تخيل أنك تحاول التنبؤ بالمستقبل، ولكن بدلاً من تخمين حالة الطقس أو سوق الأسهم، أنت تنظر إلى خط طويل ومتعرج من الأرقام التي تتغير بمرور الوقت. يُسمى هذا التنبؤ بالسلاسل الزمنية (time series forecasting). لعقود من الزمن، استخدم العلماء حيلًا رياضية وبرامج حاسوبية بسيطة لتخمين ما سيحدث لاحقًا في هذه الخطوط. ولكن مؤخرًا، وصل نوع جديد من الأدمغة الحاسوبية فائقة الذكاء يُسمى النموذج التأسيسي (foundation model). فكر في هذه النماذج كأنها شيف ماهر تذوق كل طبق في العالم؛ فبدلاً من تعلم طبخ وصفة واحدة فقط (مثل توقع استهلاك الكهرباء)، يتعلم "لغة" جميع الوصفات في وقت واحد. وهذا يسمح له بتخمين مستقبل أي طبق جديد لم يره من قبل، بمجرد النظر إلى بعض المكونات، وهو ما يُسمى التنبؤ بصفر من التدريب (zero-shot forecasting). ومع ذلك، هناك عقبة: لكي يصبح هذا الشيف ماهرًا، تحتاج هذه النماذج عادةً إلى أجهزة كمبيوتر ضخمة واستهلاك هائل للكهرباء لتشغيلها. إنها تشبه شاحنة عملاقة تستهلك الكثير من الوقود، يمكنها حمل الكثير من البضائع ولكن من المستحيل قيادتها في شوارع المدينة الضيقة.

يقدم هذا البحث Reverso، وهي عائلة جديدة من نماذج السلاسـل الزمنية التي تطرح سؤالًا بسيطًا: هل نحتاج حقًا إلى شاحنة عملاقة لتوصيل الطرد، أم يمكننا بناء دراجة نارية رشيقة وفعالة تصل بنفس السرعة؟ يرى المؤلفون، وهم فريق من الباحثين، أن الهوس الحالي بجعل النماذج أكبر فأكبر قد يكون قد أخطأ الهدف. هم يقترحون أن سر النموذج الرائع للسلاسل الزمنية ليس مجًا في الحجم الخام، بل في كيفية نظر النموذج بذكاء إلى البيانات. لقد بنوا Reverso ليكون صغيرًا — فبعض النسخ تحتوي على بضع مئات الآلاف فقط من المعلمات (التي تمثل "خلايا دماغ" النموذج) — ومع ذلك فهي تؤدي بشكل جيد تمامًا مثل العمالقة الذين يمتلكون مليارات المعلمات. يشير البحث إلى أنه باستخدام بعض الحيل الذكية، يمكننا جعل هذه النماذج صغيرة بما يكفي لتعمل على الأجهزة اليومية، مثل الكمبيوتر المحمول أو حتى الهاتف، دون فقدان قدرتها على التنبؤ بالمستقبل بدقة.

المشكلة مع النماذج العملاقة

في عالم الذكاء الاصطناعي، هناك فكرة شائعة مفادها أن "الأكبر هو الأفضل". إذا كنت تريد نموذجًا ذكيًا، فما عليك سوى إعطائه المزيد من البيانات والمزيد من خلايا الدماغ. لقد حقق هذا نجاحًا باهرًا في اللغة والرؤية، مما أدى إلى ظهور نماذج ضخمة يمكنها كتابة المقالات أو التعرف على القطط. ولكن بالنسبة للسلاسل الزمنية، أدى هذا النهج إلى إنشاء نماذج تضم مئات الملايين من خلايا الدماغ. ورغم أنها جيدة في التنبؤ بالمستقبل، إلا أنها تشكل عبئًا عند الاستخدام؛ فهي ثقيلة جدًا للعمل على الأجهزة الصغيرة، ومكلفة للغاية في التدريب، وبطيئة جدًا للاستخدام في المواقف التي تتطلب وقتًا فعليًا (real-time). الأمر يشبه محاولة استخدام أسطوانة دك الطرق لإصلاح إطار دراجة هوائية؛ العملية تنجح، لكنها غير فعالة على الإطلاق.

قرر مؤلفو هذا البحث تجربة مسار مختلف. فبدلاً من مجرد جعل النموذج أكبر، سألوا: كيف يمكننا جعل النموذج أكثر ذكاءً في كيفية النظر إلى البيانات؟ أرادوا بناء نموذج "كفء في استخدام المعلمات" (parameter-efficient)، بمعنى أنه يحقق أقصى استفادة مقابل ما يستهلكه. لم يرغبوا فقط في نموذج صغير، بل أرادوا نموذجًا صغيرًا يمكنه لا يزال منافسة العمالقة.

