في عصر تتزايد فيه الحاجة إلى دقة التنبؤ وتحليل البيانات، يأتي نموذج LLM كمنظم تخطيط ثوري ليحدث فارقًا في كيفية توقعنا للأحداث المستقبلية في السلاسل الزمنية. يقوم هذا النموذج بتقييم البيانات التاريخية العددية في سياق لغوي طبيعي، مما يمكّنه من أخذ الأحداث والقيود التي لا تستطيع البيانات وحدها كشفها بعين الاعتبار.

تتضمن العملية استخدام نماذج السلاسل الزمنية الأساسية (TSFMs) المطورة التي تقدم تنبؤات عددية دقيقة، بينما تقدم نماذج اللغات الكبيرة (LLMs) القدرة على الاستدلال من النصوص. ومع ذلك، كانت المشكلة تكمن في دمج قوى هذين النموذجين، حيث كان من الصعب طلب من LLM إنتاج أو تعديل قيم التنبؤ دون التأثير على الهيكل الزمني الذي تلتقطه TSFM.

من هنا، تم طرح فكرة جديدة تنظر إلى التنبؤ كمشكلة تخطيط وتهيئة المسارات العددية التي تم جنيها بواسطة TSFM. نموذج LLM يعمل كوظيفة سياسة وقيمة تساعد في اختيار الحلول الأكثر ملاءمة. تم تنفيذ هذا الخوارزم المبتكر باسم LLM as Forecasting Planner (LLMFP)، الذي لا يتطلب إعادة تدريب أي من النموذجين.

أظهرت التجارب التي أجريت باستخدام نماذج Chronos وTimesFM وجود تحسينات متسقة في الدقة، مما يعزز فعاليته كمنهج للتنبؤ المعتمد على النص دون الحاجة إلى تدريب إضافي.

هل يمكن أن تكون هذه البداية لدمج أعمق بين الذكاء الاصطناعي والتنبؤ؟ لننتظر سويًا لنرى كيف ستتطور هذه التكنولوجيا في المستقبل.