في السنوات الأخيرة، أصبحت النمذجة متعددة المتغيرات باستخدام نماذج السلاسل الزمنية (TSFMs) تكتسب شهرة واسعة، حيث حققت هذه النماذج تقدمًا مذهلاً في القدرة على التعميم من دون الحاجة لتدريب سابق (zero-shot generalization). ومع ذلك، فإن معظم هذه النماذج تعتمد على بيانات اصطناعية متعددة المتغيرات، وهو ما يسهل عملية التحجيم ولكنه قد يفشل في التقاط الديناميات الزمنية المعقدة والعلاقات المتبادلة بين المتغيرات في السلاسل الزمنية الحقيقية.

هذا الأمر يثير تساؤلاً هاما: إلى أي مدى يمكن أن تتفوق النماذج المدربة على بيانات حقيقية عن تلك المدربة على بيانات اصطناعية؟ للإجابة على هذا السؤال، تم تأسيس مجموعة بيانات RMISC، التي تمثل أرشيفًا واسع النطاق وعالي الجودة من السلاسل الزمنية الحقيقية متعددة المتغيرات، حيث تحتوي على حوالي 200 مجموعة بيانات و142 مليار نقطة زمنية عبر مجالات متنوعة.

علاوة على ذلك، تم تدريب أربعة نماذج متقدمة من TSFMs على بيانات متعددة المتغيرات الحقيقية والاصطناعية، وتم تقييم قدراتها على التعميم وفق معايير معروفة داخل (in-distribution) وخارج (out-of-distribution) النطاق. أكدت النتائج التجريبية أن دمج البيانات الحقيقية يقدم تحسينًا ملحوظًا في الأداء العام لكل من نماذج السلاسل الزمنية أحادية ومتعددة المتغيرات.

توضيح هذه النتائج يعطي فهماً عميقاً لكيفية مساهمة البيانات الحقيقية في تطوير نماذج أقوى، مما يفتح أفقًا جديدًا للبحث والتطبيق في مجال الذكاء الاصطناعي. هل تعتقد أن البيانات الاصطناعية ستظل صالحة في عالم سريع التطور من حيث البيانات الحقيقية؟ شاركونا آراءكم في التعليقات!