نماذج السلاسل الزمنية: ثورة هادئة في التنبؤ بالذكاء الاصطناعي
قد تهيمن النماذج اللغوية الكبيرة (LLMs) على العناوين الرئيسية، لكن فئة مختلفة من الذكاء الاصطناعي يمكن أن تغيّر الطريقة التي تتنبأ بها الشركات بالمستقبل. تسهم نماذج السلاسل الزمنية المدمجة والفعّالة في إحداث تحول في عمليات التنبؤ في مختلف الصناعات.
يجسد TinyTimeMixer (TTM) من IBM هذا الاتجاه. ومع أقل من مليون مَعْلمة فقط، يقدّم TTM تنبؤات قوية من دون متطلبات القدرة الحوسبية الكبيرة التي تحتاج إليها النماذج الأكبر حجمًا.
يقول IBM Technical Strategist، Joshua Noble: "يمكن أن يكون التنبؤ أداة قوية إذا استُخدم بالشكل الصحيح." ويضيف: "إن القدرة على التنبؤ بالطلب والإيرادات والتكاليف وتعطّل الأجهزة أو تغيّرات السوق تمثّل جميعها أصلًا قويًا لأي نشاط تجاري مهما كان حجمه."
شهد قطاع الذكاء الاصطناعي في الآونة الأخيرة زيادة في الاهتمام بنماذج لغوية أصغر وأكثر كفاءة. وتهدف هذه النماذج المدمجة إلى تقديم أداء مماثل للنماذج الأكبر، مع احتياج أقل للقدرة الحوسبية والذاكرة. فعلى سبيل المثال، حظيت Mistral AI بالاهتمام عبر نموذجها Mixtral 8x7B، الذي يعتمد نهج نماذج الخبراء المتعددين لتحقيق أداء عالٍ مع عدد مَعْلمات محدود نسبيًا.
ويعكس هذا الاتجاه نحو "الذكاء الاصطناعي الخفيف" تركيزًا متزايدًا على النشر العملي وسهولة الوصول، بما قد يسهم في إتاحة تقنيات الذكاء الاصطناعي أمام نطاق أوسع من التطبيقات والأجهزة.
تستبدل TTM آلية الانتباه الذاتي التقليدية في التعلم الآلي، حيث يزن كل عنصر في التسلسل علاقته بجميع العناصر الأخرى، بآلية انتباه موجَّه تتحكّم انتقائيًا في كتل إدراك بسيطة لربط متغيرات السلاسل الزمنية. يُسهم هذا النهج المبسّط في تركيز الجهود وتقليل التكاليف الحوسبية في مرحلتي التدريب والضبط الدقيق، مما ينتج عنه نموذج خفيف وفعّال يتفوّق في مهام السلاسل الزمنية.
تمثل مجموعة البيانات Beijing Air Quality حالة اختبار واقعية تبرز قدرة TTM على التنبؤ بمستويات تلوث الهواء بجسيمات PM2.5 اعتمادًا على البيانات التاريخية والمتغيرات الجوية. ويُظهر هذا التطبيق إمكانات النموذج في المراقبة البيئية والتخطيط الحضري.
ورغم ما تبديه نماذج السلاسل الزمنية من إمكانات واعدة، ما زالت هناك تحديات قائمة. يحذّر Joshua Noble قائلًا: "التنبؤ، مثل أغلب تطبيقات الذكاء الاصطناعي، يعتمد على بيانات جيدة وأنماط يمكن توقّعها. فهناك ظواهر لا يمكن التنبؤ بها بدرجة كافية، ولا يستطيع أي نموذج الالتفاف على هذه الحقيقة".
ويعالج الضبط الدقيق حدود النموذج من خلال عملية مبسّطة تتضمن: إعداد البيانات، وتحميل النموذج، وإجراء التقييم، وتنفيذ الضبط الدقيق، ثم إعادة التقييم. ويتّضح الأثر بجلاء؛ ففي توقعات جودة الهواء في Beijing، خفّض الضبط الدقيق قيمة خسارة التقييم من 0.426 إلى 0.253، مما حسّن دقة التنبؤ بدرجة كبيرة. ويُبرهن هذا المثال الواقعي على فعالية الضبط الدقيق في رفع أداء النموذج في المهام المتخصصة.
تشمل عملية الضبط الدقيق تقسيم مجموعة البيانات، وتحميل النموذج المدرَّب مسبقًا، وتحديد الأداء الأساسي، ثم تنفيذ الضبط الدقيق على بيانات التدريب مع تطبيق الإيقاف المبكر، وأخيرًا إجراء التقييم النهائي. يعزّز هذا النهج قدرة النموذج على رصد أنماط بيانات معقدة وتوليد تنبؤات أكثر دقة.
يتعامل مسار التنبؤ في TTM مع بيانات سلاسل زمنية معقدة، مع دمج المتغيرات المستهدفة والعوامل الخارجية معًا. وبالعودة إلى مثال التنبؤ بمستويات PM2.5، يمكّن هذا النهج TTM من رصد العلاقات الدقيقة بين مختلف العوامل التي تؤثر في جودة الهواء. ومن خلال النظر في عدة متغيرات في الوقت نفسه، يقدّم النموذج تنبؤات أكثر دقة وتفصيلًا تعكس التفاعل المعقد للعوامل المؤثرة في جودة الهواء بمرور الوقت.
تضع منصّة IBM watsonx هذه القدرات في متناول شريحة أوسع من المستخدمين. وتتيح المنصّة للمستخدمين تدريب النماذج والتحقق من صحتها وضبطها الدقيق ونشرها بكفاءة، بما يسهم في إتاحة التنبؤ المعزز بالذكاء الاصطناعي أمام الشركات بمختلف أحجامها.
ومع تطوّر نماذج السلاسل الزمنية مثل TTM، يزداد تأثيرها في التنبؤ في مجال الأعمال. وتوفّر هذه النماذج أدوات قوية للتعامل مع حالة عدم اليقين، بدءًا من تحسين سلاسل التوريد وصولًا إلى التنبؤ باتجاهات السوق.
ويُلخّص Joshua Noble إمكانات هذه النماذج بقوله: "يمكن أن تساعد نماذج الأساس المدرَّبة على بيانات السلاسل الزمنية في تقليل عوائق اعتماد هذا النوع من التنبؤ، لأنها تتضمن بالفعل قدرًا كبيرًا من بيانات التدريب".
معارف لا يُمكنك تفويتها. اشترِك في رسائلنا الإخبارية.
تجاوز الضجيج بفضل التحديثات المقدمة من الخبراء حول الذكاء الاصطناعي والحوسبة الكمية والتقنية السحابية والأمان وغير ذلك الكثير.