في عالم البيانات الضخمة والتحليلات المتقدمة، تمثل نماذج السلاسل الزمنية الأساسية (Time Series Foundation Models - TSFMs) الخطوة التالية في عالم التنبؤات. هذه النماذج تساعد في إصدار توقعات دقيقة للمدى البعيد، ولكنها تواجه معضلة كبيرة تتعلق بعدم اليقين المقلق الذي يحيط بالتنبؤات. في كل خطوة زمنية، تظهر فروع عديدة للتنبؤ، كل منها تتمتع بأداء مختلف، مما يهدد مصداقية هذه النماذج.

تقدم الأبحاث الأخيرة نموذج Slicing-Graphing-Alignment (SGA) كحل مبتكر للتغلب على هذه المشكلة. تعتمد هذه التقنية على تمثيل جميع الفروع المحتملة للتنبؤات من خلال رسم بياني موجه بدون دوائر، حيث يُحدد تعقيد هذا الرسم البياني بشكل دقيق عدم اليقين المرتبط بالتنبؤات متعددة الخطوات. يتم قياس هذا التعقيد من خلال دمج المعلومات الطوبوغرافية مع عدم اليقين العشوائي الذي يتميز به TSFM.

أظهرت النتائج التجريبية التي أجريت على 11 نموذجًا من TSFMs و27 مجموعة بيانات أن SGA تحقق أداءً متفوقًا عند تصنيف الأخطاء التنبؤية استنادًا إلى تقديرات عدم اليقين. كما يتمتع SGA بتغطية أكبر وأدق عند إجراء العينات بالمقارنة مع الأساليب التقليدية، مما يقدم آلية قياس تختلف جذريًا عن الأساليب المعروفة. بالإضافة إلى ذلك، تُظهر الدراسات أن النماذج الأكثر حجمًا من TSFMs ترتبط بتقديرات عدم يقين أقل، مما يشير إلى قاعدة جديدة فيما يتعلق بتقدير عدم اليقين في التنبؤات متعددة الخطوات.

إذا كنت تبحث عن حلول تقنية تعزز الأداء وتقلل من المخاطر في توقعاتك، فإن SGA قد تكون الأداة التي تحتاجها. فما رأيكم في هذه التطورات المثيرة؟ شاركونا في التعليقات!