OliveGemma: A 3 Billion Visual Language Model for Recognising the Mediterranean & European Diet

تخيل عالماً يمكن فيه لهاتفك أن ينظر إلى صورة غدائك ويعرف فوراً ما أكلته بالضبط، وصولاً إلى الأعشاب المحددة في الصلصة. هذه ليست مجرد خدعة ممتعة للحفلات؛ بل هي ثورة محتملة في كيفية تتبعنا لصحتنا. لعقود من الزمن، حاول العلماء تعليم الحواسيب التعرف على الطعام، لكنها مهمة فوضوية للغاية. فكر في الأمر كأنك تحاول فرز كومة من التوائم المتطابقين تماماً: بيتزا بجبنة إضافية تبدو تقريباً مثل واحدة بجبنة أقل، و"السلطة اليونانية" في بلد ما قد تبدو مختلفة تماماً عن "السلطة اليونانية" في بلد آخر. البرامج الحاسوبية التقليدية، التي تشبه متبعي القواعد الصارمين، غالباً ما ترتبك بسبب هذه الاختلافات الطفيفة. ومع ذلك، فإن نوعاً جديداً من التكنولوجيا يسمى "نموذج الرؤية واللغة" (VLM) يغير قواعد اللعبة. فبدلاً من مجرد حفظ الصور، تعمل هذه النماذج كطلاب أذكياء جداً قرأوا ملايين الكتب حول الطعام وألقوا نظرة على ملايين الصور. يمكنهم فهم أن هذا الطبق هو "بيتزا" ليس فقط بسبب الشكل الدائري، ولكن لأنهم يفهمون مفهوم العجين والجبن وصلصة الطماطم وهي تعمل معاً. تغوص هذه الورقة البحثية في ما إذا كان بإمكاننا تعليم أحد هؤلاء الطلاب الأذكياء ليصبح خبيراً عالمياً في المطبخ المتوسطي والأوروبي دون الحاجة إلى حاسوب خارق بحجم منزل.

إليك OliveGemma، وهو خبير متخصص جديد للتعرف على الطعام ابتكره باحثون في جامعة يوانينا. يمكنك التفكير في OliveGemma كدماغ صغير وفائق الكفاءة مبني فوق أساس ضخم مفتوح المصدر يسمى PaliGemma-2-3B. بينما يمتلك الدماغ الأصلي حوالي 3 مليارات "عصبون" (بارامتر)، لم يرغب الباحثون في إعادة تدريب الشيء بأكło—فهذا يشبه محاولة إعادة كتابة موسوعة كاملة فقط لتحديث وصفة اللازانيا. بدلاً من ذلك، استخدموا حيلة ذكية تسمى LoRA (التكيف منخفض الرتبة). تخيل أن الدماغ الكبير عبارة عن مكتبة ضخمة، وLoRA هي دفتر ملاحظات صغير لاصق يقوم الباحثون بإلحاقه بالأرفف. هم يكتبون ملاحظات جديدة فقط على هذا الدفتر، ليعلموا المكتبة كيفية التعرف على أطباق محددة مثل "السلطة اليونانية" أو "التيراميسو" دون تغيير الكتب الأصلية.

درب الفريق هذا "الدماغ ذو الملاحظات اللاصقة" على مجموعة ضخمة مكونة من 17,340 صورة للأطعمة المتوسطية والأوروبية، والتي قاموا بتنظيفها وتنظيمها في 216 فئة محددة. لم يكتفوا بسؤاله "ما هذا؟"؛ بل علموه كيف يستنتج. سألوه أسئلة مثل: "ما هي المكونات المحتمل وجودها في هذا؟" و"ما هي الأدلة البصرية التي تخبرك أن هذه بيتزا وليست خبزاً مسطحاً؟". والنتيجة هي نموذج صغير وخفيف الوزن بشكل لا يصدق—حجمه حوالي 90 ميجابايت فقط. هذا الحجم صغير جداً لدرجة أنه يمكن تشغيله على جهاز كمبيوتر عادي بمعالج قياسي وذاكرة وصول عشوائي (RAM) بسعة 16 جيجابايت، مما يعني أنه لا يحتاج إلى إرسال صور طعامك إلى خادم سحابي ضخم ليعمل. وهذا أمر بالغ الأهمية للخصوصية، خاصة في المستشفيات حيث يجب أن تظل بيانات المرضى آمنة.

عندما وضع الباحثون OliveGemma تحت الاختبار، كانت النتائج قوية بشكل مفاجئ. في منافسة مباشرة ضد أفضل برامج التعرف على الصور التقليدية (المسماة CNNs)، فاز OliveGemma، محققاً معدل دقة بنسبة 92.96% في تحديد الطبق الصحيح. وهذا يمثل تحسناً بنسبة 7.31% عن أقوى منافس تقليدي. لكن المفاجأة الحقيقية جاءت عندما قارنوا OliveGemma بـ "عمالقة" عالم الذكاء الاصطناعي: النماذج الضخمة والمملوكة لشركات جوجل (Gemini)، وOpenAI (GPT)، وAnthropic (Claude). على الرغم من أن تلك العمالقة أكبر بكثير وقد رأت الإنترنت بأكمله، إلا أنها واجهت صعوبة عند مطالبتها بالاختيار من نفس القائمة المحددة المكونة من 216 طبقاً. تفوق عليهم OliveGemma بفارق هائل، حيث تفوق على أفضلهم بنسبة 18% وببعضهم بنسبة تصل إلى 64%.

تشير الورقة إلى أن هذا يحدث لأن النماذج العملاقة عامة جداً؛ فهي مثل الأطباء العامين الذين يعرفون القليل عن كل شيء ولكنهم ليسوا خبراء في مجال واحد محدد. في المقابل، OliveGemma هو متخصص. لقد تم ضبطه بدقة ليفهم الاختلافات الدقيقة بين الأطباق المتوسطية المتشابهة. علاوة على ذلك، لم يكتفِ OliveGemma بتخمين اسم الطبق؛ بل كان بإمكانه أيضاً سرد المكونات المحتملة بدقة عالية، حيث أصاب القائمة الدقيقة بنسبة 90.79% من الوقت. كان بإمكانه إخبارك أن "التيراميسو" يحتوي على الماسكاربوني وإسفنج مشبع بالقهوة، وحتى تخمين المكونات المخفية مثل صفار البيض ونبيذ مارسالا، حتى لو لم تكن تراها في الصورة.

يلاحظ المؤلفون بحذر أنه على الرغم من أن هذه خطوة مهمة، إلا أنها ليست عصا سحرية تحل كل مشاكل الطعام. النموذج حالياً محدود بالـ 216 طبقاً أوروبياً ومتوسطياً التي تدرب عليها؛ ولن يعرف كيفية التعرف على نوع معين من المعكرونة من وسط آسيا. ومع ذلك، تشير الدراسة بقوة إلى أنك لست بحاجة إلى حاسوب خارق بمليارات الدولارات يعتمد على السحابة للحصول على نتائج رفيعة المستوى. فباستخدام نموذج صغير مفتوح المصدر وتعليمه بالطريقة الصحيحة باستخدام بضعة ملايين من البارامترات، يمكن للباحثين إنشاء أدوات ليست أكثر دقة فحسب، بل هي أيضاً خاصة، وقابلة للتكرار، ومتاحة لأي شخص يمتلك جهاز كمبيوتر عادياً. يثبت OliveGemma أنه في بعض الأحيان، يتفوق المتخصص الصغير والمتدرب جيداً على العملاق العام في كل مرة.