تقترح شركة Apple Paper إلغاء تعلم الآلة بتكلفة أقل من خلال تخطي البيانات منخفضة التأثير

ماذا حدث

نشرت شركة Apple لأبحاث التعلم الآلي ورقة بحثية، مدرجة ضمن مجالات الخصوصية وعلوم البيانات والتعليقات التوضيحية، تقترح أن إلغاء التعلم الآلي يتخطى نقاط التدريب التي يكون تأثيرها المقاس على مخرجات النموذج ضئيلًا، والتي أفاد المؤلفون أنها تقلل من حساب التعلم الآلي بنسبة تصل إلى 50 بالمائة تقريبًا في الأمثلة الخاصة بهم.

نشرت Apple لأبحاث التعلم الآلي بحثًا بعنوان "عندما يكون التجاهل مجانيًا: الاستفادة من نقاط التأثير المنخفضة لتقليل التكاليف الحسابية"، يُنسب إلى أودي فيدر، وفيتالي فيلدمان، وروبرت فيشر، وأنات كليمان. تحفظ صفحة النشر العمل ضمن مجالين بحثيين، الخصوصية وعلوم البيانات والتعليقات التوضيحية، وتسميه ورقة بحثية. الموضوع هو محو تعلم الآلة: مشكلة إزالة تأثير أمثلة تدريب محددة من نموذج تم تدريبه بالفعل، عادةً لأن الشخص طلب حذف بياناته أو لأن التزام الخصوصية يتطلب ذلك. تشير الصفحة إلى أن كليمان تابع لجامعة هارفارد وأن العمل تم إنجازه أثناء وجوده في Apple.

الحجة المعلنة للورقة، كما تم تلخيصها في الملخص الموجود على موقع Apple، هي أن طرق محو التعلم الحالية تتعامل مع كل نقطة في "مجموعة النسيان" - مجموعة الأمثلة التي سيتم إزالتها - على نفس القدر من الأهمية، وأن هذا الافتراض هو إهدار. يقول المؤلفون إنهم قارنوا وظائف التأثير عبر مهام اللغة والرؤية. وظائف التأثير هي تقنية راسخة لتقدير مدى تغيير مثال التدريب الفردي لمعلمات النموذج أو تنبؤاته. وعلى أساس هذه المقارنة، حدد المؤلفون مجموعات فرعية من بيانات التدريب التي يكون تأثيرها على مخرجات النموذج ضئيلًا، واقترحوا إطارًا يعمل على تقليص مجموعة البيانات قبل تشغيل إجراء محو التعلم.

الرقم الرئيسي هو رقم الورقة: "توفيرات حسابية كبيرة (تصل إلى حوالي 50 بالمائة) في الأمثلة التجريبية من العالم الحقيقي." هذا الادعاء، والادعاء بأن المجموعات الفرعية ذات التأثير الضئيل يمكن تحديدها بشكل موثوق، يأتي من المؤلفين كما تم تلخيصه في صفحة Apple. لم يتم التحقق منها بشكل مستقل هنا. لا يذكر الملخص النماذج أو مجموعات البيانات أو خوارزميات التعلم الأساسية المستخدمة؛ ولا توضح كيفية تعريف التأثير "الضئيل" أو الحد الأدنى له؛ ولا يصف المقاييس المستخدمة للحكم على مدى نجاح عملية محو التعلم. تشير كلمة "مجاني" في العنوان إلى التكلفة الحسابية، وليس إلى أي مطالبة بشأن ضمانات الخصوصية.

العديد من التفاصيل غير معروفة ببساطة من المصدر. تحمل الصفحة شهر نشر أغسطس 2026، في حين أن إدخال القراءات ذات الصلة بنفس العنوان على نفس الصفحة مؤرخ في 17 يوليو 2026؛ الصفحة لا تشرح التاريخين. لا يوجد مؤشر واضح لمكان مراجعة النظراء أو قبول المؤتمر، ولا يوجد رابط للكود الذي تم إصداره، أو أوزان النماذج، أو عناصر التقييم على الصفحة، ولا يوجد بيان حول ما إذا كانت Apple تستخدم هذا النهج في أي منتج شحن أو مسار بيانات داخلي. ولا يتناول الملخص أيضًا التكلفة الحسابية لتقدير التأثير في المقام الأول، والتي تعد في حد ذاتها نفقات كبيرة بالنسبة للنماذج الكبيرة والتي يجب حسابها مقابل أي وفورات تم الإبلاغ عنها.

