في عالم الذكاء الاصطناعي وتحليل البيانات، تُعتبر توقعات الأنشطة المستقبلية جزءًا حيويًا من مراقبة العمليات. هدف هذه الدراسات هو تحسين القدرة على التكهن بمختلف جوانب العمليات الجارية، ومن بينها توقع النشاط التالي، الذي يعد من أكثر المهام التي تم التحقيق فيها بشكل موسع. لكن، على الرغم من التطورات الحديثة، فإن عددًا محدودًا من المنهجيات الحالية يقوم بالتشفير الصريح للمعلومات السياقية، التي تمثل الظروف البيئية التي يتم فيها تنفيذ العملية، وغالبًا ما يتم نمذجتها عبر سمات سجلات الأحداث أو مقاييس مجمعة.

في ورقة بحثية جديدة، تم تقديم طريقة مبتكرة تعتمد على مفهوم **Instance Graphs**. تهدف هذه الطريقة إلى دمج حالات العمليات السياقية من خلال عدة استراتيجيات تشفير مقترحة. لقد تم تقييم هذه الاستراتيجيات عن طريق قياس تأثيرها على أداء التوقعات. لكل استراتيجية تشفير، تم إنتاج مجموعة من **prefix-Instance Graphs** والتي تم استخدامها لاحقًا كمدخلات لشبكة عصبية رسومية (**Graph Neural Network**) لأغراض التصنيف.

تم اختبار الطريقة المقترحة على عدة سجلات أحداث من الحياة الواقعية، وأظهرت النتائج التجريبية أن دمج حالات العمليات السياقية يُعزز من أداء التوقعات. هذه النتائج تسلط الضوء على أهمية استخدام المعلومات السياقية في عملية التنبؤ، مما يؤدي إلى تحسينات ملحوظة في دقة التوقعات.

في ظل هذا التطور، يتطلع الباحثون إلى تطبيقات أوسع للمعلومات السياقية في مجالات متعددة، مما يعكس كيف يستطيع الذكاء الاصطناعي إعادة تشكيل الطريقة التي نفهم بها العمليات من حولنا. ما هي توقعاتكم حول مستقبل توقع الأنشطة باستخدام الذكاء الاصطناعي؟ شاركونا في التعليقات!