في تطور مذهل في عالم الذكاء الاصطناعي، تمكّن فريق من الباحثين من تطوير طريقة جديدة لرصد الشذوذ في البيانات الزمنية باستخدام نماذج لغات ضخمة (Large Language Models). الدراسة، المنشورة على منصة arXiv، تقدم رؤى جديدة حول كيفية النجاح في تعقب التغيرات الشاذة ضمن السلاسل الزمنية بشكل أكثر كفاءة.

تستند هذه التقنية إلى استخدام مجموعة صغيرة من الإحصاءات التي يتم استخراجها من نوافذ متحركة، حيث يتم تقييم كل نافذة باستخدام نموذج متين (MAD) يضمن دقة النتائج. من المثير للاهتمام أن الأسلوب المُتبع قد أظهر أداءً متفوقًا مقارنةً بأفضل النماذج التقليدية، متفوقاً على النتائج المقدمة من نماذج الشبكات العصبية عند مستوى $0.45$ والنماذج الإحصائية عند $0.44$.

لكن ليس هذا كل ما في الأمر، فالتجربة أظهرت أن تطوير مجموعة المرشحات يمكن أن يحسن الأداء بشكل كبير، حيث استهدفت الدراسة تأليفا خاصا لكل مجال عن طريق استدعاء نموذج LLM متعدد الجوانب، مما ساعد في إنشاء مجموعات مميزة من المؤشرات الكيميائية. أظهرت الاختبارات أن نتائج استخدام هذه المجموعات المُولّدة قد تعادل أو حتى تتفوق على تلك المجمعة يدويًا، مما يمهد الطريق لمستقبل يتسم بدقة أعلى في رصد التغيرات الطفيفة.