🤖 machine learning

Promoting Simple Agents: Ensemble Methods for Event-Log Prediction

تُثبت هذه الورقة أن نماذج الـ n-gram خفيفة الوزن، لا سيما عند تعزيزها بخوارزمية تجميع "الترقية" المقترحة التي تختار ديناميكيًا بين النماذج النشطة، تحقق دقة تضاهي أو تتفوق على البنى العصبية في التنبؤ بسجل الأحداث، مع تقديم استقرار فائق وتكاليف حوسبة أقل بكثير.

المؤلفون الأصليون: Benedikt Bollig, Matthias Függer, Thomas Nowak, Paul Zeinaty

نُشر 2026-04-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Benedikt Bollig, Matthias Függer, Thomas Nowak, Paul Zeinaty

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بما سيفعله مستشفى مزدحم. هل سيذهب المريض إلى الجراحة؟ أم سيتم خروجه من المستشفى؟ أم سيحتاج إلى فحص جديد؟

يقوم المستشفى بتوليد تدفق هائل ومستمر من الملاحظات (سجل أحداث). مهمتك هي النظر في تاريخ مريض معين وتخمين خطوته التالية مباشرة. هذا هو تحدي التنبؤ بسجل الأحداث (Event-Log Prediction).

لفترة طويلة، حاول الخبراء حل هذه المشكلة باستخدام نهجين رئيسيين:

"العقل الفائق" (الشبكات العصبية): وهي نماذج ذكاء اصطناعي معقدة مثل (LSTMs) و(Transformers). إنها تشبه المحققين العباقرة الذين يمكنهم قراءة آلاف الصفحات من التاريخ للعثور على أنماط دقيقة. إنها قوية ولكنها بطيئة، وتستهلك الكثير من قدرة الحاسوب، وأحياناً يصيبها الارتباك إذا نظرت إلى الكثير من التاريخ أو القليل منه.
"مدون الملاحظات البسيط" (n-grams): وهي نماذج خفيفة الوزن تكتفي بالنظر إلى الخطوات القليلة الأخيرة فقط. إذا كان المريض عادة يمر بـ "فحص روتيني ← فحص دم ← أشعة سينية"، فإن مدون الملاحظات يتذكر هذا النمط فحسب. إنها سريعة وغير مكلفة، لكنها قد تتعثر إذا كان النمط طويلاً جداً أو معقداً للغاية.

المشكلة: معضلة "النافذة"

كلا الطريقتين لديه إعداد صعب يسمى حجم النافذة (Window Size).

تخيل أنك تنظر عبر نافذة إلى موكب احتفالي.
إذا كانت النافذة صغيرة جداً، فستفقد السياق (ترى مهرجاً ولكن لا تعرف أنه جزء من سيرك).
إذا كانت النافذة كبيرة جداً، فستشعر بالارتباك من الموكب بأكره، وسيتشتت "العقل الفائق" في محاولة التركيز على الجزء الصحيح.
البحث عن حجم النافذة المثالي يشبه محاولة تخمين الكمية الدقيقة من الملح لإضافتها إلى الحساء قبل تذوقه؛ إنها مجرد مقامرة.

الحل: فريق من الوكلاء البسيطين

تساءل مؤلفو هذه الورقة البحثية: ماذا لو لم نعتمد على محقق عبقري واحد أو مدون ملاحظات بسيط واحد، بل استخدمنا فريقاً من الوكلاء البسيطين يعملون معاً؟

لقد اختبروا طريقتين للقيام بذلك:

1. نهج "الكل يعمل معاً" (الأسلوب التقليدي - Classic Ensemble)

تخيل توظيف لجنة كاملة من مدوني الملاحظات، كل منهم ينظر عبر نافذة بحجم مختلف (أحدهم ينظر إلى آخر 3 خطوات، والآخر إلى 5، والآخر إلى 10، وهكذا). جميعهم يصرخون بتوقعاتهم، ثم تأخذ تصويتاً.

المزايا: دقيقة جداً.
العيوب: مكلفة. عليك تشغيل كل هؤلاء الوكلاء في نفس الوقت، مما يستهلك الكثير من الذاكرة ويبطئ العمل. الأمر يشبه توظيف 50 شخصاً للرد على مكالمة هاتفية واحدة.

2. "خوارزمية الترقية" (ابتكار الورقة البحثية)

هذا هو نجم العرض. بدلاً من توظيف لجنة كاملة، تقوم بتوظيف وكيلين اثنين فقط:

الوكيل (أ): مدون ملاحظات بسيط بنوافذ صغيرة (ينظر إلى الخطوات القليلة الأخيرة).
الوكيل (ب): مدون ملاحظات أذكى قليلاً بنوافذ أكبر (ينظر إلى تاريخ أكثر).