تفاصيل المصدر: machinelearning.apple.com ↗

لماذا يهم

يعد تلبية طلبات حذف البيانات على النماذج المدربة أمرًا مكلفًا، وتعيد الدراسة صياغة التخلص من التكلفة الموحدة لكل نقطة في مشكلة الفرز - لكن الفرز على أساس التأثير هو حجة تتعلق بالكفاءة، وليس ضمانًا قانونيًا أو أمنيًا راسخًا.

لقد أصبح حذف البيانات مشكلة هندسية تشغيلية وليس مشكلة قانونية بحتة. عندما يسحب المستخدم موافقته أو يمارس حق المحو، تكون إزالة الصفوف من قاعدة البيانات أمرًا مباشرًا؛ إزالة ما تم استيعابه من قبل نموذج مدرب من تلك الصفوف ليس كذلك. الخيار الذي يمكن الاعتماد عليه هو إعادة التدريب بدون البيانات، وهو أمر مكلف بدرجة كافية بحيث تميل المؤسسات إلى تجميعه في دورات إعادة تدريب دورية. تعد طرق التخلص من التعلم التقريبية بشيء أسرع، ولكن من الصعب التحقق منها. إن العمل الذي يخفض تكلفة العملية يؤثر بشكل مباشر على ما إذا كان من الممكن تلبية طلبات الحذف بشكل روتيني وسريع، أو ما إذا كانت تنتظر حتى تشغيل التدريب التالي.

يمكن القول إن الحركة المفاهيمية في هذه الورقة أكثر أهمية من رقم الكفاءة. إذا لم يترك مثال محدد أي أثر يمكن قياسه في سلوك النموذج، فقد لا يكون هناك ما يمكن التراجع عنه بالنسبة لهذا المثال. وهذا يحول التخلص من التكلفة الموحدة لكل نقطة إلى تمرين فرز: قم بالقياس أولاً، ثم قم بإجراء الحساب فقط حيث يمكن تغيير سلوك النموذج. بالنسبة للفرق التي تتعامل مع طلبات الحذف على مستوى الحجم، فإن التكلفة المتغيرة التي تتكيف مع مقدار البيانات المهمة فعليًا تمثل مشكلة تخطيط مختلفة عن التكلفة الثابتة التي تتوسع مع عدد الطلبات الواردة.

القيد المهم هو أن التزامات الخصوصية تتم كتابتها عمومًا حول الطلب، وليس حول التأثير المُقاس. لا يجوز للجهة التنظيمية أو الشخص المتضرر قبول عبارة "النموذج بالكاد تعلمه" كدليل على استيفاء التزام الحذف، خاصة وأن تقديرات التأثير هي تقديرات تقريبية من المعروف أن دقتها تختلف باختلاف النموذج، وإجراءات التدريب، وطريقة التقريب المستخدمة. تحدد هذه الورقة، بناءً على ملخصها، مساهمتها على أنها مدخرات حسابية؛ فهي لا تدعي أن تخطي النقاط ذات التأثير المنخفض يفي بأي قانون معين، ولا ينبغي قراءة هذه التغطية على أنها تقول ذلك.

هناك أيضًا بُعد أمني يتركه الملخص مفتوحًا. إذا تم تصنيف نقطة ما بشكل خاطئ على أنها منخفضة التأثير وتركت في مكانها، فإن السؤال العملي هو ما إذا كانت هذه النقطة تظل قابلة للاسترداد - من خلال استنتاج العضوية، الذي يختبر ما إذا كان هناك سجل معين في مجموعة التدريب، أو من خلال الاستخراج المباشر للنص المحفوظ. من المعروف أن الحفظ في النماذج الكبيرة يكون متفاوتًا، حيث غالبًا ما تكون السجلات النادرة أو البعيدة عن الذاكرة أكثر تعرضًا من السجلات النموذجية، وهي على وجه التحديد المجموعة السكانية التي من المرجح أن يكون تقدير التأثير فيها غير مؤكد. لا يذكر الملخص ما إذا كان المؤلفون قد قاموا بتقييم إطار عملهم ضد مثل هذه الهجمات، لذا فإن مقاومته لهم غير معروفة من هذا المصدر.

