Enhancing Law-Enforcement Audio Transcription: A LoRA-Based Adaptation of Whisper for BWC Footage

تخيل أنك تحاول الاستماع إلى محادثة في منتصف حفلة روك صاخبة، ولكن بدلاً من الموسيقى، الضجيج عبارة عن صفارات إنذار، وصراخ، وحوادث سيارات. الآن، تخيل أن لديك روبوتًا فائق الذكاء تدرب من خلال قراءة ملايين الكتب والاستماع إلى آلاف البودكست الواضحة. هذا الروبوت بارع في فهم الأصوات الهادئة في الغرف الهادئة، ولكن عندما تعطيه تسجيلاً من تلك الحفلة الصاخبة، يصاب بالارتباك. قد يسمع "stop the car" (توقف عن قيادة السيارة) على أنها "stop the jar" (توقف عن الجرة)، أو قد يفقد تماماً كلمة سرية يستخدمها رجال الشرطة. هذا هو عالم التعرف التلقائي على الكلام (ASR): التقنية التي تحول الكلمات المنطوقة إلى نص. وبينما يزداد ذكاء هذه الروبوتات يوماً بعد يوم، إلا أنها غالباً ما تعاني عندما تكون البيئة فوضوية أو عندما يستخدم الناس لغة عامية خاصة لم يسمعها الروبوت من قبل. هذه مشكلة كبيرة لأقسام الشرطة، التي تسجل آلاف الساعات من لقطات الكاميرات المثبتة على الجسم كل يوم. إذا لم يتمكنوا من تحويل ذلك الصوت بسرعة إلى نص مقروء، فالأمر يشبه امتلاك مكتبة من الكتب حيث لا يستطيع أحد قراءة كلماتها، مما يجعل من المستحيل العثور على أدلة مهمة أو مراجعة كيفية تفاعل الضباط مع الجمهور.

تحكي هذه الورقة البحثية قصة فريق من الباحثين الذين حاولوا حل هذه المشكلة باستخدام خدعة ذكية تسمى التكيف منخفض الرتبة (LoRA). فبدلاً من محاولة إعادة تعليم الروبوت فائق الذكاء من الصفر — وهو أمر سيستغرق وقتاً طويلاً ويتطلب حاسوباً ضخماً — قرروا إعطاء الروبوت "ورقة غش" صغيرة ومتخصصة. لقد أخذوا نموذج ذكاء اصطناعي شهير يسمى Whisper، وهو جيد جداً بالفعل في فهم الكلام، وقاموا بتعديل جزء ضئيل جداً من دماغه (0.3% فقط من أجزائه الإجمالية) للتركيز خصيصاً على الأصوات الصاخبة والفوضوية للعمل الشرطي.

وجد الباحثون أن هذا التعديل الصغير حقق نتائج مذهلة. فمن خلال تدريب النموذج على 53 فيديو حقيقياً من كاميرات مثبتة على الجسم، تمكنوا من خفض عدد الأخطاء التي يرتكبها الذكاء الاصطناعي بنسبة تقارب 40%. في الواقع، كان نهج "ورقة الغش" الخاص بهم أفضل بكثير من الروبوت غير المدرب ومن النسخة التي تمت إعادة تدريبها بالكامل من الأساس. واكتشفوا أن أصغر نسخة من ورقة الغش هذه (رتبة "rank" قدرها 8) كانت الحجم المثالي: كانت كبيرة بما يكفي لتعلم الرموز الشرطية المعقدة والضوضاء العالية، ولكنها صغيرة بما يكفي لتجنب الارتباك بسبب الفوضى. ومع ذلك، وجدوا أيضاً أن جعل ورقة الغش أكبر لم يساعد؛ بل في الواقع، جعل الروبوت أسوأ قليلاً، مما يشير إلى أنه في بعض الأحيان، القليل هو الأكثر.

المشكلة: روبوت في وسط إعصار

لفهم سبب أهمية هذا البحث، تخيل كاميرا مثبتة على جسم ضابط شرطة كأنها مراسل شجاع وصغير. إنها تلتقط كل شيء: صوت الضابط، وصوت المشتبه به، وصرير الإطارات، وعويل صفارات الإنذار، وهدير الحشود. بالنسبة للإنسان، الاستماع إلى هذا صعب ولكنه ممكن. أما بالنسبة لروبوت التعرف على الكلام القياسي، فهو كابوس.

عادة ما يتم تدريب هذه الروبات على بيانات "نظيفة" — فكر في بث إخباري واضح أو محادثات هادئة في مكتبة. لم يقضوا الكثير من الوقت في تعلم كيف يبدو صوت راديو الشرطة عندما يتخلله التشويش، أو كيف يبدو معنى كلمة "Mirandize" (إبلاغ الحقوق) عندما تُصرخ فوق صوت حادث سيارة. عندما يسمع الروبوت هذه الأصوات الغريبة، فإنه يحاول تخمين ماهيتها بناءً على ما يعرفه. قد يسمع "10-52" (رمز شرطي) ويخمن أنها "ten fifty-two"، أو يسمع "Expedite" (تعجيل) ويخمن أنها "expect it" (توقع ذلك). هذا ما يسمى بـ حاجز خارج المفردات (OOV). الروبوت يحاول وضع وتد مربع في ثقب مستدير، والنتيجة هي نص يبدو كأنه كلام غير مفهوم.

بالنسبة لأقسام الشرطة، هذا يمثل عقبة كبيرة. لديهم بيتابايت (وهي كمية هائلة من البيانات!) من لقطات الفيديو. إذا أرادوا العثور على لحظة مدتها 10 ثوانٍ استخدم فيها ضابط تكتيكاً معيناً، فعليهم حالياً توظيف بشر للاستماع إلى ساعات من الصوت. هذا بطيء، ومكلف، ومستحيل التوسع. إنهم بحاجة إلى روبوت يمكنه الاستماع إلى الفوضى وفهمها فوراً.