كيف تعمل:

تترك الوكيل (أ) يقوم بالتنبؤ لأنه سريع وغير مكلف.
تراقب الوكيل (ب) بهدوء في الخلفية.
إذا بدأ الوكيل (ب) في الحصول على الإجابات الصحيحة بشكل متكرر أكثر من الوكيل (أ) لعدة خطوات متتالية (مثلاً 20 مرة)، فإنك ترقي الوكيل (ب) ليصبح هو المتنبئ الرئيسي.
إذا بدأ الوكيل (ب) في ارتكاب الأخطاء، فأنت لا تطرده؛ بل تبقيه في الاحتياط فقط. وإذا كان هناك وكيل ثالث، حتى أكبر منه، فقد تقوم بترقية هذا الوكيل بدلاً منه.

التشبيه:
فكر في الأمر كسباق تتابع حيث يتم تمرير العصا بناءً على الأداء. أنت لا تحتاج إلى 10 عداءين يركضون في وقت واحد؛ بل لديك عداء واحد يركض، ومدرب يراقب عداءً ثانياً. إذا بدأ العداء الثاني في الركض بشكل أسرع، يصرخ المدرب: "تبديل!" ويأخذ العداء الثاني زمام المبادرة.

ماذا وجدوا؟

البساطة غالباً ما تكون كافية: كانت "مدونات الملاحظات" البسيطة (n-grams) جيدة بشكل مفاجئ. لقد طابقت دقة "العقول الفائقة" (الشبكات العصبية) في حالات كثيرة.
الاستقرار: النماذج المعقدة للذكاء الاصطناعي قد تتعطل أو ترتبك أحياناً عندما يكون "حجم النافذة" خاطئاً. أما الوكلاء البسيطون فكانوا أكثر استقراراً بكثير.
الفائز: كانت "خوارزمية الترقية" هي الأفضل من كلا الجانبين. فقد كانت دقيقة تقريباً مثل الذكاء الاصطناعي المعقد، ولكنها كانت أسرع بكثير واستخدمت قدر أقل بكثير من قدرة الحاسوب لأنها لا تقوم بتشغيل سوى وكيلين بسيطين في كل مرة.

لماذا يهم هذا؟

في العالم الحقيقي، نحتاج إلى حدوث التنبؤات فوراً (مثل التنبؤ بانهيار الخادم قبل حدوثه أو تدهور حالة المريض في الوقت الفعلي).

تشغيل نموذج ذكاء اصطناعي ضخم ومعقد يشبه استخدام سوبر كمبيوتر للتحقق من حالة الطقس؛ إنه يعمل، لكنه مبالغ فيه وبطيء.
خوارزمية الترقية تشبه تطبيق طقس ذكي وخفيف الوزن يحدث نفسه تلقائياً بناءً على من يؤدي أفضل وظيفة حالياً. إنها سريعة، فعالة، وموثوقة.

باختاً: لست بحاجة دائماً إلى عقل عملاق لحل مشكلة ما. أحياناً، يكون فريق صغير من العمال البسيطين، الذين يعرفون متى يتقدمون ويتولون المسؤولية، هو الحل الأكثر كفاءة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تعزيز الوكلاء البسيطين: أساليب التجميع للتنبؤ بسجلات الأحداث (Promoting Simple Agents: Ensemble Methods for Event-Log Prediction)."

1. بيان المشكلة

تتناول الورقة تحدي التنبؤ بالنشاط التالي (next-activity prediction) في سجلات الأحداث المتدفقة، وهي مهمة جوهرية في تنقيب العمليات (process mining). تُنتج أنظمة المعلومات الحديثة سجلات مستمرة ومرتبة زمنياً من الأنشطة المنفصلة (مثل علاجات المرضى في المستشفيات، أو عمليات الخوادم). والهدف هو التنبؤ بالنشاط التالي في حالة عملية معينة (case) بناءً على تاريخها.

التحديات الرئيسية المحددة:

استهلاك الموارد: غالباً ما تتطلب نماذج التعلم العميق الحديثة (مثل LSTMs وTransformers) موارد حوسبة وذاكرة كبيرة، مما يجعلها أقل ملاءمة للتطبيقات التدفقية ذات الإنتاجية العالية والوقت الفعلي.
الحساسية لحجم النافذة (Window Size): تعتمد النماذج التدفقية غالباً على نوافذ منزلقة للحد من السياق. ومع ذلك، فإن اختيار حجم النافذة الأمثل أمر صعب؛ فالنافذة الصغيرة جداً تفقد الاعتماديات طويلة المدى، بينما النافذة الكبيرة جداً تؤدي إلى ندرة البيانات (للنماذج الإحصائية) أو تدهور حوسبي (للنماذج القائمة على الانتباه/Attention).
عدم الاستقرار: لوحظ أن النماذج العصبية، وخاصة الـ Transformers، تظهر أنماط أداء غير مستقرة عندما تختلف أحجام النوافذ، حيث تعاني أحياناً من انخفاضات مفاجئة في الدقة.
العبء الإضافي للتجميع (Ensemble Overhead): بينما يمكن لأساليب التجميع (التي تجمع بين عدة نماذج) تحسين المتانة، فإن النهج التقليدية مثل "التصويت الناعم" (soft voting) تتطلب تشغيل العديد من الوكلاء بالتوازي، مما يزيد من زمن التأخير واستهلاك الذاكرة.

