تعد عملية توليد بيانات التغيير (Change Data Synthesis) وسيلة فعالة من حيث التكلفة لتوسيع مجموعة بيانات التدريب وتعزيز أداء نماذج كشف التغيير. ومع ذلك، كانت الأساليب الحالية تعتمد غالبًا على قواعد يدوية لتقليد التغيرات، ما أدى إلى محدودية تغطية الانتقالات الطبقية وتقليص تنوع البيانات المولدة. هنا جاء إطار العمل الجديد **KnowChange** ليحدث تحولاً في هذا المجال.

يجمع هذا الإطار المبتكر بين محاكاة التغيير المدفوعة بالمعرفة ونماذج توليد عامة، مما يسمح بتوليد أنواع مختلفة من التغييرات ضمن إطار موحد. يعتمد **KnowChange** على نماذج رؤية-لغة مسبقة التدريب كمصادر للمعرفة، حيث يقوم بتفسير مواقع التغيير المحتملة وانتقالات الطبقات المطلوبة استنادًا إلى المشاهد قبل التغيير وأنواع التغيير المرغوب فيها.

تظهر التجارب الواسعة أن البيانات المولدة بواسطة **KnowChange** تتفوق بانتظام على مجموعات البيانات الاصطناعية الحالية، سواء في نقل البيانات من الاصطناعي إلى الحقيقي أو في تعزيز بيانات توليد الاصطناعي، على الرغم من كونها تم إنشاؤها بمقياس مضغوط.

علاوة على ذلك، تؤكد التحليلات الإضافية أن المحاكاة المدفوعة بالمعرفة يمكن دمجها بسلاسة في خطوط أنابيب التوليد الحالية، مما يعزز الفائدة النهائية للبيانات المولدة. إذا كنت مهتمًا بمستقبل تكنولوجيا كشافات التغيير، فإن هذا الابتكار سيكون نقطة تحول رئيسية في تطوير النماذج واستغلال البيانات بشكل أفضل.