الذكاء الاصطناعي

آي بي إم تطلق نموذجاً جماعياً للتنبؤ بالسلع الزمنية

تستغني تقنية التنبؤ الجماعي الجديدة عن الحاجة لاختيار النموذج الأمثل مسبقاً، وتوفر تنبؤات احتمالية دقيقة عبر دمج أربعة معماريات مختلفة.

رضوان عبدالهاديمحرر وكاتب تقني

نُشر: 22 أكتوبر 2026 · آخر تحديث: 22 أكتوبر 2026 · 4 دقائق قراءة

آي بي إم تطلق نموذجاً جماعياً للتنبؤ بالسلع الزمنية — الصورة: Hugging Face Blog

تجاوز حيرة اختيار النموذج الأمثل

تواجه الشركات اليوم تحدياً كبيراً عند استخدام النماذج الزمنية المسبقة التدريب؛ فبينما يمكن لهذه النماذج تقديم تنبؤات دون تدريب على بيانات المستخدم، يبقى اختيار النموذج الأنسب عملية معقدة. قد يتفوق نموذج معين في التعامل مع الإشارات الصناعية السلسة، لكنه يعاني مع طلب التجزئة الضجيج أو الأفق الموسمي الطويل. لتبسيط هذه العملية، أطلقت أبحاث آي بي إم (IBM Research) نظاماً جديداً يُعرف باسم Granite Timeseries Ensemble، وهو مصمم لتقليل هذا الاختيار إلى قيمة افتراضية معقولة وموثوقة. ويمكن الرجوع إلى Hugging Face Blog للاطلاع على التفاصيل الأصلية للمصدر.

مبدأ التنبؤ الجماعي المستوحى من الأرصاد

يستند هذا النظام إلى فكرة مألوفة في مجال الأرصاد الجوية، حيث تجمع أنظمة مثل North American Multi-Model Ensemble بين نماذج مختلفة للتنبؤ الموسمي لاستكشاف مجموعة واسعة من النتائج المحتملة. بنفس المنطق، يقدم التنبؤ الزمني الجماعي مزايا مماثلة؛ إذ توفر النماذج التكميلية رؤى مختلفة لما هو قادم، ودمج هذه الرؤى في تنبؤ واحد يقلل من مخاطر اختيار النموذج الخاطئ. يهدف النظام الجديد إلى دمج أربعة معماريات متميزة من عائلة Granite، مما يضمن تنوعاً في طريقة التقاط الاتجاهات والموسمية والتباين المحلي، وبالتالي تقليل احتمالات تطابق أخطاء النماذج الفردية.

واجهة موحدة وخوارزميات دمج متقدمة

يوفر النظام واجهة تنبؤ قابلة للتوسع تتيح للمستخدمين التحميل المباشر من منصة Hugging Face. بدلاً من دمج أوزان النماذج في ملف واحد، يخزن النظام إعدادات التجميع (Ensemble Configuration) وتنزيل نقاط التفتيش (Checkpoints) لأعضاء المجموعة الأربعة وقت التشغيل. يتيح هذا التصميم مرونة عالية، حيث يمكن للمستخدمين البدء بخيار التجميع الاحتمالي (Probabilistic Ensemble) الذي يمنح كل نموذج تأثيراً متساوياً، أو مقارنة ذلك مع خيار IQR Ensemble الذي يوزن التأثير بناءً على انتشار التنبؤات. لا يتطلب أي من هذين الخيارين إعادة تدريب أو ضبط معلمات تاريخية، مما يجعله حلاً سريعاً وفعّالاً.

التنبؤ الاحتمالي وتغطية نطاقات الثقة

يتميز النظام بقدرته على تقديم تنبؤات احتمالية دقيقة، حيث تعيد كل نماذج الأعضاء تنبؤات كمّية (Quantile Forecasts). يجمع النظام هذه القيم في فضاء احتمالي لاستخراج الكمية المطلوبة، مما يتيح للمستخدمين استخدام القيمة النقطية كتنبؤ مركزي، واختيار كمّات محددة (مثل 0.1 و 0.9) لتعريف نطاق تنبؤ مركزي بتغطية اسمية تبلغ 80%. هذا النهج يوفر رؤية أوضح لدرجة عدم اليقين المرتبطة بالتنبؤ، وهو أمر حاسم في التطبيقات التي تتطلب إدارة مخاطر دقيقة، مثل التخطيط للمخزون أو إدارة الطاقة.

نتائج التقييم على مجموعة GIFT-Eval

خضع النظام لاختبارات صارمة على 97 تكويناً من مجموعة بيانات GIFT-Eval، حيث تم التنبؤ دون أي ضبط دقيق (Fine-tuning). أظهرت النتائج أن كلا من خوارزميات التجميع (Probabilistic و IQR) تتفوق على النماذج الأربعة الفردية من حيث متوسط خطأ MASE وترتيب MASE. حقق التجميع الاحتمالي أدنى قيمة لـ MASE بين التنبؤات الستة المقارنة، مما يؤكد أن الفائدة الرئيسية تكمن في المرونة والموثوقية؛ إذ يحصل المطورون على دقة إجمالية قابلة للمقارنة أو أفضل دون الحاجة لمعرفة مسبقاً أي معمارية تناسب بياناتهم. كما أظهر التجميع IQR أدنى متوسط لترتيب CRPS، مما يعكس تنافسية قوية في التنبؤات الاحتمالية.

الترتيب التنافسي والقيمة العملية

وفقاً للنتائج المسجلة في 20 أكتوبر 2026، يحتل نهج التجميع المرتبة الثالثة بين الأنظمة المؤهلة في ترتيب MASE و CRPS. على الرغم من أن بعض الأنظمة الأخرى (بما في ذلك تلك الخاضعة لضبط دقيق أو غير المرخصة بشكل حر) قد تحقق نتائج أعلى، إلا أن قيمة هذا النظام لا تكمن في تصدره للقوائم، بل في تقديمه لنتائج قوية ومتسقة عبر مجموعة واسعة من السلاسل الزمنية. يوفر النظام حلاً افتراضياً قوياً يغني المطورين عن عناء اختيار عضو معين، مما يجعله نقطة انطلاق عملية وفعّالة لمشاريع التنبؤ بالبيانات الزمنية.