Towards Efficient Multimodal and Multilingual Opinion Extraction for STI: A QLoRA-Based Fine-Tuning Approach
تقترح هذه الورقة إطار عمل للضبط الدقيق يعتمد على تقنية QLoRA باستخدام نموذج VideoLLaMA2.1 لتعزيز استخراج الآراء متعدد الوسائط ومتعدد اللغات لاستخبارات العلوم والتكنولوجيا، محققةً مكاسب أداء كبيرة مقارنة بنماذج القياس المرجعي للتعلم الصفري، مع دمج وحدة نظر التوقع الضبابي لتقييم القيمة في المهام اللاحقة.
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 أنك تحاول العثور على الجملة الأكثر أهمية في مكتبة لا تتوقف عن النمو، حيث تُكتب الكتب بعشرات اللغات المختلفة، وبعضها في الواقع عبارة عن أفلام أو ألبومات صور بدلاً من النصوص. هذا هو عالم استخبارات العلوم والتكنولوجيا (STI). إن مهمة الخبراء هي مسح هذا الفيض الهائل والفوضوي من المعلومات للعثور على "الآراء الجوهرية" — الرؤى الحقيقية والمثيرة للاهتمام حول الاختراعات الجديدة أو ردود الفعل العامة التي تهم حقاً. ولكن إليك المشكلة: أجهزة الكمبيوتر التي نستخدمها عادةً لقراءة هذه الأشياء تشبه السياح الذين يتحدثون القليل من لغة السكان المحليين لكنهم يرتبكون بسهء. قد يقرأون فيلماً كاملاً ويخبرونك عن حالة الطقس في الخارج بدلاً من الحبكة، أو قد يضيعون عندما تتحول القصة من الإنجليزية إلى الروسية. إنهم بارعون في القراءة، لكنهم سيئون جداً في التركيز على ما هو مهم حقاً.
ولإصلاح ذلك، يعلم الباحثون أجهزة الكمبيوتر هذه كيف تصبح محققين أفضل. إنهم يستخدمون تقنية تسمى الضبط الدقيق (fine-tuning)، وهي تشبه أخذ طالب ذكي ولكنه مشتت الذهن وإعطاءه مجموعة محددة من الاختبارات التدريبية ليتعلم بالضبط ما الذي يجب أن يبحث عنه. كما يستخدمون التعلم متعدد الوسائط (multimodal)، مما يعني أن الكمبيوتر لا يقرأ الكلمات فحسب؛ بل ينظر إلى الصور ومقاطع الفيديو أيضاً، مستخدماً إياها كدلاء (أدلة) لفهم النص بشكل أفضل. السؤال الكبير هو: هل يمكننا تعليم الكمبيوتر تجاهل الضجيج، وفهم لغات عديدة، واستخراج الرأي الأكثر أهمية من مزيج فوضوي من النصوص والصور والفيديو، كل ذلك دون الحاجة إلى كمبيوتر خارق بحجم منزل؟
تتحدث هذه الورقة البحثية عن بناء محقق فائق الذكاء ومركز لهذا الدور تحديداً. لقد أنشأ المؤلفون "معسكراً تدريبياً" جديداً (مجموعة بيانات) يحتوي على 2,194 مثالاً من الأخبار ومنشورات وسائل التواصل الاجتماعي بأربع لغات: الإنجليزية، والصينية، والإسبانية، والروسية. لم تكن هذه الأمثلة نصوصاً فقط؛ بل كانت مختلطة بالصور ومقاطع الفيديو، تماماً كما في الحياة الواقعية. ثم أخذوا نموذج ذكاء اصطناعي قوياً يسمى VideoLLaMA2.1 وأعطوه تمريناً خاصاً وفعالاً باستخدام طريقة تسمى QLoRA. فكر في QLoRA كوسيلة لتعليم النموذج مهارة جديدة دون الحاجة إلى إعادة كتابة دماغه بالكامل، مما يوفر قدراً هائلاً من الطاقة وقوة الكمبيوتر.
كانت النتائج مثيرة للحماس. قبل هذا التدريب، كان الذكاء الاصطناعي يشبه سائحاً مرتبكاً. فعندما يُطلب منه إيجاد الرأي الرئيسي باللغة الإسبانية أو الروسية، كان يكاد لا يصيب في أي منها (بنسبة تقل عن 5% في بعض الاختبارات). ولكن بعد تمرين QLoRA، أصبح الذكاء الاصطناعي متخصصاً حاد الذكاء. بدأ في إيجاد الآراء الجوهرية باللغتين الإسبانية والروسية بدقة أعلى بكتمثير، حيث قفز من الصفر تقريباً إلى أكثر من 50% في بعض الحالات. تمكن أفضل إصدار من نظامهم من اختيار الرأي الصحيح حوالي 51% من الوقت (درجة F1 تبلغ 51.14%) مع كونه واثقاً جداً مما اختاره (دقة تبلغ 64.98%).
وجدت الورقة البحثية أيضاً أن إعطاء الذكاء الاصطناعي صورة واحدة مفيدة لينظر إليها أثناء قراءة النص كان يعمل بشكل أفضل من تغذيته بالفيديو بأكمله أو بمجرد النص وحده. الأمر يشبه إعطاء محقق صورة واحدة واضحة للمشتبه به بدلاً من شريط أمني ضبابي يدوم لساعات.
ومع ذلك، فإن المؤلفين حذرون من القول بأنهم "حلوا" كل شيء. فهم يعترفون بأنه عندما يكون النص مليئاً بآراء عديدة مختلفة في آن واحد، فإن الذكال الاصطناعي لا يزال أحياناً يفتقد لبعضها أو يلتقط تفصيلاً ليس هو النقطة الرئيسية. إنه لا يزال يتعلم كيفية التعامل مع الجمل الأكثر ازدحاماً وتعقيداً.
ولجعل النظام أكثر فائدة، أضاف المؤلفون خطوة "تقييم" نهائية. فبمجرد أن يجد الذكاء الاصطناعي رأياً ما، تستخدم وحدة خاصة خدعة رياضية تسمى نظرية التوقعات التراكمية الضبابية (Fuzzy Cumulative Prospect Theory) لمنحه "تصنيف نجوم" من 2 إلى 5 نجوم. يساعد هذا المحللين البشريين في تحديد الآراء التي تعتبر "أولوية" (5 نجوم) وتتطلب اهتماماً فورياً، والتي تعتبر مجرد "خلفية" (نجمتان).
باختاً، تظهر هذه الورقة البحثية أنه من خلال استخدام طريقة تدريب ذكية وفعالة وخلط النصوص مع الأدلة البصرية، يمكننا تعليم الذكاء الاصطناعي كيفية اختراق الضجيج في تدفقات المعلومات العالمية والعثور على القصص الحقيقية، حتى في اللغات التي كان يعاني منها سابقاً. ليس الأمر مثالياً بعد، لكنه خطوة كبيرة نحو فهم عالمنا متعدد الوسائط والمزدحم بالمعلومات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.