الذكاء الاصطناعي القابل للنسيان (Machine Unlearning): هل يمكن جعل النموذج ينسى بياناتك دون تدريبه من الصفر؟

 الذكاء الاصطناعي القابل للنسيان (Machine Unlearning): هل يمكن جعل النموذج ينسى بياناتك دون تدريبه من الصفر؟

كلما ازداد اعتمادنا على الذكاء الاصطناعي، ظهرت مشكلة جديدة لا تتعلق بما يستطيع النموذج تعلّمه، بل بما إذا كان يستطيع نسيانه.

تخيلي أن بيانات معينة استُخدمت أثناء تدريب نموذج ذكاء اصطناعي، ثم أصبح من الضروري حذف تأثير هذه البيانات لاحقًا. حذف الملف الأصلي من قاعدة البيانات لا يعني بالضرورة أن النموذج لم يعد متأثرًا بما تعلّمه منه.

وهنا تظهر تقنية Machine Unlearning أو إزالة التعلّم الآلي.

ما المقصود بإزالة التعلّم الآلي؟

هي مجموعة من التقنيات التي تهدف إلى جعل نموذج الذكاء الاصطناعي يتخلص من تأثير بيانات محددة سبق استخدامها في تدريبه، مع محاولة تجنب إعادة تدريب النموذج بالكامل من البداية.

والفكرة تبدو بسيطة، لكن تنفيذها معقد جدًا؛ لأن النموذج لا يخزن المعلومات بالطريقة نفسها التي نخزن بها ملفًا داخل مجلد يمكن حذفه بضغطة زر.

أثناء التدريب تتوزع آثار البيانات على عدد هائل من معاملات النموذج، وقد تتداخل المعلومات المستفادة من عينة واحدة مع آلاف أو ملايين العينات الأخرى.

لماذا أصبح Machine Unlearning مهمًا؟

هناك عدة أسباب تجعل هذه التقنية مهمة لمستقبل الذكاء الاصطناعي، أبرزها الخصوصية.

فقد يرغب شخص أو مؤسسة في إزالة بيانات سبق استخدامها في تدريب نظام معين. كما قد تُكتشف لاحقًا بيانات خاطئة أو غير مرغوب فيها ويصبح من الأفضل إزالة تأثيرها من النموذج.

وهناك أيضًا جانب أمني؛ فإذا تم اكتشاف أن جزءًا من بيانات التدريب كان ضارًا أو تم التلاعب به، فقد نحتاج إلى إزالة تأثيره دون بناء النموذج كاملًا من جديد.

لماذا لا نحذف البيانات ببساطة؟

لنفترض أن لدينا نموذجًا تم تدريبه على ملايين المستندات.

بعد انتهاء التدريب يمكن حذف مستند من قاعدة البيانات، لكن المعرفة التي استخلصها النموذج منه ربما أصبحت بالفعل جزءًا من أنماطه الداخلية.

الأمر يشبه إلى حد ما قراءة كتاب ثم التخلص منه؛ اختفاء الكتاب لا يعني اختفاء ما تعلمته منه.

لهذا تحاول تقنيات إزالة التعلّم معالجة النموذج نفسه وليس مصدر البيانات فقط.

كيف يمكن جعل الذكاء الاصطناعي ينسى؟

هناك أكثر من اتجاه بحثي لتحقيق ذلك.

بعض الأساليب تعدّل معاملات النموذج بحيث تقلل أثر بيانات معينة، بينما تستخدم أساليب أخرى طرقًا تجعل التدريب من البداية أكثر قابلية لإزالة أجزاء منه لاحقًا.

وهناك أيضًا تقنيات تقريبية تحاول الوصول إلى نموذج يتصرف كما لو أن البيانات المطلوب حذفها لم تدخل عملية التدريب أصلًا.

والتحدي هنا هو تحقيق ذلك دون الإضرار ببقية قدرات النموذج.

كيف نعرف أن النموذج نسي فعلًا؟

هذه واحدة من أصعب المشكلات.

لا يكفي أن نسأل النموذج عن معلومة معينة ويجيب بأنه لا يعرفها، فقد يكون قد احتفظ بأثرها بطريقة أخرى.

لذلك يحتاج الباحثون إلى اختبارات تقارن النموذج بعد إزالة البيانات بنموذج كان سيُدرَّب من البداية دون تلك البيانات، إلى جانب تقييم ما إذا كان من الممكن استنتاج استمرار تأثير المعلومات المحذوفة.

ما الفرق بين Machine Unlearning وRAG؟

هذا مهم خصوصًا لأن لديك بالفعل موضوعًا عن RAG.

في أنظمة RAG تكون المعلومات الخارجية موجودة في مصادر أو قواعد معرفة يسترجع منها النظام عند الحاجة، ولذلك يمكن في كثير من الحالات حذف مستند من مصدر المعرفة.

أما Machine Unlearning فيتعامل مع مشكلة أصعب: ماذا لو كانت البيانات قد دخلت بالفعل في تدريب النموذج وأثرت في معاملاته؟

لذلك فالموضوعان مختلفان جذريًا.

هل سيصبح زر «اجعل الذكاء الاصطناعي ينساني» حقيقة؟

ربما يكون هذا أحد الاتجاهات المهمة مستقبلًا، لكن التقنية لم تصل بعد إلى حل سحري يمكنه ضمان حذف أي معلومة من أي نموذج بضغطة واحدة.

خصوصًا مع النماذج الضخمة، يصبح إثبات أن أثر البيانات قد أزيل بالكامل تحديًا تقنيًا كبيرًا.

لكن نجاح تقنيات Machine Unlearning قد يغيّر طريقة بناء أنظمة الذكاء الاصطناعي، بحيث لا نسأل فقط:

كيف نجعل النموذج يتعلم أكثر؟

بل أيضًا:

كيف نجعله ينسى ما لم يعد من المفترض أن يعرفه؟