في عالم التنبؤات الزمنية (Time-series Forecasting)، تعتبر النماذج الأساسية (Foundation Models) ذات تأثير قوي، لكن ماذا يحدث عندما نتعامل مع سيناريوهات "البدء البارد الحقيقي" (True Cold-Start)؟ تلك الحالة التي لا توجد فيها أي ملاحظات سابقة لأي عنصر جديد.

للتغلب على هذا التحدي، تم تقديم إطار عمل مبتكر يعرف بـ RAID (استرجاع معزز عبر الانتشار التكراري) والذي يعتمد على استرجاع دلالي يدعمه بيانات وصفية بدلاً من التعلم القائم على التاريخ. يقوم RAID بتحويل البيانات النصية الخاصة بالوصف إلى مساحة دلالية مشتركة باستخدام نموذج خفيف متعدد اللغات، ويقوم ببناء شبكة استرجاع استقرائية تتكيف بسهولة مع العناصر غير المرئية.

تبدأ العملية بتشكيل توقع أولي يجمع معلومات من الجيران الدلاليين المرتبطين، ثم يتم تحسين هذا التوقع من خلال وحدة انتشار مقيدة (Gated Diffusion Module) تعكس عدم اليقين المتبقي.

وفقًا لبروتوكولات البداية الباردة الأكثر صرامة، أظهرت RAID تفوقًا ملحوظًا على نماذج أساسية قوية ومعايير تنافسية من حيث دقة التنبؤ وتغطية فترة التوقع، مع تقليل تأخير الاستدلال بمقدار كبير عن طريق فك التشفير غير التلقائي. وكذلك، تتيح المساحة الدلالية المشتركة النقل عبر اللغات بدون أي إشراف مباشر، مما يسمح للنماذج المدربة على وصف باللغة الإنجليزية بالتعميم على العناصر الموصوفة بلغات أخرى.

هذه التقنية الجديدة قد تعيد كتابة قواعد اللعبة في مجال التنبؤ وتفتح أفقًا واسعًا لتطبيقات متعددة اللغات. هل ستكون هذه الطريقة هي المستقبل الذي نطمح إليه في الذكاء الاصطناعي؟ تنبؤات زمنية أسرع وأكثر دقة بدون الحاجة إلى تاريخ سابق، هذه هي الوعد الذي تقدمه RAID. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!