في عصر الذكاء الاصطناعي المتطور، تظهر التقنيات المتجددة كمفتاح لزيادة فعالية نماذج التعلم الآلي، وفي صميم هذا الابتكار نجد تقنية "هندسة الميزات التطورية" (Evolutionary Feature Engineering - EFE).

تعد هذه التقنية إطاراً يستخدم نماذج اللغة الكبيرة (Large Language Models - LLMs) كعوامل بحثية مفتوحة في تحسين العمليات التطورية. من خلال تمثيل التحولات كبرامج بايثون بواجهة موحدة، يمكن إدخالها بسهولة في خطوط إنتاج التعلم الآلي الحالية.

تستند تقنية EFE إلى معالجة البيانات المنظمة وتعتمد على سياق مجموعة البيانات وإحصائيات الملخصات وأداء البيانات على مجموعة التقييم.

***التوقعات الزمنية بدقة عالية:***
في نمط العمل الأول، EFE-Time، يتم تطوير تطبيع قابل للعكس متخصص في مجموعة البيانات لتحسين نماذج التنبؤ الزمنية المستخدمة بالفعل. يتضح فعالية هذا النهج من خلال تقليل معدل الأخطاء في التوقعات بنسبة تزيد عن 3% في المتوسط عبر مجموعات البيانات. وإلى جانب ذلك، تم تحقيق تحسينات تصل إلى 19% على مجموعة بيانات الوفيات بسبب COVID-19.

***تنبؤات بيانية سلسة:***
أما في نمط العمل الثاني، EFE-Tab، يُركز هذا البرنامج على تطور البرامج الميزاتية المدمجة التي تضيف ميزات قابلة للتفهم وتحذف الميزات المتكررة. وأظهرت الدراسات أن EFE-Tab كان له تأثير خاص على شجرات اتخاذ القرار التقليدية، حيث أن مجموعات صغيرة من الميزات المطورة تحقق دقة تنافسية مع الحفاظ على القدرة على الفهم.

بشكل عام، يوضح EFE كيف يمكن أن تجعل التطورات المدعومة بنماذج اللغة الكبيرة تحسينات جذريّة في الدقة وإمكانية الفهم عند التعامل تلقائياً مع البيانات المنظمة.

هل أنتم معجبون بهذه التقنيات الثورية وكيف تعتقدون أنها ستغير وجه الذكاء الاصطناعي في المستقبل؟ شاركونا آراءكم في التعليقات!