في إطار سعي العلماء لتحسين دقة وأمان تدقيق البيانات غير المتصلة، تم تقديم نموذج مبتكر يدخل في عالم الذكاء الاصطناعي يمزج بين التعلم والتكيف. تمثل هذه الدراسة الجديدة تقدماً هاماً في تطبيقات التدقيق التشفيري للبيانات خارج السلسلة (Off-Chain)، حيث تم تصميم نموذج تدقيق بيانات يعتمد على عملية اتخاذ قرارات منسقة في ظل ظروف ملاحظة جزئية.

النموذج الجديد، المعروف بإسم DRQN-CMDP (شبكة Q العميقة المتكررة الموجهة بالأفضليات)، يستخدم طبقة GRU للاحتفاظ ببيانات دقيقة حول نوع وحالة العقد المخفية، مما يضفي على النموذج ذكاءً فائقًا في معالجة البيانات. يُعَدّ دمج تقنيات مثل الارتقاء المزدوج (Lagrangian dual ascent) مع هذه الشبكة أحد الأسباب الرئيسيّة في تعديل عقوبات معدلات الخسارة (miss-rate) بشكل أوتوماتيكي، مما يجعل النموذج قادرًا على التكيف مع مختلف السيناريوهات.

عبر 13 أسلوبًا مختلفًا، بما في ذلك أربعة متغيرات من DQN (Deep Q-Network)، وPPO (Proximal Policy Optimization)، وA2C (Advantage Actor-Critic)، وغيرها، أظهر نموذج DRQN-CMDP أداءً متميزًا يتضمن خفض تكاليف الغاز (gas) بنسبة 83% مقارنةً بالتدقيق التقليدي عالي التردد. كما قدم معدلات خسارة منخفضة جدًا تبلغ 7.5% مع زمن اكتشاف معتدل، ما يجعله خياراً فريداً لا يمكن مقارنته بأي طريقة أخرى تسعى لتحقيق تلك الأهداف الثلاثة في الوقت نفسه.

تأتي هذه التطورات لتؤكد على أهمية الذكاء الاصطناعي في مجال تدقيق البيانات، وتفتح أفقاً واسعاً للمزيد من الابتكارات في المستقبل. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.