لغة السؤال تغير الإجابة.. ماذا يحدث داخل الذكاء الاصطناعي؟

قد يبدو أن طرح السؤال نفسه بالعربية والإنجليزية أو الفرنسية يجب أن يقود إلى الإجابة ذاتها، لكن نماذج الذكاء الاصطناعي متعددة اللغات لا تتعامل مع اللغات بالطريقة نفسها دائما، فقد يظهر الاختلاف في دقة المعلومات، أو اختيار المصطلحات، أو التفاصيل التي يستحضرها النموذج، بل وحتى في فهم السياق الثقافي للسؤال. ولكن لا يعني ذلك بالضرورة أن النموذج يفكر بلغة أفضل من أخرى، وإنما يرتبط بكيفية تدريبه وتمثيله للغات داخل بنيته.

تعتمد النماذج اللغوية الكبيرة على كميات ضخمة من النصوص خلال مرحلة التدريب، لكن هذه البيانات ليست موزعة بالتساوي بين اللغات، فالإنجليزية واللغات ذات الحضور الرقمي الكبير تمتلك عادة موارد نصية أكثر، بينما تعاني لغات أخرى من نقص في البيانات عالية الجودة.

وتشير دراسة منشورة في دورية ساينتفيك ريبورتس (Scientific Reports)، اختبرت قدرات 3 نماذج عبر 12 لغة، إلى أن أداء النماذج يختلف باختلاف اللغة، وأن حجم بيانات التدريب ومصدرها، إلى جانب المسافة اللغوية وطريقة تقسيم النصوص، كلها عوامل يمكن أن تؤثر في الأداء، والمثير أن الإنجليزية لم تكن دائما اللغة الأفضل أداء في الاختبارات، إذ تفوقت عليها بعض اللغات في مهام معينة.

وتدعم دراسات أخرى هذه الصورة، فقد وجدت دراسة بحثت أكثر من 250 لغة أن إضافة بيانات متعددة اللغات يمكن أن تحسن أداء اللغات منخفضة الموارد، لكن الفائدة تعتمد على حجم البيانات والتشابه اللغوي بين اللغات، كما أن التوسع المفرط في عدد اللغات قد يفرض قيودا على قدرات النموذج.

قبل أن يعالج النموذج السؤال، تُحوَّل الكلمات عادة إلى وحدات أصغر تُسمَّى الرموز أو التوكنات (Tokens)، وهذه العملية ليست متطابقة بين اللغات.

وأظهرت أبحاث حديثة أن اختيار أداة تقسيم النص إلى رموز يمكن أن يؤثر في أداء النموذج وتكلفة تدريبه، وأن استخدام أدوات مصممة بصورة تتمحور حول الإنجليزية قد يؤدي إلى تراجع كبير في الأداء عند التعامل مع لغات أخرى، بسبب عدم كفاءة تمثيل النص.