Context Window

تشير نافذة السياق إلى الحد الأقصى من بيانات الإدخال - مثل أحرف النصوص، أو مقاطع الصوت، أو إطارات الفيديو - التي يمكن لنموذج التعلم الآلي معالجتها ومراعاتها في وقت واحد أثناء التشغيل. في مجال الذكاء الاصطناعي (AI)، يشبه هذا المفهوم الذاكرة قصيرة المدى، حيث يحدد مقدار المعلومات التي يمكن للنظام "رؤيتها" أو استرجاعها في أي لحظة معينة. بالنسبة لنماذج معالجة اللغات الطبيعية (NLP) مثل Transformers، يتم قياس النافذة بالرموز (tokens)، مما يحدد طول سجل المحادثة الذي يمكن للذكاء الاصطناعي الاحتفاظ به. في رؤية الحاسوب (CV)، غالباً ما يكون السياق زمنياً أو مكانياً، مما يسمح للنموذج بفهم الحركة والاستمرارية عبر سلسلة من الصور.

Link to this sectionتطبيقات العالم الحقيقي#

تمتد الفائدة العملية لنافذة السياق إلى أبعد من مجرد التخزين المؤقت للبيانات، حيث تلعب دوراً محورياً في العديد من المجالات المتقدمة:

• الذكاء الاصطناعي التحادثي وروبوتات الدردشة: في بنية روبوتات الدردشة والمساعدين الافتراضيين الحديثة، تعمل نافذة السياق كمخزن مؤقت لسجل المحادثة. تسمح النافذة الأكبر للوكيل بتذكر تفاصيل محددة تم ذكرها سابقاً في حوار طويل، مما يمنع الإحباط الناتج عن الاضطرار إلى تكرار المعلومات.
• تتبع الكائنات في الفيديو: بالنسبة لمهام الرؤية، غالباً ما يكون السياق زمنياً. تحتاج خوارزميات تتبع الكائنات إلى تذكر موقع ومظهر الكيان عبر إطارات متعددة للحفاظ على هويته، خاصة أثناء حدوث حالات الحجب. تستفيد أحدث نماذج Ultralytics YOLO26 من المعالجة الفعالة للحفاظ على دقة عالية في مهام التتبع من خلال الاستفادة الفعالة من هذا السياق الزمني.
• تحليل السلاسل الزمنية المالية: تعتمد استراتيجيات الاستثمار غالباً على النمذجة التنبؤية التي تفحص بيانات السوق التاريخية. هنا، تحدد نافذة السياق عدد نقاط البيانات السابقة (مثل أسعار الأسهم على مدار الـ 30 يوماً الماضية) التي يأخذها النموذج في الاعتبار للتنبؤ بالاتجاهات المستقبلية، وهي تقنية مركزية في التمويل الكمي.

Link to this sectionالتمييز بين المفاهيم ذات الصلة#

لتنفيذ حلول الذكاء الاصطناعي بدقة، من المفيد التمييز بين نافذة السياق والمصطلحات المماثلة الموجودة في المسرد:

• نافذة السياق مقابل مجال الاستقبال: بينما يصف كلا المصطلحين نطاق بيانات الإدخال، فإن "مجال الاستقبال" خاص بـ الشبكات العصبية التلافيفية (CNNs) ويشير إلى المساحة المكانية للصورة التي تؤثر على خريطة سمات واحدة. في المقابل، تشير "نافذة السياق" عموماً إلى نطاق تسلسلي أو زمني في تدفقات البيانات.
• نافذة السياق مقابل الترميز (Tokenization): نافذة السياق هي حاوية ثابتة، بينما الترميز هو طريقة ملئها. يتم تقسيم النص أو البيانات إلى رموز، وتحدد كفاءة المرمز مقدار المعلومات الفعلية التي تتسع لها النافذة. يمكن لمرمزات الكلمات الفرعية الفعالة أن تضع المزيد من المعاني الدلالية في نفس حجم النافذة مقارنة بالطرق المعتمدة على مستوى الأحرف.
• نافذة السياق مقابل حجم الدفعة (Batch Size): يحدد حجم الدفعة عدد العينات المستقلة التي تتم معالجتها بالتوازي أثناء تدريب النموذج، بينما تحدد نافذة السياق طول أو حجم عينة واحدة على طول بُعدها التسلسلي.

Link to this sectionمثال: السياق الزمني في الرؤية#

بينما تتم مناقشة السياق غالباً في النصوص، إلا أنه حيوي لمهام الرؤية حيث يكون التاريخ مهماً. يستخدم مقتطف Python التالي حزمة ultralytics لتنفيذ تتبع الكائنات. هنا، يحتفظ النموذج "بسياق" لهويات الكائنات عبر إطارات الفيديو لضمان التعرف على سيارة تم اكتشافها في الإطار 1 على أنها نفس السيارة في الإطار 10.

from ultralytics import YOLO

# Load the YOLO26n model (latest generation)
model = YOLO("yolo26n.pt")

# Perform object tracking on a video file
# The tracker uses temporal context to preserve object IDs across frames
results = model.track(source="path/to/video.mp4", show=True)

Link to this sectionالتحديات والتوجهات المستقبلية#

تتضمن إدارة نوافذ السياق مقايضة مستمرة بين الأداء والموارد. يمكن أن تؤدي النافذة القصيرة جداً إلى "فقدان ذاكرة النموذج"، حيث يفقد الذكاء الاصطناعي مسار السرد أو مسار الكائن. ومع ذلك، فإن النوافذ الكبيرة بشكل مفرط تزيد من زمن انتقال الاستدلال واستهلاك الذاكرة، مما يجعل الاستدلال في الوقت الفعلي صعباً على أجهزة الذكاء الاصطناعي الحافي (Edge AI).

للتخفيف من ذلك، يستخدم المطورون استراتيجيات مثل التوليد المعزز بالاسترجاع (RAG)، والتي تسمح للنموذج بجلب المعلومات ذات الصلة من قاعدة بيانات متجهة خارجية بدلاً من الاحتفاظ بكل شيء في نافذة سياقه المباشرة. بالإضافة إلى ذلك، تساعد أدوات مثل منصة Ultralytics الفرق في إدارة مجموعات البيانات الضخمة ومراقبة أداء النشر لتحسين كيفية تعامل النماذج مع السياق في بيئات الإنتاج. تستمر أطر العمل مثل PyTorch في التطور، حيث تقدم دعماً أفضل لآليات الانتباه المتفرقة التي تسمح بنوافذ سياق ضخمة ذات تكاليف حسابية خطية بدلاً من التربيعية. وتستمر ابتكارات بنية النموذج، مثل تلك التي لوحظت في الانتقال إلى قدرات YOLO26 الشاملة، في تحسين كيفية معالجة السياق البصري لتحقيق أقصى قدر من الكفاءة.