في عالم الذكاء الاصطناعي، تُعد نماذج السلاسل الزمنية الأساسية (Time Series Foundation Models - TSFMs) أحد الأدوات الرائعة التي تسهم في تحسين عملية التنبؤ وفهم الأنماط الزمنية. ومع ذلك، كانت معظم قواعد البيانات المتاحة تركز على البيانات منخفضة التردد، مما يكبح جودة ودقة النماذج في معالجة البيانات عالية التردد.

لذلك، يسعدنا الإعلان عن تقديم قاعدة بيانات جديدة، تلتقط الظروف المرورية والبيانات اللاسلكية بدقة المللي ثانية من نشر فعلي لشبكات الجيل الخامس (5G). هذه القاعدة ليست مجرد إضافة بسيطة بل تمثل ثورة في تقديم المعلومات، حيث تتيح للمستخدمين إمكانية العمل مع بيانات عالية التردد لبدء التدريب على نماذج TSFM.

تفتح هذه القاعدة الجديدة آفاقاً جديدة في مجالات متنوعة، بدءًا من الطاقة وحتى التمويل، مما يساعد على تحسين قدرة النماذج في معالجة البيانات بشكل أكثر فعالية. كما أنها توفر حالات استخدام متعددة للتنبؤ القصير المدى، مع آفاق زمنية تمتد من مللي ثانية واحدة إلى 96 مللي ثانية.

عند إجراء اختبارات على نماذج تعلم الآلة التقليدية ونماذج TSFM باستخدام هذه القاعدة الجديدة، وجدنا أن معظم تكوينات نموذج TSFM قد قدمت أداءً ضعيفًا على توزيع البيانات الجديد، سواء في إعدادات الزيرو شوت (Zero-shot) أو الإعدادات المدربة جيدًا (Fine-tuned). هذا يبرز أهمية دمج قواعد البيانات عالية التردد في مرحلة البدء والتنبؤ لتحسين الهياكل واستراتيجيات التعديل، وزيادة قدرة النماذج على التعميم والموثوقية في التطبيقات العملية.

إذا كنت مهتمًا بتطورات الذكاء الاصطناعي وكيف يمكن أن تغير قواعد البيانات الجديدة الطريقة التي ندرب بها نماذج السلاسل الزمنية، فلا تتردد في مشاركتنا أفكارك في التعليقات!