الحل: نهج "ورقة الغش"

سأل الباحثون سؤالاً بسيطاً: هل نحتاج إلى إعادة بناء دماغ الروبوت بالكامل لتعليمه العمل الشرطي، أم يمكننا فقط إعطاؤه ترقية صغيرة ومتخصصة؟

اختاروا نموذجاً يسمى Whisper، وهو يشبه طالباً موهوباً قرأ كل شيء تقريباً على الإنترنت. وبدلاً من جعل هذا الطالب ينسى كل ما يعرفه ويبدأ من جديد (وهو ما يسمى "الضبط الدقيق الكامل" وهو مكلف جداً)، استخدموا تقنية LoRA (التكيف منخفض الرتبة).

فكر في نموذج الذكاء الاصطناعي كآلة ضخمة ومعقدة تحتوي على مليارات التروس. لتعليمه شيئاً جديداً، عليك عادةً ضبط كل ترس منها. وهذا يستغرق الكثير من الوقت والطاقة. LoRA تشبه وضع قطعة صغيرة قابلة للتعديل بين ترسين محددين. أنت لا تلمس بقية الآلة؛ بل تضيف فقط هذه القطعة الصغيرة المرنة التي تغير كيفية تفاعل هذين الترسين.

في هذه الدراسة، أضاف الباحثون هذه "القطع" فقط إلى الأجزاء التي تقرر الكلمات التي يجب التركيز عليها (طبقات "الاستعلام" و"القيمة"). لقد دربوا هذه القطع على مجموعة صغيرة مكونة من 53 فيديو من الكاميرات المثبتة على الجسم. وظل بقية الروبوت ثابتاً، محافظاً على جميع معرفته الأصلية.

ما وجدوه: القليل هو الأكثر

كانت النتائج فعالة بشكل مفاجئ. اختبر الباحثون ثلاثة أحجام مختلفة لهذه "القطع" (تسمى رتب: 8، 16، و32) وقارنوها بالروبوت بدون أي تدريب (zero-shot) وبالروبوت الذي تمت إعادة تدريبه بالكامل.

إليكم ما اكتشفوه:

1. الترقية الصغيرة فازت: كانت أصغر قطعة (رتبة 8) هي البطلة. فقد قللت معدل الخطأ بنسبة 39.7% مقارنة بالروبوت غير المدرب. هذا يعني أن الروبوت ارتكب أخطاء أقل بكناً، حيث حدد الكلمات بشكل صحيح مثل "North Ammon Road" بدلاً من التخمين بـ "Am south".
2. الأكبر ليس الأفضل: عندما جربوا قطعاً أكبر (رتب 16 و32)، تراجع الأداء قليلاً. بدأ الروبوت يصاب بالارتباك بسبب الضوضي، وكأنه "يفرط في التخصيص" (overfitting) للفوضى. كان الأمر أشبه بمحاولة حفظ كل شق في الرصيف بدلاً من تعلم النمط العام للطريق. يشير الباحثون إلى أنه بالنسبة لهذه البيئة الصاخبة، فإن التعديل الأصغر والأكثر تركيزاً هو الخيار الأمثل.
3. الكفاءة: قام النموذج الفائز بتحديث 294,912 معلمة فقط. قارن ذلك بـ 99,148,800 معلمة مطلوبة لإعادة التدريب الكامل. لقد حققوا تحسناً هائلاً مع تغيير أقل من 0.3% من دماغ النموذج. هذا فوز كبير في توفير المال وقوة الحاسوب.

الحدود والمستقبل

كان الباحثون حذرين في ملاحظة أن هذا ليس عصا سحرية تصلح كل شيء. فقد وجدوا أن الروبوت لا يزال يعاني في المشاهد الأكثر فوضوية، مثل حوادث السيارات المعقدة، حيث ارتفع معدل الخطأ بشكل كبير. إنه يعمل بشكل أفضل في التفاعلات الروتينية، مثل عمليات التوقف المروري.

كما أشاروا إلى أنه بينما تعد طريقتهم خطوة كبيرة للأمام، إلا أنهم لا يفهمون تماماً لماذا فشلت القطع الأكبر بعد. من الممكن أن تكون الضوضاء في فيديوهات الكاميرات المثبتة على الجسم فوضوية للغاية بحيث لا تستطيع قطعة كبيرة ومعقدة التعامل معها دون ارتباك.

لماذا يهم هذا الأمر

يظهر هذا البحث أننا لسنا بحاجة إلى إعادة اختراع العجلة لحل المشكلات الصعبة. من خلال استخدام تعديل ذكي وفعال (LoRA)، يمكننا أخذ أداة قوية عامة الغرض وجعلها متخصصة لوظيفة محددة للغاية وصاخبة. بالنسبة لإنفاذ القانون، يعني هذا أن آلاف الساعات من لقطات الفيديو المخزنة يمكن أخيراً تحويلها إلى نص قابل للبحث. يمكن أن يساعد ذلك الأقسام في مراجعة التفاعلات لضمان العدالة، والعثيد على الأدلة بشكل أسرع، وضمان المساءلة دون الحاجة إلى جيش من المستمعين البشر.

تخلص الورقة البحثية إلى أنه على الرغم من أن المهمة لم تنتهِ بعد — خاصة فيما يتعلق بالسيناريوهات الأكثر ضجيجاً — إلا أن المسار نحو المستقبل واضح: التغييرات الصغيرة والمستهدفة يمكن أن تحقق تحسينات هائلة، مما يسد الفجوة بين روبوت يسمع الكلمات وروبوت يفهم فوضى العالم الحقيقي.