في ظل تزايد الاعتماد على البيانات الزمنية في مختلف المجالات، فإن التنبؤ بالسلاسل الزمنية يُعتبر تحديًا كبيرًا، خاصة عند استخدام نماذج اللغة الضخمة (Large Language Models - LLMs) المدربة على بيانات نصية منفصلة.

قد يتطلب تكييف هذه النماذج للحصول على توقعات دقيقة للبيانات الزمنية دمجًا فعالًا للمعلومات النصية والبيانات الزمنية، وهو أمر ليس بالسهل. الأساليب الحالية غالبًا ما تستخدم تقنيات بسيطة مثل الدمج المباشر أو تعتمد على تقنيات الانتباه المعقدة التي قد تؤدي إلى نتائج غير مثالية.

هنا يأتي دور الابتكار الأكثر حداثة المتمثل في تقنية NeST (Neighborhood-aware Semantic Alignment and Temporal Modulation). هذه التقنية تقدم إطار عمل جديد يتيح دمج النصوص بسهولة مع بيانات السلاسل الزمنية عبر خطوات مدروسة.

أولاً، يتم إنشاء نماذج نصية تمثل الجوار المحلي للكلمات من خلال نماذج تعلّم مسبقة. ثم يتم محاذاة هذه النماذج مع التمثيلات الزمنية للمدخلات. باستخدام هدف تقاربي، يتم استرجاع أفضل النماذج النصية الملائمة.

ثانيًا، يتم تطبيق تعديل زمني مشروط على النماذج النصية التي تم استرجاعها، مما يسمح بتكييف الميزات الزمنية بشكل ديناميكي.

تظهر التجارب أن تقنية NeST تتفوق باستمرار على الأساليب الحالية، حيث حققت تقليصًا متوسطًا بنسبة 1.2% في خطأ التوقع (MSE) خلال التنبؤ على المدى الطويل. كما أظهرت دقة قوية عند استخدام استراتيجيات التنبؤ بدون تدريب سابق، مع تقليص متوسط بنسبة 4.9% في خطأ التوقع (MSE) في هذه الحالة.

علاوة على ذلك، حققت NeST أداءً قويًا في تطبيقات العالم الحقيقي، مثل التنبؤ بالطاقة الشمسية الموزعة، حيث حققت تحسينًا متوسطًا في درجة R² بمقدار 3.3% عبر تسعة مجموعات بيانات. تقدم هذه النتائج دليلًا قويًا على فعالية NeST في تكييف نماذج اللغة الضخمة لمهام التنبؤ الزمنية المتنوعة.

إذا كنت مهتمًا بتطبيقات الذكاء الاصطناعي في البيانات الزمنية، فالتأكيد هناك آفاق جديدة ومثيرة في الأفق!