يواجه التعلم الآلي الحديث معضلة عملية متنامية تتمثل في كلفة التخزين الباهظة لنمط تخصيص نموذج مستقل لكل مهمة، إذ يتطلب الاحتفاظ بنموذج كامل لكل مهمة جديدة مساحات تخزين تتضاعف مع تعدد المهام وتنوعها، وقد ظهر دمج النماذج حلًّا واعدًا لهذه المشكلة لأنه يتيح الجمع بين نماذج متعددة مدربة على مهام مختلفة في نموذج واحد دون أي تدريب إضافي، غير أن تقنيات الدمج المتاحة تقع أمام مقايضة صعبة، فإنتاج نموذج واحد مدمج يوفر التخزين لكنه يضر بالأداء، بينما تحقق الأساليب القائمة على المكيّفات أداءً جيدًا لكنها تفرض عبء تخزين جديدًا مع كل مهمة، ومن هذا المنطلق قدمت هذه الدراسة إطار عمل جديدًا يحل هذه المعضلة عبر إنتاج مكيّفات عالية القابلية للضغط
وتزداد هذه المعضلة حدة مع اتساع انتشار النماذج المدربة مسبقًا وتفرعها إلى نسخ متخصصة لكل مهمة، ومن هنا اتجه اهتمام الباحثين إلى أساليب الدمج التي تحافظ على قدرات النماذج المتعددة داخل بنية واحدة مدمجة خفيفة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تطوير إطار عمل أطلق عليه اسم سي إف ستار، يعيد تعريف المكيّف ذاته بحيث ينتج مكيّفات شديدة القابلية للضغط دون التضحية بالأداء، وينطلق الإطار من تمثيل جديد للمكيّف، فبدلًا من تمثيله انحرافًا عن النموذج المدرب مسبقًا كما في الأساليب السائدة، يعرفه الإطار بانحرافه عن متوسط النماذج متعددة المهام، ويسمى هذا التمثيل متجه المهمة المركزي، وهو يمثل صورة أنقى للمعرفة الخاصة بالمهمة داخل سياق الدمج بما يجعله في جوهره أكثر قابلية للضغط، ويوظف الإطار لتحقيق ذلك تحليلًا جديدًا يجمع بين المكون منخفض الرتبة والمكون المتناثر مصممًا خصيصًا لهذا التمثيل، بحيث يلتقط البنية العامة والتفاصيل الحرجة معًا، وصممت خطوات الإطار كلها لتتكامل مع التكميم منخفض البتات بما يتيح ضغطًا فائقًا، وقوم الإطار على معايير قياسية متنوعة شملت تصنيف الصور ومعالجة اللغة الطبيعية والتنبؤ الكثيف
ويقوم منطق الإطار على أن تمثيل المكيّف نسبة إلى متوسط المهام المتعددة يزيل المكونات المشتركة بين المهام ويبقي المعرفة الخالصة الخاصة بكل مهمة، وهو ما يجعل التمثيل أكثر إيجازًا وأقرب إلى الضغط الفعال من التمثيلات التقليدية التي تحمل قدرًا كبيرًا من المعلومات المتكررة، كما روعي في تصميم خطوات الإطار أن تعمل مراحله بصورة متكاملة بحيث يعزز كل مكون أثر المكونات الأخرى في الضغط والأداء
ثانيًا: أبرز النتائج
أظهرت النتائج أن إطار سي إف ستار حقق مستوى جديدًا هو الأفضل على حد باريتو الموازن بين الدقة والتخزين، إذ بلغ ضغط المكيّفات به حتى أربعين ضعفًا مقارنة بخطوط أساس قوية، مع الحفاظ على أداء تنافسي عبر المعايير القياسية المتنوعة التي شملت تصنيف الصور ومعالجة اللغة الطبيعية والتنبؤ الكثيف، وبذلك تجاوز الإطار المقايضة التقليدية بين كفاءة التخزين وجودة الأداء، فلم يعد مطورو النماذج مضطرين للاختيار بين نموذج واحد موفر للمساحة ضعيف الأداء ومكيّفات قوية الأداء ثقيلة التخزين، وأثبتت الدراسة أن إعادة تعريف المكيّف بالاستناد إلى متجه المهمة المركزي، مقرونة بالتحليل منخفض الرتبة والمتناثر وبالتكامل مع التكميم منخفض البتات، تصنع مكيّفات أصغر حجمًا بكثير دون خسارة تذكر في جودة الأداء
ثالثًا: دلالات الدراسة وتطبيقاتها
تفتح هذه النتائج الباب أمام نشر نماذج التعلم الآلي متعددة المهام في بيئات محدودة الموارد، إذ تنخفض كلفة التخزين اللازمة للاحتفاظ بقدرات نماذج متعددة إلى جزء يسير مما كانت عليه، ويستفيد مطورو الأنظمة الذكية من إمكانية تحديث النماذج وتبادلها ونقلها بسرعة أكبر وبكلفة أقل، كما يقدم تمثيل متجه المهمة المركزي أساسًا نظريًا يمكن أن تبنى عليه أبحاث لاحقة في ضغط النماذج ودمجها، ويمثل الجمع بين التحليل منخفض الرتبة والمتناثر والتكميم منخفض البتات مقاربة عملية قابلة للتعميم في تقنيات ضغط النماذج الكبيرة عمومًا، ويعزز في مجمله إمكانية الجمع بين مهام متعددة في نموذج واحد خفيف قابل للنشر الواسع
كما تنعكس هذه النتائج على كلفة تطوير الأنظمة الذكية وصيانتها، فبدل الاحتفاظ بعشرات النماذج الكاملة يكفي الاحتفاظ بنموذج أساسي واحد ومكيّفات مضغوطة صغيرة لكل مهمة، بما يختصر زمن التحميل والنقل ويقلل متطلبات الذاكرة في أثناء التشغيل
وخلاصة القول إن إطار سي إف ستار حل معضلة المقايضة بين التخزين والأداء في دمج النماذج، فأنتج مكيّفات تضغط حتى أربعين ضعفًا مع أداء تنافسي عبر مهام متنوعة، مثبتًا أن إعادة التفكير في تمثيل المكيّف ذاته قد تكون أكثر جدوى من تطوير أساليب الضغط وحدها
