في السعي لتحسين إدارة العمليات التجارية (Business Process Management)، يأتي بحث جديد يحمل في طياته ابتكارًا رائدًا يسمى "مراقبة العمليات التنبؤية الرمزية العصبية" (Neuro-Symbolic Predictive Process Monitoring). يسعى هذا البحث لحل مشكلة توقعات ما بعد العمليات (suffix prediction) من خلال دمج التعلم القائم على البيانات مع المعرفة السابقة القائمة على المنطق الزمني.

على الرغم من أن الأساليب الحديثة تستفيد من نماذج التعلم العميق (Deep Learning) في توقّع ما بعد العمليات، إلا أنها غالبًا ما تفشل في تلبية حتى أبسط القيود المنطقية بسبب نقص الدمج الواضح للمعرفة الخاصة بالمجال أثناء عملية التدريب. لتجاوز هذا القيد، تم اقتراح طريقة جديدة لدمج "المنطق الزمني الخطي على سلاسل محدودة" (Linear Temporal Logic over finite traces)، مما يسهم في تدريب نماذج التنبؤ التكرارية (autoregressive sequence predictors).

تتمثل الميزة الرئيسية لهذه الطريقة في تقديم دالة خسارة منطقية قابلة للتفريق، تُعرف باستخدام تقريبات ناعمة لمعاني LTLf وتقنية Gumbel-Softmax. يمكن دمج هذه الدالة مع الخسائر التنبؤية القياسية، مما يضمن أن النماذج تتعلم توليد النهايات بشكل يتسم بالدقة والتوافق المنطقي.

تظهر النتائج التجريبية التي تم الحصول عليها من ثلاثة مجموعات بيانات واقعية أن هذه الطريقة تعزز دقة توقع النهايات وتزيد من الامتثال للقيود الزمنية. علاوة على ذلك، تم تقديم نوعين من خسارة المنطق (محلي وعالمي) مع إثبات فعاليتهما في بيئات صاخبة وواقعية.

على الرغم من أن هذه الطريقة تم تطويرها ضمن سياق إدارة العمليات التجارية، إلا أن إطار العمل هذا قابل للتطبيق على أي مهمة لتوليد تسلسلات رمزية، مما يسهم في تطوير الذكاء الاصطناعي الرمزي (Neuro-Symbolic AI) الذي يعد بإحداث نقلة نوعية في مجال الذكاء الاصطناعي.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!