Yapay zeka alanında görsel-dil modellerinin sürekli öğrenme yeteneğini geliştiren yeni bir yaklaşım bilim dünyasının dikkatini çekiyor. Araştırmacılar, bu modellerin yeni görevleri öğrenirken eski bilgilerini korumasını sağlayan Dynamic Prefix Weighting (DPW) sistemini geliştirdi.
Mevcut görsel-dil modelleri, yeni alanlardan gelen bilgileri öğrenmeye çalışırken 'felakete uğramış unutma' sorunu yaşıyor. Bu durum, modelin daha önce öğrendiği bilgileri kaybetmesine neden oluyor. Araştırmacılar bu sorunu çözmek için prefix-tuning ve adapter gibi parametre-verimli yöntemler kullanıyor, ancak bu yaklaşımlar tüm giriş verilerini eşit önemde görüyor.
Yeni geliştirilen DPW sistemi ise farklı bir anlayış sunuyor. Bu yaklaşım, her giriş verisinin farklı düzeyde ayarlama gerektirdiğini kabul ederek dinamik ağırlıklandırma yapıyor. Sistem iki ana bileşenden oluşuyor: giriş verilerinin önemine göre ağırlık ayarlayan bir kapı mekanizması ve prefix-tuning ağırlıklarının artığı olarak adapter çıktı ağırlıklarını türeten bir ağırlık sistemi.
Bu gelişme, görsel ve dilsel bilgileri birlikte işleyebilen AI sistemlerinin daha esnek ve etkili öğrenmesi için umut verici bir yol açıyor. Özellikle sürekli yeni veri akışıyla karşılaşan AI uygulamaları için önemli praktik değer taşıyor.