في عالم الذكاء الاصطناعي، تبرز أهمية تحليل السلاسل الزمنية (Time Series Analysis) كأداة حيوية للتنبؤ ورصد التطورات في مجالات متعددة، مثل المالية والأرصاد الجوية. ومع التقدم التقني، انتقلت الحلول من الاعتماد على نماذج عصبية متخصصة إلى نماذج لغوية ضخمة (Large Language Models) ونماذج أساسية قادرة على التعامل مع بيانات السلاسل الزمنية. \n\nومع ذلك، تواجه الأنظمة الحالية قيودًا كبيرة، حيث تركز معظمها على الحالات الحالية دون استفادة فعلية من التجارب الاستكشافية المتنوعة. وهذا أمر بالغ الأهمية في السياقات التي تتطلب دقة عددية وقرارات سياقية، حيث قد تكون هناك عدة إجراءات مرشحة صحيحة ولكن تفاوت كبير في الجودة الكمية. \n\nلهذا السبب، تم تقديم TimeClaw، وهو إطار عمل تعليمي يركز على التنفيذ الاستكشافي، مصمم لتحويل التجارب الاستكشافية إلى خبرات مدروسة وقابلة لإعادة الاستخدام، وذلك من خلال أربع خطوات: الاستكشاف، المقارنة، التقطير، وإعادة الحقن. يُجمع TimeClaw بين التعلم معتمد على المقياس وتنفيذ استكشافي واعي بالأدوات، مما يعزز كفاءة الاستدلال دون الحاجة لتكييف النموذج في الوقت الحقيقي. \n\nأظهرت التقييمات المنسقة مع 17 مهمة تتراوح بين التنبؤ المالي والمهمات البصرية، أن TimeClaw يُحقق تحسنًا ملحوظًا مقارنة بالمعايير التقليدية. تشير هذه النتائج إلى أن عنق الزجاجة ليس فقط في القدرة على التنفيذ، ولكن في كيفية مقارنة التجارب الاستكشافية وتقطيرها وإعادة استخدامها بكفاءة.