Thoth: Mid-Training Bridges LLMs to Time Series Understanding

تخيل أن لديك محققاً عبقرياً عالمياً (نموذج لغوي كبير، أو LLM)، قد قرأ كل كتاب، وصحيفة، وموقع إلكتروني على وجه الأرض. هذا المحقق بارع في حل الألغاز، وكتابة القصص، وفهم المحادثات البشرية.

ومع ذلك، هناك شيء واحد يبرع فيه المحقق بشكل سيء للغاية: قراءة إيقاع الزمن.

إذا عرضت عليه رسماً بيانياً لأسعار الأسهم، أو معدل ضربات قلب مريض، أو درجة الحرارة في مدينة على مدار عام، فقد يرى مجرد خطوط متعرجة. هو لا يستطيع "الشعور" بالنمط. هو لا يفهم أن الارتفاع المفاجئ يعني أزمة، أو أن الصعود البطيء والثابت يعني اتجاهاً عاماً. إنه يشبه ناقداً موسيقياً قرأ كل كتب نظرية الموسيقى ولكنه لم "يسمع" أغنية واحدة في حياته.

تقدم هذه الورقة البحثية Thoth، وهو نوع جديد من المحققين الآليين المصممين لإصلاح هذه المشكلة.

إليك قصة كيف فعلوا ذلك، مشروحة ببساطة:

1. المشكلة: فجوة "اللغة"

معظم نماذج الذكاء الاصطناعي يتم تدريبها على النصوص (الكلمات). أما البيانات السلاسل الزمنية (الأرقام التي تتغير بمرور الوقت) فهي لغة مختلفة تماماً.

• الطريقة القديمة: حاول الباحثون تعليم المحقق حِيلاً محددة لحالات معينة. "إذا رأيت انخفاضاً في السهم، قل 'بع'". "إذا رأيت حمى، قل 'استدعِ طبيباً'".
• العيب: هذا يشبه تعليم طالب حفظ إجابات لاختبار محدد. إذا تغير الاختبار قليلاً، سيفشل. هم لا يفهمون حقاً مفهوم الزمن.

2. الحل: "التدريب المتوسط" (الجسر)

أدرك المؤلفون أنه بدلاً من مجرد تعليم المحقق حِيلاً محددة في نهاية تدريبه، كان عليهم منحه تعليماً متخصصاً في المنتصف.

فكر في الأمر كالتالي:

• ما قبل التدريب (Pre-Training): يقرأ المحقق المكتبة بأكملها (المعرفة العامة).
• التدريب المتوسط (جسر Thoth): قبل أن يبدأ في حل حالات محددة، يقضي عاماً يعمل فيه كـ خبير أرصاد جوية ووسيط مالي. يدرس آلاف المخططات الجوية والرسوم البيانية المالية، ويتعلم وصفها بالكلمات والتنبؤ بها من خلال الكلمات.
• ما بعد التدريب (Post-Training): الآن، عندما يعود ليكون محققاً عاماً، يمتلك قوة خارقة: يمكنه النظر إلى أي خط زمني وفهم القصة التي يرويها فوراً.

3. المكون السري: "كتاب ثوث" (Book of Thoth)

لتعليم الذكاء الاصطناعي هذه اللغة الجديدة، بنى الباحثون كتاباً مدرسياً ضخماً يسمى Book-of-Thoth.

• ماذا يوجد فيه؟ ليس مجرد أرقام. إنه قاموس ذو اتجاهين.
  • من الزمن إلى النص (Time-to-Text): أخذوا آلاف الرسوم البيانية وطلبوا من ذكاء اصطناعي كتابة قصة عنها. "هذا الخط يصعد ببطء، ثم ينهار بقوة".
  • من النص إلى الزمن (Text-to-Time): أخذوا وصفاً مثل "سهم يرتفع بثبات لمدة أسبوع ثم ينخفض" وولدوا الرسم البياني الدقيق الذي يطابقه.
• لماذا هذا رائع؟ لأنه يجبر الذكاء الاصطناعي على تعلم أن "الانخفاض المفاجئ" في الأرقام هو نفس مفهوم "الانهيار" في الكلمات. إنه يجسّر الفجوة بين العالم المرئي للبيانات والعالم المنطقي للغة.

4. المعيار الجديد: "KnoTS"

لإثبات أن محققهم أكثر ذكاءً بالفعل، أنشأوا اختباراً جديداً يسمى KnoTS (المعرفة المكثفة للسلاسل الزمنية).

• الاختبارات القديمة: "إليك رسماً بيانياً. هل هو في صعود أم هبوط؟" (سهل جداً).
• اختبار KnoTS: "إليك رسم بياني لمستويات ثاني أكسيد الكربون في التربة. نحن نعلم أن المطر يحجب الغاز. يظهر الرسم البياني انخفاضاً غريباً بعد عاصفة. لماذا حدث هذا؟"
• النتيجة: لم يقم Thoth بالتخمين فحسب؛ بل استخدم "تدريبه المتوسط" الجديد لدمج الرسم البياني مع المعرفة الواقعية (مثل كيفية تأثير المطر على التربة) لحل اللغز.

5. النتائج: محقق خارق

عندما اختبروا Thoth:

• تفوق على أكبر وأذكى نماذج الذكاء الاصطناعي المتامة حالياً (مثل GPT-4 وGemini) في فهم البيانات القائمة على الزمن.
• لم يحتج إلا إلى قدر ضئيل جداً من التدريب الإضافي ليصبح خبيراً في وظائف محددة (مثل التنبؤ باستهلاك الطاقة أو اكتشاف تشوهات ضربات القلب).
• لم ينسَ كيفية التحدث باللغة البشرية؛ بل أضاف فقط قوة خارقة فوق مهاراته الموجودة.

الصورة الكبيرة

هذه الورقة البحثية تتعلق بتعليم الذكاء الاصطنانا الشعور بتدفق الزمن.

قبل ذلك، كان الذكاء الاصطناعي مثل شخص يمكنه قراءة الخريطة ولكنه لا يستطيع قيادة السيارة. مع Thoth و Book-of-Thoth، منحوا الذكاء الاصطناعي رخصة قيادة. يمكنه الآن النظر إلى الطريق (البيانات)، وفهم أنماط حركة المرور (الاتجاهات)، واتخاذ قرارات ذكية بشأن الوجهة التالية.

هذه خطوة كبيرة للأمام لاستخدام الذكاء الاصطناعي في العالم الحقيقي، حيث كل شيء تقريباً — من حسابك البنكي إلى صحتك — هو قصة مكتوبة بالأرقام عبر الزمن.