نموذج جديد طوره الخبراء لتعزيز القدرة على التنبؤ بالأوبئة والطاقة
كتبت: أمنية شكري
وفقًا لموقع Homeland Security News Wire في 6 ديسمبر، طور باحثون من معهد جورجيا للتكنولوجيا نموذجًا جديدًا في مجال التعلم الآلي (ML) يمكن أن يساعد في حماية المجتمعات من الأوبئة، وإدارة استهلاك الطاقة في المدن بشكل أفضل، وتعزيز نمو الأعمال التجارية. حيث قام باحثون من كلية علوم الحوسبة والهندسة (CSE) في معهد جورجيا للتكنولوجيا بإنشاء إطار عمل نموذج LPTM (النموذج الزمني الكبير المدرب مسبقًا)، وهو نموذج أساسي واحد يمكنه أداء مهام التنبؤ في مجموعة واسعة من المجالات.
يتفوق أداء نموذج LPTM أو يعادل أداء النماذج المخصصة لتطبيقات معينة. ومقارنةً بالمعايير الحالية، يحتاج نموذج LPTM إلى 40% أقل من البيانات، كما يقلل من وقت التدريب بنسبة 50%. في بعض الحالات، يمكن نشر LPTM دون الحاجة إلى أي بيانات تدريب. ويكمن الابتكار الرئيس في LPTM في أنه تم تدريبه مسبقًا باستخدام مجموعات بيانات من صناعات مختلفة مثل الرعاية الصحية، النقل، الطاقة. كما أنشأ فريق البحث في معهد جورجيا للتكنولوجيا وحدة تقسيم تكيفية للاستفادة بشكل فعال من هذه المجموعات البيانية المتفاوتة.
عرض الباحثون LPTM في مؤتمر NeurIPS 2024 الذي عُقد في فانكوفر بكندا، وهو أحد أبرز مؤتمرات البحث في الذكاء الاصطناعي (AI) والتعلم الآلي على مستوى العالم. حيث تم تدريب نموذج LPTM على مجموعات بيانات تشمل الأوبئة، الاقتصاد الكلي، استهلاك الطاقة، النقل، سوق الأسهم، بالإضافة إلى بيانات حركات وسلوكيات البشر. وبعد التدريب، قارن فريق البحث LPTM مع 17 نموذجًا آخر، وجعلوا نتائج التنبؤات الخاصة به تقترب من تسعة معايير واقعية. حيث سجل LPTM أفضل أداء في خمسة من مجموعات البيانات، بينما حصل على المركز الثاني في أربع مجموعات أخرى. وتتضمن المعايير التسعة بيانات حقيقية مثل: انتشار الأنفلونزا في الولايات المتحدة واليابان، وطلب الكهرباء، والنقل، وطلب سيارات الأجرة في نيويورك، بالإضافة إلى بيانات السوق المالية.
في تجربة أخرى، اختبر فريق معهد جورجيا للتكنولوجيا نموذج LPTM مقابل سبعة نماذج أساسية في مهمة التنبؤ بنقطة الصفر على المعايير التسعة نفسها. وهذا ما يُعرف بـ "التنبؤ دون تدريب"، حيث يتم استخدام النموذج مباشرة دون إعطاء أي توجيهات محددة. ففي هذه التجربة، تفوق LPTM على جميع النماذج الأخرى في جميع اختبارات المعايير. كما أظهر LPTM في جميع المعايير التسعة أنه قادر على تحقيق نتائج تنبؤية ممتازة حتى في ظل الموارد المحدودة، مما يبرز قدرته على التكيف مع مجموعة متنوعة من التطبيقات.
حلت وحدة التقسيم التكيفية في LPTM مشكلة التباين الزمني بين مجموعات البيانات. فعند استقبال البيانات، تقوم الوحدة بتقسيمها إلى قطع مختلفة الحجم، ثم تقوم بتقييم جميع طرق التقسيم الممكنة، وتختار الطريقة الأكثر سهولة لتعلم الأنماط المفيدة.
لقد عزز الابتكار في التقسيم التكيفي من أداء LPTM، مما جعله يحظى بالتقدير في مؤتمر NeurIPS 2024 الذي أقيم في الفترة من 10 إلى 15 ديسمبر.
المصدر: Homeland Security News Wire
https://mp.weixin.qq.com/s/am2fgHWsT_X1xPZXizuumQ?fbclid=IwZXh0bgNhZW0CMTAAAR2xO3R9tKwMxYXicY3TO1nfsqalx_AFCYPsZJS_i1NLRy2BbDogrgLbESw_aem_gyHkdG6FoCPPBGKCL2lssw
