في عالم تكنولوجيا المعلومات، لا يمكن تجاهل دور الذكاء الاصطناعي (AI) في إحداث ثورة حقيقية في كيفية تقديم التوصيات للمستخدمين. تتجه الأبحاث الحديثة نحو تقنيات جديدة تسعى لفهم العلاقات الزمنية بين العناصر المختلفة في تجارب المستخدمين. في هذا السياق، تم تقديم إطار عمل جديد يُعرف باسم تشفير الزمن المفصول (Decoupled Temporal Encoding - DTE) الذي يُعتبر تطورًا محوريًا في تسهيل جهود توصيات الذكاء الاصطناعي.

يُشكّل تشفير الزمن العنصر الأساسي في نماذج التوصية التي تعتمد على المعالجات القائمة على الشبكات العصبية المعروفة باسم Transformers، حيث تُعتبر تواريخ المستخدمين بمثابة تسلسلات متكررة من العناصر. معظم الطرق الحالية لإجراء هذا التشفير تعتمد على معالجة اللغة الطبيعية، ولكنها غالبًا ما تتجاهل الديناميكيات الزمنية التي شكلت العلاقات بين العناصر.

نستند في بحثنا إلى نظم توصيل الطعام والتجارة الفورية الواقعية، حيث تُظهر سلوكيات المستخدمين أن هناك تقلبات زمنية متعددة، مثل تأثيرات القرب، وذروة أوقات الوجبات، وتباين النشاط بين أيام الأسبوع وعطلات نهاية الأسبوع.

يمكن القول إن التقنيات الحالية تحاول معالجة هذه التحديات من خلال ميزات التوقيت أو الخصائص الزمنية، لكنها عادةً ما تجمع بين إشارات زمنية غير متجانسة عبر تمثيل موحد أو مسار نمذجة واحد، مما يجعل من الصعب التمييز بين الديناميكيات الزمنية الواسعة والأدلة المحلية على الترتيب.

بفضل DTE، يتم الفصل بين الديناميكيات الزمنية ومعلومات الترتيب من خلال وحدتين تعاونية: وحدة زمنية ماكرو-شخصية تُدخل المبادئ الزمنية المتناسقة في شفرات العناصر، ووحدة زمنية ميكرو-متسلسلة تُقدم انحياز الترتيب النسبي فقط عندما تكون التفاعلات كثيفة زمنياً. تجعل هذه التقنية الجديدة من المضمون الاقتصادي والمعماري لنماذج الذكاء الاصطناعي أكثر كفاءة وسهولة في الدمج مع الأنظمة الحالية.

إنها لحظة مثيرة في مجال الذكاء الاصطناعي، حيث تُعيد هذه الأبحاث توجيه استراتيجيات التوصية نحو آفاق جديدة مستدامة.