في عالم البيانات المتزايد، يعد اكتشاف الشذوذ الزمني أحد التحديات البارزة. قامت الأبحاث الأخيرة بالتركيز على استخدام نماذج اللغات الضخمة (Large Language Models) للكشف عن هذه الشذوذات، إلا أن الأساليب التقليدية غالباً ما تعتمد على نموذج واحد عام، مما يحد من التحكم والموثوقية عند مواجهة أنماط معقدة من الشذوذ.

نقدم لكم SAGE (Specialized Analyzer Group for Expert-like Detection)، وهو إطار عمل ذا وكيل متعدد مصمم لتشخيص الشذوذات في السلاسل الزمنية الأحادية المتغير. يقوم SAGE بتفكيك تحليل الشذوذ إلى أربعة محللات متخصصة تتعامل مع الأنماط المختلفة مثل الشذوذ النقاطي، الهيكلي، الموسمي، والشذوذ النمطي.

كل محلل يستخدم أدوات رقمية محددة عائلية ومرئيات تشخيصية لتوليد الأدلة، بينما يعمل المحدد المعتمد على الأدلة على تجميع المعلومات في سجلات شذوذ موثوقة مع درجات ثقة وفترات زمنية محددة. بعد ذلك، يقوم المشرف بتحويل هذه السجلات المهيكلة إلى تقارير تشخيصية موجهة نحو المحللين، مما يسهل فهم النتائج.

علاوة على ذلك، يقوم SAGE بإنشاء أمثلة اصطناعية في سياق التدريب من المقاطع المرجعية الطبيعية، دون الحاجة إلى استخدام مقاطع شاذة حقيقية أو تسميات لنوع الشذوذ. تم اختبار هذا الإطار عبر ثلاثة معايير حيث أثبت SAGE أداءً متوسطًا هو الأفضل مقارنةً بأساليب التعلم الآلي (ML) والتعلم العميق (DL) الأخرى.

أظهرت الدراسات التخصيصية والتقييم البشري أن الإطار المطروح يحسن من موثوقية الكشف وفائدة المخرجات التشخيصية في الاستخدام العملي.

الابتكارات التي يقدمها هذا الإطار ليست مجرد خطوة للأمام في مجال اكتشاف الشذوذ، بل أيضًا تحسن من جودة التحليل المقدم للخبراء.