يُعد النسيان الكارثي ظاهرة تُلاحظ في الشبكات العصبية وأنظمة التعلم العميق، حيث يؤدي تعلم معلومات جديدة إلى فقدان مفاجئ أو شديد للمعرفة المكتسبة سابقًا. تظهر هذه المشكلة بشكل خاص أثناء التدريب التسلسلي على مهام متعددة: يقوم النموذج بتعديل معاييره لتحسين المهمة الجديدة على حساب الأداء في المهام السابقة. يميز النسيان الكارثي الذكاء الاصطناعي عن التعلم البشري، إذ يستطيع الإنسان تراكم المهارات دون فقدانها. وتكشف هذه الظاهرة عن تحدٍ أساسي للتعلم المستمر وللذكاء الاصطناعي التكيفي.
حالات الاستخدام وأمثلة التطبيق
تظهر مشكلة النسيان الكارثي عند تحديث النماذج على تدفقات بيانات غير مستقرة، أو عند التكيّف مع مجالات جديدة، أو خلال التعلم متعدد المهام. فعلى سبيل المثال، قد ينسى المساعد الصوتي المدرب على التعرف على لغات مختلفة اللغات السابقة عند تعلم لغة جديدة. كما يمكن أن تعاني أنظمة التوصية أو كشف الاحتيال من هذه الظاهرة عند تغير أنماط السلوك.
أهم الأدوات البرمجية والمكتبات والإطارات
تتيح أُطر العمل مثل PyTorch وTensorFlow، إلى جانب مكتبات متخصصة مثل Avalanche وContinuum وsequoia، تجربة استراتيجيات للحد من النسيان الكارثي. تدعم هذه الأدوات تطبيق تقنيات مثل Elastic Weight Consolidation (EWC) وLearning without Forgetting (LwF) والتنظيم القائم على الذاكرة.
آخر التطورات والاتجاهات
تركز الأبحاث الحديثة على تطوير هياكل تتيح التعلم المستمر فعليًا، مستوحاة من عمل الدماغ البشري. وهناك اهتمام متزايد بالأساليب الهجينة التي تجمع بين الذاكرة الخارجية والتنظيم الديناميكي والتعلم الانتقالي. كما تفتح التطورات في foundation models والمقاربات المعيارية آفاقًا جديدة للحد من النسيان الكارثي في البيئات الواقعية والمعقدة.