التقطير من أنسب الأدوات لذلك لأنه يستخرج قيمة تدريبية إضافية من النموذج الكبير بعد اكتمال تدريبه، ويمكن تكييف الفكرة ذاتها مع مهام فيديو أخرى كتلخيص الفيديو والتعرف على الأنشطة، بشرط مراعاة طبيعة السمات الزمنية والحركية التي تميز الوسيط المرئي عن الصور الثابتة والنصوص
كما يعيد هذا الأسلوب الاعتبار لفكرة أن المعرفة المضغوطة في الشبكات العميقة يمكن إعادة توزيعها بذكاء بين النماذج بدل حصرها في النموذج الأكبر، فالنموذج الطالب لا يتعلم من الملصقات الصحيحة وحدها بل من بنية التشابه والتمايز التي التقطها المعلم بين الأمثلة، وهي بنية أغنى إشارة من التسمية المفردة، ولذلك تتكامل مقاربة التقطير مع موضوعات الكفاءة والاستدامة في الذكاء الاصطناعي المعاصر وتستحق اختبارها على مهام فيديو ووسائط متعددة أوسع نطاقًا
وخلاصة القول إن تقطير المعرفة متعدد الوسائط قدم نموذجًا بسيطًا وفعالًا للإجابة عن أسئلة الفيديو، إذ نقل المعرفة من المعلم إلى الطالب موجهًا تعلم سمتي المظهر والحركة نحو علاقاتهما الكامنة، فتفوق على أساليب أثقل بنيويًا على مجموعتي بيانات معياريتين
المصدر الأصلي: https://www.mdpi.com/2078-2489/14/6/328
DOI: 10.3390/info14060328