شهدت السنوات الأخيرة تقدماً ملحوظاً في نماذج الرؤية واللغة (Vision-Language Models) والتي أثبتت كفاءتها في العديد من المهام. ومع ذلك، أظهرت الأبحاث السابقة قصوراً ملحوظاً عند استخدامها للكشف عن الأنماط الشاذة في البيانات التسلسلية. عادةً ما توفر معايير الكشف عن الانحرافات العامة ملاحظات زمنية ولكن تفتقر إلى تفسيرات باللغة الطبيعية، مما يجعل من الصعب تحسين هذه النماذج لتوليد قرارات مستندة ومفيدة.

لملء هذا الفجوة، قام الباحثون ببناء مجموعة بيانات جديدة تُدعى VisAnomBench، وهي مجموعة معايير مُنسقة تم إنشاؤها من مجموعات بيانات السلاسل الزمنية العامة وتم تعزيزها بشرح عالٍ الجودة للانحرافات مستندة إلى نماذج VLM الكبيرة عبر مكافآت مصممة بشكل دقيق ومحدد.

عبر تحسين الأداء على هذه المجموعة، تم تطوير نموذج VisAnomReasoner، الذي يُعتبر نموذج VLM فعال من حيث الموارد لاكتشاف الانحرافات في السلاسل الزمنية. أظهرت النتائج التجريبية على VisAnomBench أن VisAnomReasoner يحقق دقة أكبر في تحديد الانحرافات متفوقاً باستمرار على جميع المعايير السابقة، مع تحسينات تصل إلى 21.23 و23.87 نقطة مئوية في الدقة وF1، على التوالي.

علاوة على ذلك، أظهرت التجارب الإضافية على معيار TSB-AD-U قوة في التعميم عبر المعايير المختلفة، حيث حقق VisAnomReasoner تحسيناً في الدقة وF1 بنسبة 9.57 و13.39 نقطة مئوية، مما يعزز من كفاءته كنموذج موثوق في مجالات متعددة.

إذاً، كيف يمكن أن يؤثر استخدام نماذج الرؤية واللغة في مجالات جديدة؟ شاركونا آرائكم في التعليقات!