اكتشاف الشذوذ في البيانات الزمنية: كيف يغير ASTER قواعد اللعبة!

تعتبر عملية اكتشاف الشذوذ في البيانات الزمنية (Time-Series Anomaly Detection - TSAD) من التحديات الأساسية في مجالات متعددة مثل الرعاية الصحية (Healthcare) والأمن السيبراني (Cybersecurity) والمراقبة الصناعية. تواجه هذه العملية صعوبات بسبب ندرة الشذوذ وتنوعها، إضافة إلى نقص البيانات المصنفة. في ظل هذه التحديات، أصبح الاعتماد على الأساليب غير المراقبة هو الأكثر شيوعاً، لكنّ الطرق الحالية تستند إلى عمليات إعادة بناء أو توقعات، الأمر الذي يجعلها تواجه صعوبات عند التعامل مع البيانات المعقدة.

لهذا السبب، تم اقتراح نظام ASTER كإطار عمل يتيح توليد الشذوذ الزائف مباشرة في الفضاء الكامن، مما يتجنب الحاجة إلى حقن الشذوذ اليدوية أو الخبرة المعمقة في المجال. يعتمد ASTER على مُحوّل (Transformer) مُدرّب مسبقاً، حيث يقوم مُفكك الفضاء الكامن بإنتاج شذوذ زائف مصمم خصيصاً لتدريب مُصنف الشذوذ. وبالإضافة إلى ذلك، تقوم نماذج اللغة الكبيرة (Large Language Models - LLM) بإثراء التمثيلات الزمنية والسياقية لهذا الفضاء.

تظهر التجارب على ثلاثة مجموعات بيانات مرجعية أن ASTER يحقق أداءً رائداً في مجاله ويضع معياراً جديداً لطرق اكتشاف الشذوذ بالاعتماد على نماذج اللغة الكبيرة. فهل سينجح ASTER في تغيير قواعد اللعبة في عالم البيانات الزمنية؟