الجامعات في أستراليا 
الجامعات في كندا 
الجامعات في ألمانيا 
الجامعات في ايرلندا 
الجامعات في الأردن 
الجامعات في نيوزلندا 
الجامعات في السعودية 
الجامعات في المملكة المتحدة 
الجامعات في الولايات المتحدة 
ملخص
لقد أظهرت أنظمة الذكاء الاصطناعي الحديثة، المدعومة بنماذج كبيرة مدربة مسبقًا، أداءً استثنائيًا عبر مجموعة متنوعة من التطبيقات، خاصة عند تدريبها ونشرها في ظروف قياسية. ومع ذلك، غالبًا ما تكون سيناريوهات العالم الحقيقي بعيدة عن المثالية، مما يمثل تحديات مثل اختلاف الإضاءة، والضوضاء البيئية، وتدهور أجهزة الاستشعار، وتغيرات المجال. أصبحت القدرة على تكييف النماذج المدربة مسبقًا للتشغيل القوي في مثل هذه الظروف غير القياسية أمرًا بالغ الأهمية بشكل متزايد، خاصة في مجالات مثل الأنظمة الذاتية والاستجابة للكوارث.
عادةً ما يتم تطوير النماذج المدربة مسبقًا باستخدام مجموعات البيانات التي تمثل الظروف القياسية، مما يحد من فعاليتها في البيئات غير القياسية. يعد التدريب المباشر لكل سيناريو محتمل أمرًا محظورًا من الناحية الحسابية، كما أن ندرة البيانات المصنفة في الظروف غير القياسية تؤدي إلى تفاقم هذه المشكلة. تسلط هذه القيود الضوء على الحاجة إلى أساليب مبتكرة لضبط النماذج المعدة مسبقًا أو تكييفها للحصول على أداء قوي في بيئات متنوعة ومليئة بالتحديات.
يهدف هذا المشروع إلى تطوير منهجيات متقدمة لتكييف النماذج المعدة مسبقًا للظروف غير القياسية، مع التركيز على استراتيجيات مثل الضبط الدقيق للبيانات المحدودة أو الضعيفة، والاستفادة من تكييف المجال ونقل التعلم لسد الفجوة بين مجموعات البيانات القياسية وسيناريوهات العالم الحقيقي، وتعزيز تمثيلات الميزات القوية لضمان الاستقرار في ظل الظروف البيئية والحسية المختلفة. بالإضافة إلى ذلك، فإنه يسعى إلى تقييم إمكانات أطر التعلم متعددة المهام للاستفادة من المهام الإضافية لتحقيق تكيف أكثر فعالية، مما يؤدي في النهاية إلى تمكين أنظمة الذكاء الاصطناعي من التعميم والأداء بشكل موثوق في تطبيقات العالم الحقيقي المتنوعة والصعبة.