في عالم الذكاء الاصطناعي المتسارع، أصبحنا نشهد تقدمًا ملحوظًا في تقنيات التنبؤ بالأحداث. أظهرت دراسات جديدة أن النماذج القائمة على الأوتوماتا خفيفة الوزن (n-grams) تنافس بل وتتجاوز أداء النماذج العصبية المتقدمة مثل (LSTM) و(Transformer) في مهام التنبؤ بالأنشطة المستقبلية في سجلات الأحداث المتدفقة.

تتناول الأبحاث المقارنة بين النماذج الخفيفة والنماذج العصبية عبر تجارب متعددة على سجلات حقيقية ونماذج صناعية، حيث أظهرت النتائج أن النماذج البسيطة توفر دقة عالية مع استهلاك موارد أقل بكثير. تمتاز (n-grams) بثبات في الدقة بشكل يفوق النماذج العصبية التي قد تظهر أنماط أداء غير مستقرة.

وعلى الرغم من أن طرق التجميع التقليدية مثل التصويت (voting) قد تعزز أداء (n-grams)، إلا أنها تتطلب تشغيل العديد من الوكلاء بشكل متزامن أثناء تقديم الاستنتاجات، مما يزيد من استهلاك الذاكرة وزمن الاستجابة. ولذلك، تم اقتراح خوارزمية مبتكرة للتجميع تُعرف باسم (promotion algorithm)، التي تختار ديناميكيًا بين نموذجين نشطين أثناء الاستنتاج، مما يقلل من الأعباء مقارنةً بخطط التصويت التقليدية.

أثبتت التجارب على مجموعات بيانات حقيقية أن هذه الطريقة الجديدة في التجميع تحقق أو تتجاوز دقة نماذج الوسائط غير المزودة (non-windowed neural models) بتكلفة حسابية أقل.

تعتبر هذه الاكتشافات خطوة مهمة نحو تحسين كفاءة التنبؤ بالأحداث في التطبيقات الصناعية، مما يفتح آفاقًا جديدة للابتكار في مجال الذكاء الاصطناعي.