في الآونة الأخيرة، حققت نماذج اللغات الضخمة (Large Language Models) تقدمًا ملحوظًا في مجال التنبؤ بالسلاسل الزمنية. ومع ذلك، لا تزال العديد من الطرق المعتمدة على هذه النماذج تعمل وفقًا لنموذج توليدي ثابت، حيث تقوم مباشرةً بتحويل الملاحظات التاريخية إلى قيم مستقبلية في عملية واحدة. وهذا يحد من قدرتها على استخراج الأنماط الزمنية المعقدة ويؤدي إلى تنبؤات أقل دقة.

للتغلب على هذه القيود، يقدم الباحثون في هذا العمل نظام CastFlow، وهو إطار ديناميكي لتحسين التنبؤات الزمنية يتيح استخراج الأنماط الزمنية من زوايا متعددة، واكتساب الميزات السياقية على مراحل، وتحسين التنبؤات بشكل تكراري، ودعم التنبؤات المتنوعة.

يتضمن CastFlow تنظيم عملية التنبؤ إلى مراحل التخطيط، والتنفيذ، والتنبؤ، والتفكير، مما يخلق سير عمل يدعمه لوحدة ذاكرة تحتفظ بخبرات سابقة وأدوات متعددة الزوايا تُستخدم لبناء أدلة تشخيصية وتوفير قاعدة موثوقة للتنبؤات. كما يتبنى CastFlow تصميمًا متخصصًا للأدوار، حيث يحتفظ نموذج لغوي مُجمد بالقدرة على التفكير العام، بينما يقوم نموذج لغوي مخصص تم تدريبه بشكل خاص بالتنبؤ الرقمي بناءً على قاعدة التنبؤ السابقة، مما يزيد من دقة النتائج.

كما تم تطوير عملية تدريب موجهة على مرحلتين، تجمع بين التعليم المراقب (Supervised Fine-Tuning) والتعلم المعزز مع مكافآت قابلة للتحقق (Reinforcement Learning with Verifiable Rewards) لتحسين نموذجه اللغوي المخصص.

لإثبات فعالية CastFlow، أُجريت تجارب شاملة على مجموعة متنوعة من البيانات، وأظهرت النتائج تفوقه على الأساليب التقليدية.

نتطلع جميعًا إلى رؤية كيف يمكن أن يمثل CastFlow خطوة جديدة نحو تنبؤات أكثر تكيفًا ودقة في عالم السلاسل الزمنية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!