«أوفيس إمبيدينغ»: نموذج موحد لمتجهات التضمين ينهي تشتت الوسائط المتعددة

تتجه أبحاث تمثيل البيانات في الذكاء الاصطناعي نحو تجاوز معضلة هندسية طالما فرضت أعباء تشغيلية على نظم استرجاع المعلومات، وتتمثل في الاعتماد على نماذج مستقلة لكل نوع من البيانات. كشف فريق بحثي في ورقة علمية حديثة عن عائلة «أوفيس إمبيدينغ» (Ovis-Embedding)، التي تؤسس لمعمارية موحدة لإنتاج متجهات التضمين الشاملة عبر دمج النصوص والصور ومقاطع الفيديو والملفات الصوتية في فضاء تمثيل رقمي واحد، متخلية عن فكرة تجميع أبراج مستقلة لكل وسيط، ومستندة في عمودها الفقري إلى نموذج «كيوين أومني» (Qwen-omni) المدرب مسبقا بعد مواءمته عبر تدريب تبايني بتهيئة منخفضة الرتبة.

يقوم هذا التحول التقني على ثلاث ركائز تعيد بناء مسار تدريب المتجهات واستخراجها من الصفر. ترتكز الأولى على التهيئة الأصلية متعددة الوسائط بالاعتماد على العمود الفقري الموحد، فيما تكرس الركيزة الثانية لهندسة البيانات من خلال بناء قاعدة تدريب واسعة وعالية الجودة تشمل النصوص والصور والفيديو والتسجيلات الصوتية والبيانات التفاعلية المتداخلة، مع اعتماد آلية أخذ العينات المتجانسة لتكوين دفعات تدريبية متسقة مع المهمة تتضمن عينات سالبة مفيدة داخل كل دفعة لرفع كفاءة التعلم. أما الركيزة الثالثة، فتركز على تحسينات مخصصة لتدريب التضمين والاستدلال، باستخدام دالة الخسارة البؤرية للتركيز على الأمثلة الصعبة، وتقنية التقطير القائمة على التشابه لنقل الهياكل الدقيقة من نماذج خبيرة تكميلية، إلى جانب تفكيك السمات منخفض الرتبة أثناء الاستدلال لإنتاج متجهات مدمجة بأبعاد مرنة مع الحد من فقدان الكفاءة.

أظهرت نتائج التقييمات التجريبية تصدر عائلة النماذج وتحقيقها نتائج قياسية على خمس منصات اختبار مرجعية متخصصة، تضمنت نسختي تقييم التضمين متعدد الوسائط (MMEB-v2 وMMEB-v3)، ومؤشر تضمين الفيديو (MVEB)، ومؤشر تضمين الصوت (MAEB)، بالإضافة إلى مؤشر التضمين اللحظي (RTEB). تبرهن هذه الأرقام على جدوى التدريب الموحد في التغلب على تشتت الوسائط وتقديم نموذج استرجاع متكامل ينقل الاستعلامات من أي نمط إلى أي نمط آخر بكفاءة متكافئة.

تضع هذه النقلة التقنية فرقا هندسية كاملة في الخليج ومصر والشام أمام فرصة لإعادة هندسة قواعد بياناتها المتجهة وتقليل كلفة البنية التحتية. فالشركات والمؤسسات التي تبني أنظمة استرجاع مدعومة بالذكاء الاصطناعي أو محركات بحث داخلية تضطر عادة إلى تشغيل ثلاثة نماذج تضمين مختلفة لخدمة المستندات والتسجيلات والمحتوى المرئي، ما يضاعف كلفة الاستضافة وحجم فهارس التخزين في قواعد البيانات المتجهة. إن الانتقال إلى فضاء تمثيلي واحد يقلل تكلفة الحوسبة، ويوفر مرونة لتصغير أبعاد المتجهات بما يناسب متطلبات الذاكرة، ويفتح الباب أمام المطورين لبناء تطبيقات متقدمة تفهم استعلامات المستخدمين دون الحاجة إلى هندسة جسور معقدة بين أنظمة غير متجانسة.

خطوتك العملية اليوم هي التوقف عن فصل خطوط أنابيب الوسائط المتعددة داخل أنظمة الاسترجاع كأنها جزر برمجية معزولة. إن توحيد نماذج التضمين في فضاء رياضي مشترك يعني أن الأولوية لم تعد لتجميع نماذج متفرقة، بل لترتيب جودة البيانات وفهارس البحث المتجهة لتستوعب البحث المتبادل بين النصوص والوسائط في تجربة تقنية موحدة.