وصفة Reverso: ثلاث حيل سحرية

لبناء Reverso، أعد المؤلفون وصفة بسيطة تتكون من ثلاثة مكونات رئيسية. فكر في الأمر كتحضير وجبة لا تكتفي فيها برمي كل شيء في القدر، بل تجهزها بطريقة تبرز أفضل النكهات.

1. استراتيجية "عدسة الزووم" (المدخلات متعددة المقاييس)
تخيل أنك تنظر إلى طريق طويل. إذا نظرت إليه عن قرب شديد فقط، سترى الشقوق في الأسفلت. وإذا نظرت إليه من بعيد جدًا، سترى الطريق السريع بأكمله ولكن ستفقد التفاصيل. معظم النماذج تحاول النظر إلى الطريق من مسافة واحدة فقط. أما Reverso، فيستخدم "عدسة زووم". فهو يأخذ نفس بيانات السلسلة الزمنية وينظر إليها من خلال أربع عدسات مختلفة في آن واحد:

• عدسة ترى البيانات كما هي (تفاصيل عالية).
• عدسة تتخطى كل نقطة أخرى (تفاصيل متوسطة).
• عدسة تتخطى كل ثلاث نقاط (تفاصيل منخفضة).
• عدسة تتخطى نقاطًا أكثر (تفاصيل منخفضة جدًا).

من خلال تغذية النموذج بهذه "الرؤى" الأربع لنفس البيانات في وقت واحد، يمكن للنموذج تعلم الأنماط التي تحدث بسرعة (مثل الارتفاع المفاجئ) والأنماط التي تحدث ببطء (مثل الاتجاه الموسمي) في آن واحد. هذا يشبه امتلاك فريق من أربعة محققين، كل منهم ينظر إلى مسرح الجريمة من زاوية مختلفة، ثم يجمعون ملاحظاتهم. تتيح هذه الحيلة للنموذج فهم الأنماط طويلة المدى دون الحاجة إلى تذكر كمية هائلة من البيانات في وقت واحد.

2. "المحرك الهجين" (خلط التسلسل)
بمجرد حصول النموذج على بياناته، يحتاج إلى معالجتها. تستخدم معظم النماذج طريقة تسمى "الانتباه" (attention)، وهي تشبه كشاف الضوء الذي يمسح التاريخ الكامل للبيانات للعثق بما هو مهم. هذه الطريقة قوية ولكنها بطيئة وثقيلة. يستخدم Reverso محركًا هجينًا ينتقل بين نوعين مختلفين من المعالجة:

• التلافيف طويلة المدى (Long Convolutions): وهي تشبه نافذة منزلقة تمسح البيانات للعثور على الأنماط المتكررة، تمامًا مثل قسم الإيقاع في فرقة موسيقية يحافظ على الوزن.
• طبقات DeltaNet: وهي نوع من الطبقات "الاسترجاعية الخطية". فكر فيها كبنك ذاكرة يحدث نفسه باستمرار، ويتذكر أهم الأشياء دون الحاجة لإعادة قراءة التاريخ بالكامل.

وجد المؤلفون أن الجمع بين هذين النوعين — استخدام "النافذة المنزلقة" لبعض الأجزاء و"بنك الذاكرة" لأجزاء أخرى — كان هو النقطة المثالية. لقد كان أسرع وأخف من استخدام "كشاف الضوء" الثقيل (الانتباه) أو مجرد "بنك الذاكرة". إنه يشبه قيادة سيارة تمتلك كلاً من الشاحن التوربيني للسرعة والبطارية الهجينة للكفاءة.

3. "المفكك الذكي" (رأس الانتباه)
أخيرًا، بعد أن يعالج النموذج البيانات، يحتاج إلى تقديم تنبؤ. يستخدم Reverso "مفككًا" (decoder) خاصًا في النهاية يستخدم شكلًا خفيفًا من الانتباه. هذا الجزء هو الذي يقول فعليًا: "بناءً على كل ما رأيته، إليك ما أعتقد أنه سيحدث لاحقًا". وجد المؤلفون أن هذا النوع المحدد من المفككات كان أفضل بكثير في تقديم تنبؤات دقيقة من الحسابات البسيطة والجامدة.

النتائج: صغير ولكن قوي

قام الفريق بتدريب ثلاث نسخ من Reverso: نسخة متناهية الصغر (200,000 معلمة)، ونسخة صغيرة (550,000 معلمة)، ونسخة قياسية (2.6 مليون معلمة). ثم اختبروا هذه النماذج مقابل أكبر وأثقل النماذج في العالم، والتي يمتلك بعضها أكثر من مليار معلمة.

