تعتبر توقعات السلاسل الزمنية من بين التحديات المهمة في مجال الذكاء الاصطناعي، حيث يستهدف الباحثون تحسين أداء النماذج في تحليل وتنفيذ التوقعات للبيانات الزمنية. في هذا السياق، قدم فريق من الباحثين مؤخرًا إطار عمل جديد يُعرف باسم STRIDE (استراتيجية التفكير في السلاسل الزمنية المحقونة من خلال تمثيلات مفلترة).

تواجه النماذج القائمة على السلاسل الزمنية (Time Series Foundation Models) تحدي كونها "صناديق سوداء"، إذ تفتقر إلى القدرة على التفكير المنطقي في تفسير البيانات، مما يفسر نجاحها المحدود في تحقيق الدقة المطلوبة. وعلى الجانب الآخر، فإنه عند استخدام النماذج اللغوية الضخمة (Large Language Models) مباشرة على بيانات زمنية، تنشأ فجوة على مستوى البيانات؛ لأن تحليل النصوص يُقسم قيم الأرقام المستمرة، مما يُضعف العلاقات الرياضية ويؤدي إلى تحميل زائد على الموارد الحاسوبية.

وكنتيجة لهذه التحديات، جاء ابتكار STRIDE ليكون حلاً ثورياً، حيث يقوم بدمج التفكير المنطقي للنماذج اللغوية الضخمة داخل فضاء التمثيلات المستمرة للسلاسل الزمنية. وعلى عكس الرمزيات المنفصلة، يقوم STRIDE بتقطير مسارات التفكير إلى نموذج خفيف من النماذج اللغوية الضخمة، مُعتمدًا في توسعته على حالة مخفية متوسطة يتم إسقاطها ديناميكيًا كأولوية عابرة داخل الشيفرة الرقمية المستهدفة.

تُظهر التقييمات أن STRIDE يُعتبر رائدًا في تحقيق أداء متميز في توقعات السلاسل الزمنية، حيث حصل على نتائج مثالية على مواثيق مثل GIFT-Eval (0.674 MASE، 0.454 CRPS) مقارنةً بالنماذج التقليدية. بالإضافة إلى ذلك، تمكن STRIDE من تحسين الأداء في سياقات السلاسل الزمنية المختلفة مثل Chronos-2 وTimer-S1، مما يجعله تعزيزًا مرنًا وثوريًا لتعزيز قوة النماذج اللغوية في مجالات متعددة.

باختصار، يُثبت STRIDE فعاليته في دمج التفكير المنطقي مع تعزيز دقة التوقعات، مما يمنح النماذج القدرة على تقديم تفسيرات بشرية مفهومة. فهل أنتم مستعدون لاستكشاف مستقبل الذكاء الاصطناعي في مجالات السلاسل الزمنية؟