LLM-Powered Automatic Translation and Urgency in Crisis Scenarios
تقيم هذه الورقة أداء النماذج اللغوية الكبيرة وأنظمة الترجمة الآلية في سيناريوهات الأزمات، كاشفةً عن تدهور كبير في الجودة في اللغات ذات الموارد المنخفضة وعدم اتساق حرج في تصنيف الاستعجال القائم على النماذج اللغوية الكبيرة عبر اللغات المختلفة، مما يشكل مخاطر على فعالية فرز الأزمات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالماً حيث يوجد أمين مكتبة آلي عملاق، فائق الذكاء، يمكنه قراءة كل كتاب بكل لغة في لمح البصر. هذا هو الوعد الذي تقدمه النماذج اللغوية الكبيرة (LLMs)، وهي نوع من الذكاء الاصطناعي الذي تعلم التحدث والكتابة والتفكير من خلال قراءة المليارات من الجمل. فكر فيها كمتعدد لغات رقمي يمكنه تلخيص مقال إخباري، أو كتابة قصيدة، أو ترجمة وصفة من الفرنسية إلى اليابانية في أجزاء من الثانية. ولكن إليك العقبة: معظم هذه الروبوتات تم تدريبها في الغالب على الكتب والمواقع الإلكترونية باللغة الإنجليزية. إنهم يشبهون طباخاً بارعاً في إعداد المأكولات الفرنسية ولكنه لم يتذوق قط طبقاً واحداً من بقية العالم.
الآن، تخيل أزمة. فيضان يرتفع، أو زلزال قد ضرب للتو. في هذه اللحظات، كل ثانية لها ثمنها، والفرق بين رسالة "اخرج الآن" ورسالة "ابقَ في مكانك" قد يعني الحياة أو الموت. يحتاج المستجيبون للطوارئ إلى ترجمة التحذيرات العاجلة إلى اللغات المحلية فوراً لإنقاذ الأرواح. وهم يأملون في استخدام هؤلاء الأمناء الآليين الأذكياء للقيام بالعمل الشاق. لكن السؤال الكبير هو: إذا طلبت من روبوت تدرب معظمه على الإنجليزية ترجمة تحذير يتعلق بالحياة أو الموت إلى لغة محلية نادرة، فهل سيفهم المعنى بشكل صحيح؟ هل سيدرك أن كلمة "عاجل" تعني "اركض الآن"، أم سيحولها بالخطأ إلى "ربما لاحقاً"؟ هذه هي الفجوة الخطيرة التي يستكشفها هذا البحث.
قرر الباحثان، بيلو تيكونا وأنتونيوس أناستاسوبولوس، وضع هؤلاء المترجمين الآليين تحت الاختبار النهائي. لم يسألوا فقط: "هل يمكنه الترجمة؟" بل سألوا: "هل يمكنه ترجمة (الاستعجال/الضرورة) بشكل صحيح؟" ومن الأهمية بمكان أنهم ركزوا دراستهم على "النماذج مفتوحة الأوزان" (open-weight models) — وهي نسخ الذكاء الاصطناعي المتاحة مجاناً لأي شخص لتحميلها، وفحصها، وتشغيلها على حواسيبه الخاصة. وهذا خيار رئيسي لأن هذه هي الأدوات التي يمكن للمنظمات الإنسانية غير الحكومية، والحكومات المحلية، والمستجيبين للأزمات في المناطق المحرومة الوصول إليها، والذين لا يستطيعون تحمل تكاليات الاشتراكات التجارية الباهظة أو الاعتماد على اتصالات إنترنت غير مستقرة. لقد عاملوا هؤلاء المجندين الآليين من فئة الذكاء الاصطناعي مفتوح المصدر كأنهم موظفون جدد في منطقة كوارث، وأعطوهم كومة ضخمة من النصوص المتعلقة بالأزمات — مثل التقارير الإخبارية وتعليمات السلامة — تغطي 30 لغة مختلفة من جميع أنحاء العالم، بما في ذلك العديد من اللغات التي نادراً ما تظهر على الإنترنت.
