حتماً شنیدهاید که مدلهای هوش مصنوعی را میتوان فشردهسازی کرد یا از طریق تکنیکهایی مثل «Lottery Tickets» سبکتر کرد. اما یک تحقیق جدید نشان میدهد که این روشها همیشه در شرایط واقعی عملیاتی (Deployment) ایدهآل نیستند.
🔍 یافتههای کلیدی این پژوهش:
نکته مهم این است که اگرچه این مدلهای سبکشده (Sparse models) در معیارهای دقت ظاهری با مدلهای بزرگ و سنگین برابری میکنند، اما در رفتار عملیاتی، قابلیت اطمینان و پاسخدهی به دادههای خارج از توزیع (OOD) متفاوت عمل میکنند.
📉 نتیجهگیری:
جایگزینی مدلهای سنگین با نسخههای فشرده در محیطهای حساس، باعث تغییر ۷ تا ۱۰ درصدی در تصمیمات نهایی سیستم میشود که این یعنی نیاز به بازبینی و تنظیم مجدد منطقِ پاییندستی. بنابراین، صرفِ داشتن دقت مشابه، به معنای آماده بودن برای جایگزینی مستقیم در محیط عملیاتی نیست.
این مقاله زنگ خطری است برای مهندسانی که میخواهند مدلهای هوش مصنوعی را در زیرساختهای واقعی مستقر کنند.
منبع: arXiv Computer Vision