🤖 AI

Automatic Model Card Generation Using an LLM

تقدم هذه الورقة MCTidy وMCGenie، وهما نظامان يعتمدان على النماذج اللغوية الكبيرة لتوحيد بطاقات النماذج الحالية وتوليد بطاقات جديدة من بيانات المستودعات على التوالي، مما يثبت فعاليتهما في تحسين القابلية للتوسع والاتساق والشفافية في توثيق نماذج تعلم الآلة.

المؤلفون الأصليون: Tajkia Rahman Toma, Balreet Grewal, Cor-Paul Bezemer

نُشر 2026-08-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC0 1.0

المؤلفون الأصليون: Tajkia Rahman Toma, Balreet Grewal, Cor-Paul Bezemer

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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

في عالم الذكاء الاصطناعي الآخذ في التوسع السريع، تتخذ الآلات بشكل متزايد قرارات تؤثر على حياة البشر، من تشخيص الأمراض إلى الموافقة على القروض. ومع ازدياد قوة هذه الأنظمة، ظهرت حاجة ماسة لتوثيق واضح وصادق يشرح كيفية عملها، وما هي البيانات التي دربتها، وأين قد تخفق. هذا التوثيق، المعروف باسم "بطاقة النموذج" (model card)، يعمل بمثابة ملصق أو سيرة ذاتية لنموذج تعلم الآلة؛ إذ يهدف إلى إخبار المستخدمين بالضبط بما يتعاملون معه، مما يضمن الشفافية ويمنع سوء الاستخدام. ومع ذلك، في المشهد الحالي، غالبًا ما تكون هذه البطاقات مفقودة تمامًا، أو مكتوبة بأساليب غير متسقة، أو مدفونة في مصطلحات تقنية يصعب على القليلين فهمها. وبدون وجود طريقة معيارية لعرض هذه المعلومات، يصبح مقارنة النماذج المختلفة أو فهم قيودها مهمة صعبة ويدوية للمطورين والباحثين على حد سواء.

لقد عزم باحثان من جامعة ألبرتا، هما تجكيا رحمان توما وبالريت غروال، بالتعاون مع زميلهما كور-بول بيزيمر، على حل هذه المشكلة عبر تعليم الحواسيب كتابة هذه السير الذاتية بنفسها. وقد استخدموا نوعًا من البرامج الحاسوبية المتقدمة يُعرف باسم "النموذج اللغوي الكبير"، وهو قادر على قراءة كميات هائلة من النصوص وتوليد كتابة تشبه كتابة البشر. طور الفريق أداتين متميزتين للتعامل مع تحدي التوثيق؛ الأداة الأولى، التي أطلقوا عليها اسم MCTidy، صُممت لأخذ بطاقات النماذج الموجودة والمبعثرة وإعادة تنظيمها في تنسيق نظيف ومعياري. أما الأداة الثانية، المسماة MCGenie، فقد بُنيت للقيام بشيء أكثر طموحًا: إنشاء بطاقة نموذج من الصفر باستخدام الملفات الخام الموجودة في المستودع الرقمي للنموذج، مثل الكود البرمجي، وإعدادات التكوين، والأوراق الأكاديمية.

لاختبار هذه الأدوات، جمع الباحثون مجموعة من ثمانية وأربعين نموذجًا شهيرًا لتعلم الآلة من منصة رئيسية عبر الإنترنت تسمى "Hugging Face". قاموا أولاً بتغذية بطاقات النماذج الموجودة في MCTidy، مع توجيهها لفرز المعلومات في قالب محدد يغطي كل شيء بدءًا من مبتكري النموذج وصولًا إلى حدوده الأخلاقية. كانت النتائج فعالة بشكل مفاجئ؛ حيث تمكن النظام من الاحتفاظ بمعظم المعلومات الأصلية، محافظًا على حوالي 94% من التفاصيل الرئيسية دون فقدان المعنى. كما نجح في وضع المحتوى في الأقسام الصحيحة في كل مرة تقريبًا، مع وقوع نسبة ضئيلة جدًا من المعلومات في المكان الخاط. وبينما كان الحاسوب يخترع أحيانًا قدرًا صغيرًا من النص الإضافي أو يسيء تفسير عبارة ما، إلا أن هذه الأخطاء كانت نادرة وغالبًا ما حدثت في الأقسام التي تتطلب حكمًا ذاتيًا، مثل وصف من قد يستخدم النموذج أو ما هي المخاوف الأخلاقية القائمة. والأهم من ذلك، أنتجت الأداة نتائج متسقة؛ فإذا قام الباحثون بتشغيل المهمة نفسها عدة مرات، ظل الناتج متطابقًا تقريبًا، مما أثبت أن عملية إعادة التنظيم كانت مستقرة وموثوقة.

ركز الجزء الثاني من الدراسة على MCGenie، الذي حاول كتابة بطاقات نماذج للنماذج التي لا تملك أي توثيق على الإطلاق. تم منح النظام إمكانية الوصول إلى الملفات الرقمية للنموذج، بما في ذلك الأوراق الأكاديمية التي تصف كيفية بناء النموذج، وطُلب منه توليد سيرة ذاتية كاملة. كان الأداء هنا قويًا أيضًا؛ حيث كانت البطاقات المولدة متشابهة دلاليًا إلى حد كبير مع النسخ المكتوبة بشريًا، حيث التقطت الحقائق الجوهرية والبنية بدقة عالية. وكان أكثر من نصف البطاقات المولدة خاليًا تمامًا من الأخطاء الواقعية. وعندما وقعت أخطاء، كانت عادةً بسيطة، مثل عدم تطابق طفيف بين رقم في النص ورقم في الملف المصدر، أو تخمين نظري حول غرض النموذج لم يُذكر صراحة في المادة المصدرية. ووجد الباحثون أن جودة المخرجات تعتمد بشكل كبير على توافر نوع معين من المصادر: الورقة الأكاديمية. فعندما كانت الورقة متضمنة، كانت البطاقة المولدة غنية ومفصلة؛ وبدونها، كان النظام يعاني لملء السياق اللازم، تاركًا العديد من الأقسام فارغة أو غامضة.

تخلص الدراسة إلى أن هذه النهج المؤتمتة توفر مسارًا عمليًا لإدارة الانفجار في نماذج الذكاء الاصطناعي. فمن خلال استخدام النماذج اللغوية الكبيرة إما لتنظيم التوثيق الحالي أو لتوليد بطاقات جديدة من البيانات الخام، يمكن إنشاء سجلات معيارية وشفافة بمقياس لا يمكن للبشر إدارته بمفردهم. وبينما لا تُعد هذه الأدوات مثالية ولا تزال تستفيد من المراجعة البشرية النهائية، خاصة للتحقق من دقة أرقام معينة أو ادعاءات أخلاقية، إلا أنها تثبت أن العمل المضني للتوثيق يمكن أتمتته إلى حد كبير. ويمكن أن يؤدي هذا التحول إلى مستقبل يأتي فيه كل نموذج لتعلم الآلة مع دليل واضح ومتسق وسهل الوصول، مما يجعل التكنولوجيا أكثر أمانًا وفهمًا للجميع.

ملخص تقني: التوليد التلقائي لبطاقات النماذج باستخدام النماذج اللغوية الكبيرة (LLM)

أبحاث مشابهة