أولاً، نظروا في جودة الترجمة. تخيل محاولة ترجمة دليل تعليمات معقد إلى لغة يكاد الروبوت لا يعرفها. كانت النتائج متذبذبة نوعاً ما. بالنسبة للغات التي تعرفها الروبوتات جيداً، كانت الترجمات جيدة. ولكن بالنسبة للعديد من لغات أفريقيا وأجزاء من آسيا، تعثرت الروبوتات تماماً. في بعض الحالات، انخفضت درجات الترجمة لدرجة أن المعنى ضاع تماماً تقريباً. كان الأمر كما لو أن الروبوت حاول ترجمة تحذير بشأن فيضان متزايد وانتهى به الأمر بالقول بوجود مطر خفيف. وجدت الدراسة اتجاهاً خطيراً بشكل خاص: كانت الروبوتات أفضل بكثير في قراءة اللغات المحلية والترجمة منها إلى الإنجليزية، مما أنها كانت أسوأ في أخذ التعليمات بالإنجليزية وترجمتها منها إلى اللغات المحلية. وهذا خطر حرج لأنه يعني أن الذكاء الاصطناعي قد يكون جيداً في فهم ما تقوله مجتمع محلي، ولكنه سيء جداً في إرسال تعليمات منقذة للحياة إليهم. وبينما كانت بعض النماذج متسقة، كانت نماذج أخرى غير متوقعة بشكل جامح؛ فقد يؤدي النموذج عملاً رائعاً للغة واحدة ويؤدي عملاً سيئاً للغاية للغة جارة، حتى لو كانت تنتمي إلى نفس "العائلة متعددة اللغات".
ثم تعمق الباحثون في مشكلة "الاستعجال". أنشأوا مجموعة خاصة من 100 سيناريو للأزمات، تتراوح من "غير عاجل" إلى "حرج"، وترجموها إلى 29 لغة. وسألوا خبراء بشريين والذكاء الاصطناعي لقراءة هذه التحذيرات المترجمة وتحديد مدى استعجالها. وهنا أصبح الأمر غريباً حقاً. كان البشر ثابتين وقويين؛ فمهما كانت اللغة التي قرؤوها، اتفقوا جميعاً على مدى خطورة الموقف. إذا قرأ إنسان تحذيراً بالإسبانية أو اليونانية أو الهندية، فسيقول الجميع: "هذا أمر حرج!".
لكن ماذا عن الذكاء الاصطناعي؟ كان الذكاء الاصطناعي مشتتاً تماماً. بالنسبة لنفس التحذير، قد يصنفه الذكاء الاصطناعي على أنه "حرج" بالإسبانية، و"متوسط" بالبنجالية، و"منخفض جداً" باليونانية، و"غير عاجل" بالهندية. كان الأمر أشبه بخاتم تغيير اللون (mood ring) يتغير لونه بناءً على اللغة التي يرتديها. لم يرتكب الذكاء الاصطناعي أخطاء صغيرة فحسب؛ بل تأرجح بجنون عبر المقياس بأكمله. الرسالة التي اتفق البشر على أنها حالة طوارئ حياة أو موت، صنفها الذكاء الاصطناح أحياناً على أنها شيء يمكن تجاهله.
يشير البحث إلى أن هذا ليس مجرد خلل بسيط؛ إنه خطر جسيم. وجد الباحثون أن قدرة الذكاء الاصطناعي على الحكم على الاستعجال تعتمد بشدة على اللغة التي يقرأها، وبالنسبة للعديد من اللغات ذات الموارد المحدودة، فإنه ببساطة لا يمكن الوثوق به لضبط النبرة الصحيحة. ويجادلون بأنه لا يمكننا مجرد توصيل أدوات الذكاء الاصطناعي العامة هذه بأنظمة الاستجابة للطواراء دون فحصها أولاً. فإذا اعتقد الروبوت أن أمر إخلاء حرج هو أمر "غير عاجل" لمجرد أنه مكتوب بلهجة محلية معينة، فقد يتعرض الناس للأذى.
باختختصار، تظهر الدراسة أنه على الرغم من أن هذه النماذج الآلية مثيرة للإعجاب، إلا أنها حالياً غير متسقة للغاية لتكون البطل الوحيد في الأزمات. قد تعمل جيداً لبعض اللغات، ولكن بالنسبة لآخرين، قد تفشل في فهم الفرق بين "تنبيه" وبين "اركض من أجل حياتك". ويخلص المؤلفون إلى أنه قبل أن نترك الذكاء الاصطناعي يتولى اتصالات الأزمات، نحتاج إلى اختباره بصرامة في اللغات والمواقف المحددة التي سيُستخدم فيها، ويجب أن نبقي الخبراء البشريين في قلب العملية لضمان عدم ضياع عنصر الاستعجال في الترجمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.