EVIL: ثورة جديدة في تطوير خوارزميات تفسيرية لتوقع الأحداث باستخدام الذكاء الاصطناعي!

في عصر الذكاء الاصطناعي، تتجلى الابتكارات في مجالات عدة، وأحد أحدث هذه الابتكارات هو EVIL ( extbf{EV}olving extbf{I}nterpretable algorithms with extbf{L}LMs). يتيح هذا المنهج استخدام خوارزميات تحت إشراف نماذج اللغات الضخمة (Large Language Models) لاكتشاف خوارزميات بسيطة وقابلة للتفسير لديناميات الأنظمة.

بدلاً من الاعتماد على تدريب الشبكات العصبية على مجموعات بيانات ضخمة، يركز EVIL على تطوير برامج بسيطة بلغة Python وNumPy التي تتمكن من إجراء استنتاجات ضمنية في سياق البيانات دون الحاجة إلى تدريب مسبق. تم تطبيق هذه الطرق المبتكرة على ثلاثة مهام منفصلة، تشمل توقع الحدث التالي في العمليات الزمنية، وتقدير مصفوفة المعدلات لعمليات القفز ماركوف، وإعادة التحليل الزمني. في كل حالة، يتمكن خوارزم واحد متطور من التعميم عبر جميع مجموعات البيانات التقييمية دون الحاجة للتدريب لكل مجموعة، مشابهاً لنموذج استدلال موحد.

يمثل هذا البحث خطوة رائدة في استخدام تطور البرامج الموجه بالذكاء الاصطناعي لاكتشاف دالة استنتاجية واحدة لمشاكل الأنظمة الديناميكية. وعبر المجالات الثلاثة، أظهرت الخوارزميات المطورة أدائها التنافسي، بل وأحياناً تفوقت على النماذج العميقة الحديثة، بينما كانت أسرع بشكل ملحوظ، وتبقى قادرة على التفسير.

يمثل هذا التطور الأحدث نقطة تحول في كيفية تعاملنا مع النمذجة الزمنية والديناميكية، مما يشير إلى إمكانية جيّدة لاستخدام الذكاء الاصطناعي في تسريع وتحسين عمليات التحليل المعقدة.