ربط آخر ميل في توقعات السلاسل الزمنية باستخدام وكلاء النماذج اللغوية الكبيرة

تعتبر توقعات السلاسل الزمنية (Time Series Forecasting) من المجالات التي شهدت تطوراً سريعاً، خاصةً مع ظهور النماذج الأساسية (Foundation Models) التي حققت أداءً متميزاً في التوقعات الرقمية دون الحاجة للتدريب المسبق. ومع ذلك، في البيئات الحقيقية، لا تُعد النماذج الاحصائية المبنية على البيانات السكانية كافية لتكون الأساس النهائي الذي يعتمد عليه في اتخاذ القرار.

فتوقعات اليوم غالباً ما تحتاج إلى مراجعة شاملة باستخدام سياقات تجارية ضعيفة الهيكلة، مثل تأثيرات العطلات، وخطط الحملات، والأحداث الخارجية، والتجارب التاريخية، والملاحظات من الخبراء. لذلك، يعتبر هذا الجانب العملي أقل استكشافًا في أدبيات توقعات السلاسل الزمنية.

تقدم ورقة بحثية جديدة مفهوم "مسألة التوقعات في آخر ميل" (Last-Mile Forecasting)، حيث تم تقديم إطار عمل جديد لوكلاء النماذج اللغوية الكبيرة (LLM-Agent Framework) يتكامل مع نظام التوقعات الحالي. يتيح هذا النظام للمستخدمين وجود مكان عمل موحد للتوقعات، ويسترجع الأدلة السياقية الضرورية، ويحول مسارات التفكير إلى إجراءات تعديل توقعات محددة ضمن قيود أمن هيكلية.

كما يدعم النظام تقنيات التوقعات طويلة الأمد من خلال التفكيك بأسلوب خريطة وتخفيض (Map-Reduce) والتفكير اللاحق من خلال بنك ذاكري. هذا النظام مصمم ليكون قابلاً للتحكم فيه وقابلاً للتدقيق، مما يزيد من مصداقية التوقعات النهائية. من خلال دراسات حالة حقيقية، يُظهر كيف يمكن لوكلاء النماذج اللغوية الكبيرة (LLM Agents) أن يسدوا الفجوة بين التنبؤات الإحصائية والتوقعات القابلة للاستخدام التجاري.