في خضم التطورات المتسارعة في مجالات الذكاء الاصطناعي، يُسجل البحث الأخير تقدمًا كبيرًا في استخدام نماذج تمثيل البيانات الصغيرة (Small-Data Representation Models) لتحسين توقعات عمر المبردات. يمثل هذا الإنجاز استجابة للتحديات التي يواجهها العديد من الصناعات حيث تفتقر البيانات الكبيرة والمتنوعة المطلوبة لتدريب نماذج قوية.

يقدم الباحثون مفهوم نموذج FSD-RM (عائلة نماذج التمثيل ذات البيانات الصغيرة) كحل عملي للمشكلات المتعلقة بالبيانات المحدودة. بدلاً من الاعتماد على التدريب المسبق على نطاق واسع، يركز النموذج الجديد على تعلم التمثيل المدروس باستخدام هياكل مشفرة مُعترف بها مثل CNN1D وLSTM وGRU وTransformer، وهي مصممة خصيصًا للعمل بكفاءة في ضبط البيانات الصغيرة.

من موقع القوة التقنية، يتم تدريب هذه الهياكل بشكل غير مراقب على بيانات متعددة المتغيرات من أجهزة الاستشعار، وتتكامل في عملية ذات مرحلتين لتقديم توقعات دقيقة لعمر المبردات. ولتحليل المزايا والعيوب المعمارية تحت قيود البيانات، تم توظيف تقنية البحث المعماري العصبي الواعي بالأبعاد (Dimension-Aware Neural Architecture Search - NAS) لزيادة تحسين سعة النموذج وأبعاد المدخلات.

أظهرت التجارب على بيانات الاستشعار من المبردات أن الاقتراب المقترح يحقق أداءً تنافسيًا في التنبؤ، مع تقليل تكاليف التدريب وتعقيد النموذج بشكل كبير. وتسعى هذه الدراسة إلى دمج تقنيات تعلم التمثيل المعروفة ضمن إطار عمل مدفوع بالبحث المعماري الذكي، مصمم خصيصًا لمجالات البيانات الصغيرة، مع إعدادات ومعايير محددة تمامًا.

تشير النتائج إلى أن تعلم التمثيل الفعال يمكن تحقيقه دون الاعتماد على تدريب مسبق واسع النطاق، شريطة تطبيق تحيز استدلالي مناسب والتحكم في السعة. إن هذا التطور يعد بمثابة نقلة نوعية في كيفية التعامل مع البيانات المحدودة، وبالتالي يقدم تطبيقات واسعة في مختلف المجالات الصناعية والعلمية.