في ظل التقدم التكنولوجي السريع، يبرز مفهوم الكشف عن الشذوذ في السلاسل الزمنية (Time Series Anomaly Detection - TSAD) كأحد الأساليب الحاسمة في مجالات مثل الصيانة التنبؤية والمالية والحوسبة السحابية. ومع ذلك، فإن أداء هذه الأنظمة يعتمد بشكل كبير على طرق التمثيل المتبعة، خاصةً عندما يتعلق الأمر بالبيانات متعددة المتغيرات.

لذلك، نقدم لكم PRISM، نظام مبتكر يتيح تحويل السلاسل الزمنية إلى صور متعددة القنوات، مما يفتح الأبواب أمام معالجة البيانات بشكل جديد. أثبتت الاختبارات التي أجريناها، والتي تتجاوز 7000 تجربة، أن PRISM يتفوق على 24 طريقة تقليدية في الكشف عن الشذوذ، متحقيقاً أفضل نتيجة في 10 من 14 مجموعة بيانات مع تحسن平均 يبلغ 41% عن أفضل الطرق الموجودة.

ما يميز PRISM أيضاً هو تركيزه على كيفية بناء أبعاد القنوات في الصور متعددة القنوات، حيث تمثل هذه التقنية بُعدًا حاسمًا لم يتم دراسته بشكل كافٍ من قبل. كما تم تقديم طريقة جديدة تعتمد على الإحصائيات (MSM)، مما يحقق تحسينات تتراوح بين 11% و27% مقارنةً بالطرق التقليدية مثل PCA.

قد أظهر البحث أيضًا أن النماذج المدربة مسبقًا على مجموعة بيانات ImageNet يمكن أن تُطبق بفعالية على TSAD، حيث احتفظت النماذج المجمدة بنسبة 92% من أداء النماذج المُعاد تدريبها ولكن بسرعة تصل إلى 1.8 مرة.

لمن يرغب في استكشاف كود PRISM والتطبيقات المرتبطة به، يمكنكم زيارة الرابط: مشروع PRISM على GitHub. ما رأيكم في هذا التطور الجديد؟ شاركونا في التعليقات.