ماذا تشاهد بعد ذلك

ما إذا كانت الورقة البحثية الكاملة تشير إلى النماذج، ومجموعات البيانات، والعتبات، وتقييمات انتهاك الخصوصية وراء نسبة الـ 50%، وما إذا كانت تكلفة تأثير الحوسبة نفسها قد تم خصمها، وما إذا كانت الهيئات التنظيمية أو المختبرات الأخرى تقبل أو تعترض على فكرة إمكانية ترك نقاط التأثير المنخفض في مكانها.

أول شيء يجب البحث عنه هو الورقة الكاملة خلف الملخص. تشمل الأسئلة الرئيسية ما هي النماذج ومجموعات البيانات التي تم استخدامها، وما هي طرق محو التعلم الأساسية التي تم قياس المدخرات على أساسها، وما هو تقريب وظيفة التأثير الذي تم اختياره، وكيف تم تحديد عتبة التأثير "الضئيل"، وما إذا كان الرقم الذي يصل إلى 50 بالمائة يعكس حالة نموذجية أو أفضل حالة من بين الأمثلة التي تم اختبارها. ما إذا كان قد تم قبول العمل في مكان يراجعه النظراء، وما إذا كان قد تم إصدار الكود أو عناصر التقييم، سيحدد مدى سرعة الآخرين في التحقق من النتيجة.

ثانيًا، شاهد كيف يتم قياس جودة النسيان. تعد مقاييس تشابه المخرجات - التي توضح أن النموذج يتصرف كما لو أنه لم ير البيانات من قبل - دليلًا أضعف من التقييم العدائي باستخدام استنتاج العضوية، أو هجمات الاستخراج. ومن الجدير بالملاحظة أيضًا المحاسبة: ما إذا كانت المدخرات المبلغ عنها صافية من تكلفة تقديرات تأثير الحوسبة، وكيف تتزايد هذه التكلفة مع نمو النماذج ومجموعات النسيان. قد تبدو الطريقة التي توفر نصف حوسبة عدم التعلم ولكنها تتطلب تمريرة تأثير باهظة الثمن مختلفة على النطاق الحدودي عنها في الأمثلة الأصغر.

ثالثا، شاهد الاستقبال التنظيمي. ويثير الفرز على أساس التأثير سؤالاً لم تستقر عليه سلطات حماية البيانات في التوجيه العام: ما إذا كان بوسع المراقب أن يرفض تعديل النموذج على أساس أن مساهمة السجل كانت صغيرة بشكل لا يمكن قياسه. إن أي توجيه أو إجراء إنفاذ أو عمل معايير يتناول التزامات المحو للنماذج المدربة من شأنه أن يحدد ما إذا كان هذا النهج قابلاً للاستخدام في سير عمل الامتثال أو يظل أسلوبًا داخليًا للكفاءة.

وأخيرا، شاهد التبني والدحض. من شأن النسخ المتماثل المستقل على مختلف البنى وتوزيعات البيانات أن يحدد ما إذا كانت المجموعات الفرعية منخفضة التأثير شائعة ويمكن تحديدها بشكل عام، أو أنها قطعة أثرية من إعدادات معينة. إن محاولات كسر هذه الطريقة - بناء الحالات التي تبدو فيها نقطة ما ذات تأثير منخفض ومع ذلك تظل قابلة للاستخراج - ستكون مفيدة بنفس القدر. ولا يزال من غير المعروف ما إذا كانت Apple تنوي استخدام هذا في الإنتاج؛ لا تقدم صفحة النشر مثل هذا البيان، ولا ينبغي افتراض أي شيء.

الأدلة والاختبارات ذات الصلة