في عالم الذكاء الاصطناعي، تعتبر نماذج التوقع الجماعي (Ensemble Forecasting) خطابًا متجددًا لتقدير التوزيع الشرطي للنتائج. ومع ذلك، فإن النتائج الحديثة تشير إلى أن هذه النماذج قد لا تقوم بالمهمة بشكل صحيح. وقد أظهرت دراسة تم نشرها على موقع arXiv، والتي تحمل الرقم 2608.08954v1، أن هناك حاجة ملحة لفهم مدى دقة هذه النماذج في توقع الأحداث بشكل جماعي.

قم الباحثون بتدريب نموذج تشتت لإجراء توقعات محتملة لمستويات البحار الساحلية على طول الساحل الشرقي للولايات المتحدة، وذلك باستخدام بيانات تم الحصول عليها من ثماني محطات قياس المد والجزر. وقد لاحظوا أن جودة التوقعات الفردية كانت إيجابية عبر جميع المحطات وأوقات التنبؤ، ولكن عندما يتعلق الأمر بالبنية المشتركة، كانت النتائج أسوأ من الاختيارات المناخية التقليدية.

تجارب أخرى، مثل تفكيك الترتيب بناءً على التحويلات، أظهرت عدم ظهور هذه الفجوة في النتيجة الطاقوية، ولكنها كانت ملحوظة عند استخدام مقياس التفاوت. على الصعيد الآخر، أظهرت تجارب Lorenz-96 أن الفجوة لا تختفي، بغض النظر عن حجم التدريب، وتمكنت النماذج الخطية البسيطة من تكرار هذا الفشل، مما يشير إلى عدم ملاءمة هيكل التوزيع المتعلم.

وبالرغم من ذلك، لم تُظهر مجموعة ديناميكية هذا الفشل، بينما أنموذجي الحاسوب المحدد (Deterministic Emulator) قد أظهر هذه النتيجة، مما يدل على أن المشكلة قد تكون مرتبطة أكثر بالنماذج المتعلمة بدلاً من التوقعات الجماعية بشكل عام.

في الختام، تبرز هذه الدراسة حاجة ملحة إلى مزيد من التحقيق حول كيفية تحسين نماذج الذكاء الاصطناعي لتحسين توقعاتها ومقاربتها للأداء الفعلي. هل هذا هو الوقت المناسب لإعادة النظر في كيفية تصميم وإعداد النماذج؟