تشهد أنظمة توصية الأسهم تحدياً مزدوجاً في ظل التقلبات السريعة في أسواق المال، حيث يتطلب الأمر من الأنظمة التكيف بسرعة مع الظروف المتغيرة وتقديم توقعات منخفضة الاستجابة للمستخدمين. في هذا السياق، يعتبر النموذج التقليدي الذي يعتمد على التدريب الجماعي غير كافٍ، مما يستدعي تطوير حلول مبتكرة.

يقدم البحث الجديد نظاماً مبتكراً يعتمد على التعلم العميق (Deep Learning) ضمن بنية خدمات ميكروسيرفيسز (Microservices) باستخدام أدوات مثل Kubernetes وDocker وRabbitMQ. يتميز النظام بتصميم هجين يقّسم المعالجة إلى نموذج قائد يتدرب بصورة مستمرة على بيانات مالية متدفقة، مثل القيم الربحية (EPS) والمتوسطات المتحركة (MACD) والأسعار المختلفة، وجميعها يتم سحبها من واجهة برمجة التطبيقات (API) الخاصة بـ Alpha Vantage. في حين أن النماذج المكررة تقوم بتقديم التوصيات للمستخدمين في الوقت الحقيقي.

يعتمد هذا النظام على معالجة البيانات من خلال نموذج متعدد الطبقات (Multilayer Perceptron) تم تنفيذه باستخدام مكتبة TensorFlow Recommenders. حيث يتم توفير توصيات قائمة على المحتوى من خلال تقييمات المستخدمين (بتقييم من 1 إلى 5) واستراتيجيات التعلم الانتقالي (Transfer Learning).

النظام يضمن استمرارية عالية، حيث يتم تخزين أوزان النموذج في Google Cloud Object Storage، مما يسمح للنماذج المكررة بالتعافي بسهولة عند حدوث إخفاق. كما يساهم RabbitMQ في ضمان موثوقية الرسائل وإمكانية الإعادة في أي وقت.

أظهرت النتائج أن النظام يقوم بتقديم توصيات الأسهم في غضون 23 ثانية لكل طلب ويعالج حتى 500 طلب إضافة محفظة في الثانية لكل نموذج مكرر، على الرغم من وجود بعض القيود مثل تاريخ البيانات (إلى 150 دقيقة بسبب حدود واجهة برمجة التطبيقات) وغياب شبكة الخدمات (Service Mesh) لأمان الاتصال بين الكتل.

يمثل هذا العمل مرجعاً جاهزاً للإنتاج لأنظمة التوصية عبر الإنترنت، حيث يوازن بين التناسق (Consistency) والتوافر (Availability) والقابلية للتوسع (Scalability) في سياق الأسواق المالية.