في عصر الذكاء الاصطناعي المتسارع، تبرز الحاجة إلى أنظمة قادرة على تقديم تحذيرات استباقية في الخدمات الذكية على الحافة. ولتلبية هذه الحاجة، تم تطوير كوج غارد (CogGuard)، إطار عمل يهدف إلى تقدير ما إذا كان بإمكان موضوع معين إتمام مهمة قادمة بنجاح، مع مراعاة قيود صارمة حول الوقت والخصوصية.

تقوم هذه التقنية بالاعتماد على وجود سمات ثابتة طويلة الأمد، بالإضافة إلى حالات ديناميكية قصيرة الأمد، مستمدة من سجلات التفاعل التاريخي. ومع أن النماذج اللغوية الكبيرة (Large Language Models) توفر أداءً متميزًا في معالجة البيانات الطويلة، إلا أن الحلول الموجودة تواجه تحديين رئيسيين في نشرها على الحافة:

1. غالبية طرق بناء الملفات الشخصية تكون محددة بالمجال، مما يجعل من الصعب إعادة استخدامها عبر سيناريوهات الخدمة المختلفة.
2. يتسبب التوافق الدقيق للنماذج على مجموعات الحافة غير المتجانسة في زيادة عبء العمل بسبب اختلاف أطوال تسلسلات المدخلات.

لمعالجة هذه التحديات، يقدم كوج غارد نهجًا جديدًا يفصل بين بناء الملفات الشخصية باستخدام نماذج اللغة الكبيرة (LLM) عبر الإنترنت وتوقع الدرجات باستخدام نماذج اللغة الصغيرة (Small Language Model) من خلال أنبوب مشترك.

تتضمن هذه المنظومة أساليب بناء ملفات شخصية محددة بالسياق، مما يؤدي إلى تقليل زمن البناء بنسبة تصل إلى 48%، بينما تحافظ على دقة التنبؤ عبر تنفيذ استراتيجيات تحسينية متعددة.

تظهر التجارب على مجموعة البيانات التعليمية والعمليات أن كوج غارد يُحقق تقليلاً في زمن التكوين الموزع بنسبة 19%، مع تحقيق قيم خطأ متوسطة تصل إلى 13.4 و5.9، على التوالي، في مهام التحذير ذات مقياس مكون من مئة نقطة. في أكبر بيئة تعليمية، يُظهر كوج غارد تقليلًا في خطأ التنبؤ بنسبة 15.4% مقارنةً بالنموذج الأقوى.

يؤكد هذا الابتكار أهمية التقنيات المستندة إلى الذكاء الاصطناعي في تحسين الخدمات الذكية، مما يسهم في تقديم حلول أكثر كفاءة وموثوقية.