في عالم الذكاء الاصطناعي، يمثل دمج الأخبار في توقعات السلاسل الزمنية (Time Series Forecasting) خطوة ثورية. إذ يمكن للأخبار أن تكشف عن أحداث مفاجئة لا تغطيها القيم التاريخية. ومع ذلك، يواجه الباحثون تحديات عندما يتعلق الأمر باتباع نهج فعال، خاصة أن سلسلة الأخبار ذات الصلة غالبًا ما تتجاوز حدود سياق النموذج.

تقدم ورقة بحثية جديدة إطار عمل مبتكر يجمع بين دقة القياس للأخبار وأسلوب استرجاع مُوجَّه. أولاً، يتم تدريب نموذج تقدير الأهمية (Importance Reward Model) لتقدير فائدة كل مقال إخباري في توقعات المستقبل، مما يساعد على تخصيص ميزانيات الضغط خلال عملية الدمج التسلسلي للمحتوى.

ثانيًا، يتم تقديم نموذج المكافأة العملياتية (Process Reward Model - PRM)، الذي يهدف إلى تصنيف مجموعة من الأخبار التكميلية بناءً على ملف خطأ التوقعات الحالي وتاريخ المقالات المختارة مسبقًا. يهدف هذا النموذج إلى استبدال عملية الاسترجاع العشوائية بتحديد اختيارات ذات جودة عالية.

أظهرت التجارب في مجالات التمويل والطاقة وحركة المرور وتوقعات البتكوين أن هذه الطريقة الجديدة تحسن دقة التوقعات وتقليل عدد التكرارات اللازمة للتعديل، والبقاء فعالة حتى عند التعامل مع مقالات تغطي آلاف الرموز. هذا التطور يعد خطوة هامة نحو مستقبل أكثر دقة في توقعات البيانات.