في عالم الذكاء الاصطناعي، أثبتت نماذج اللغة الكبيرة (Large Language Models) كفاءتها في مجموعة متنوعة من التطبيقات، ومن بينها توقعات السلاسل الزمنية. لكن هناك تحدٍ رئيسي يواجه هذه النماذج، حيث تعتمد الطرق التقليدية بشكل كبير على المقدمات النصية لتحقيق توافق بين الأنماط، مما يؤدي إلى تحميل غير ضروري على النظام ويتجاهل الديناميات الطيفية الغنية في بيانات السلاسل الزمنية.

للتغلب على هذه التحديات، جاءت FM-LLM (Frequency-Enhanced Mixture-of-Experts) كإطار عمل مبتكر للتكيف مع توقعات السلاسل الزمنية، من خلال تقديم نماذج ذاتية التنظيم تستند إلى اقتران غير متماثل مقيد. يعتمد هذا النظام على شبكة تحليل فورييه (Fourier Analysis Network) التي تعمل على إدخال تمثيلات هارمونية منظمة مباشرةً في نماذج اللغة الكبيرة المحفوظة.

كما أن نظام فك الشفرة القائم على مزيج من الخبراء (Mixture-of-Experts) يقوم بفصل الأدوار، حيث تُستخدم خبراء مشتركون مع طبقات FAN الخفيفة لإعادة بناء الهيكل الدوري العالمي، بينما يُخصص الآخرون لنمذجة الديناميات غير الدورية.

تسهم وظيفة الخسارة الهجينة في الزمن والتردد في تحسين الدقة الزمنية والاتساق الطيفي، مما يقلل من تراكم الأخطاء خلال التوقعات طويلة المدى.

تم تقييم FM-LLM عبر 11 معيارًا عامًا، حيث حققت أداءً متفوقًا في 59 من بين 78 مقياس تقييم تم استخدامه. وبالمقارنة مع أقوى نماذج اللغة الكبيرة القائمة على الأنماط، أظهرت تحسينات متوسطة بلغت 5.3% في متوسط الخطأ التربيعي (MSE) و5.6% في متوسط الخطأ المطلق (MAE)، مع وصول التحسينات القصوى إلى 8.0% و8.4% على التوالي.

علاوة على ذلك، أثبت FM-LLM قدرته العالية على النقل، حيث حافظ على أداء متفوق في سيناريوهات التوقعات القليلة والصفية (few-shot & zero-shot). هذا الابتكار يبشر بمستقبل جديد في مجال توقع السلاسل الزمنية، حيث يمكن للذكاء الاصطناعي تجاوز العقبات التقليدية والاستفادة من البيانات بشكل أكثر كفاءة.

ما هو رأيكم في هذا التطور الثوري؟ هل تتوقعون أن تتغير طرق توقع السلاسل الزمنية بشكل كبير في المستقبل؟ شاركونا آراءكم في التعليقات!