كانت النتائج مذهلة. في اختبار Gift-Eval benchmark (وهو اختبار ضخم لمهارات التنبؤ عبر أنواع مختلفة من البيانات)، حقق نموذج Reverso القياسي درجة 0.706. وهذا أمر تنافسي للغاية، حيث تفوق على نماذج مثل FlowState (2.6 مليون معلمة) و Tiny-Time Mixers (مليون معلمة). كما اقترب كثيرًا من العمالقة مثل TimesFM-2.5 (200 مليون معلمة) و Xihe-Max (1.5 مليار معلمة).

لكن السحر الحقيقي لم يكن في الدقة فحسب؛ بل في السرعة واستخدام الذاكرة. نظرًا لأن Reverso صغير جدًا، فإنه يعمل بشكل أسرع ويستخدم ذاكرة أقل بكيرًا. قاس المؤلفون "زمن انتقال الاستدلال" (inference latency) — أي الوقت المستغرق لتقديم تنبؤ — ووجدوا أن Reverso أسرع بكثير من النماذج الضخمة. إنه يشبه مقارنة سيارة رياضية بقطار بضائع: يمكن للقطار حمل الكثير، لكن السيارة الرياضية توصلك إلى وجهتك بشكل أسرع وتستهلك وقودًا أقل.

ما يمكن لـ Reverso فعله (وما لا يمكنه فعله)

يظهر البحث أن Reverso ممتاز في التنبؤ بصفر من التدريب (zero-shot forecasting)، والتصنيف (classification)، واكتشاف الشذوذ (anomaly detection) (رصد الأحداث الغريبة وغير المتوقعة). على سبيل المثال، في الاختبارات للعثور على الشذوذ، اكتشف Reverso أحداثًا غريبة أكثر من النماذج الأخرى، حتى عندما كان معيار "الغرابة" صارمًا جدًا.

ومع ذلك، كان المؤلفون صريحين بشأن الحدود:

• هو مخصص غالبًا لخطوط البيانات الفردية: تم تدريب Reverso حاليًا كنموذج "أحادي المتغير" (univariate)، مما يعني أنه ينظر إلى خط واحد من الأرقام في كل مرة. هو لا يتعامل بعد مع خطوط البيانات المتعددة (multivariate) التي تعتمد على بعضها البعض بنفس كفاءة النماذج العملاقة التي تستخدم آليات انتباه معقدة.
• التسلسلات القصيرة صعبة: بينما يتفوق Reverso في التنبؤات طويلة المدى، فإنه يتراجع أحيانًا أمام النماذج العملاقة عندما تكون البيانات قصيرة جدًا.
• هو يتنبأ بالأرقام، وليس بالاحتمالات: يعطي Reverso تخمينًا واحدًا للأفضل (point prediction). هو لا يخبرك بشكل طبيعي بمدى ثقته (مثل "أنا متأكد بنسبة 90% أنها ستمطر"). يقترح المؤلفون أنه يمكن إضافة هذه الميزة لاحقًا، لكنها ليست مدمجة فيه حاليًا.

لماذا يهم هذا؟

الدرس الرئيسي من Reverso هو أن الحجم ليس كل شيء. يشير البحث إلى أنه بالنسبة للعديد من المهام الواقعية، فإن العائق ليس حجم النموذج، بل مدى جودة تصميمه. من خلال استخدام مزيج ذكي من المدخلات متعددة المقاييس والمعالجة الهجينة، يمكنك بناء نموذج صغير بما يكفي للعمل على كمبيوتر محمول أو هاتف، ولكنه ذكي بما يكفي لمنافسة الحواسيب الفائقة.

هذا أمر بالغ الأهمية لأنه يعني أننا قد لا نحتاج باستمرار إلى بناء نماذج أكبر فأكبر تتطلب مراكز بيانات ضخمة. بدلاً من ذلك، يمكننا بناء نماذج فعالة ومدمجة يمكن نشرها في أي مكان — في ساعتك الذكية، أو في سيارة ذاتية القيادة، أو في محطة أرصاد جوية بعيدة. يخلص المؤلفون إلى أن التصميم المدروس يمكن أن يغير "حد الكفاءة والأداء"، مما يجعل الذكاء الاصطناعي القوي متاحًا للجميع، وليس فقط لأولئك الذين يمتلكون قدرات حوسبة غير محدودة.

باختصار، يثبت Reverso أنك لست بحاجة لتكون عملاقًا لترى المستقبل بوضوح؛ أنت فقط بحاجة لمعرفة كيفية النظر إليه من الزوايا الصحيحة.