2. المنهجية

يقترح المؤلفون دراسة مقارنة للنماذج القائمة على الأوتوماتا (automata) خفيفة الوزن مقابل البنى العصبية المعقدة، وصولاً إلى استراتيجية تجميع مبتكرة.

أ. النماذج المرجعية (Baseline Models)

الـ n-grams: تُمثل كأوتوماتا ذات احتمالات محددة (PDFAs). وهي تعتمد على تكرار آخر (n-1) من الأنشطة (التاريخ) للتنبؤ بالنشاط التالي. وهي منخفضة التكلفة حوسبياً ومناسبة بطبيعتها للتدفق (streaming).
الـ LSTM (الذاكرة الطويلة قصيرة المدى): هي شبكة عصبية متكررة قادرة على التقاط الاعتماديات طويلة المدى عبر خلايا الذاكرة.
الـ Transformer: بنية قائمة على آلية الانتباه (attention). في بيئات التدفق، يستخدم المؤلفون نوافذ منزلقة لتقليص تسلسلات المدخلات لإدارة التكاليف الحوسبية، مع استخدام تضمينات الموضع الدوارة (Rotary Positional Embeddings - RoPE).

ب. الابتكار: خوارزمية الترقية (The Promotion Algorithm)

للتغلب على المقايضة بين متانة التجميع وبين العبء الإضافي لتشغيل عدة وكلاء، يقترح المؤلفون خوارزمية الترقية:

الآلية: بدلاً من تشغيل جميع الوكلاء بالتوازي (كما في التصويت الناعم)، تحافظ هذه الخوارمة على نموذجين نشطين فقط في أي وقت أثناء الاستدلال:
1. نموذج نشط حالي ( $M_i$ ) بحجم نافذة أصغر.
2. نموذج مرشح ( $M_{i+1}$ ) بحجم نافذة أكبر.
المنطق: يتنبأ كلا النموذجين بالنشاط التالي. يقوم النظام بتتبع دقة كلا النموذجين. إذا تفوق النموذج ذو النافذة الأكبر ( $M_{i+1}$ ) على النموذج الحالي لعدد متتالي من التنبؤات يبلغ العتبة $\tau$ ، فإنه يتم "ترقيته" ليصبح هو النموذج النشط الجديد.
المزايا: يقلل هذا الاختيار الديناميكي من بصمة الذاكرة وزمن التأخير بشكل كبير مقارنة بالتجميع الكامل، مع التكيف مع حجم السياق الأمثل لتدفق البيانات الحالي.

ج. الإعداد التجريبي

البيانات الاصطناعية: صُممت لاختبار خصائص محددة مثل العدّ (counting)، والدورية (periodicity)، والتمييز (discrimination) (مثل $AAABBB$ و $xx\bar{x}$ ). وتتضمن هذه البيانات أنماطاً حتمية وعشوائية لاختبار التعميم.
البيانات الواقعية: خمس مجموعات بيانات قياسية لتنقيب العمليات (Sepsis, BPI 2012, 2013, 2017, 2018) تتراوح أحجامها من ~15 ألف إلى ~2.5 مليون حدث.
المقاييس: دقة التنبؤ، متوسط وقت التنبؤ ( $\Delta t_{pred}$ )، ووقت التدريب ( $\Delta t_{train}$ ).

3. المساهمات الرئيسية

التحليل التجريبي لأحجام النوافذ: توضح الدراسة أنه بينما تحقق نماذج LSTM وTransformers دقة عالية عموماً، إلا أنها حساسة للغاية لحجم النافذة. وتظهر نماذج Transformers، على وجه الخصوص، تدهوراً في الأداء مع زيادة أحجام النوافذ عن حد معين بسبب قيود آلية الانتباه. في المقابل، توفر نماذج n-grams دقة مستقرة عبر نطاق واسع من أحجام النوافذ.
خوارزمية الترقية: طريقة تجميع مبتكرة ومنخفضة العبء، تقوم بالتبديل ديناميكياً بين وكيلين. وهي تحقق متانة التجميع دون تكلفة التنفيذ المتوازي لأساليب التصويت التقليدية.
المقايضة بين الكفاءة والدقة: تثبت الورقة أن تجميع نماذج n-gram البسيطة يمكن أن يضاهي أو يتجاوز دقة النماذج العصبية غير المعتمدة على النوافذ، مع استهلاك موارد حوسبية أقل بكثير.

4. النتائج

نتائج البيانات الاصطناعية

الاستقرار: حافظت نماذج n-grams على دقة مستقرة عبر نطاق واسع من أحجام النوافذ.
عدم استقرار النماذج العصبية: أظهرت نماذج Transformers انخفاضات كبيرة في الدقة عندما تجاوزت أحجام النوافذ عتبات معينة (مثلاً >16 في نمط $AAABBB$ ). وكانت نماذج LSTM أكثر استقراراً ولكنها لا تزال تظهر انخفاضات عرضية.
أداء التجميع: طابقت خوارزمية الترقية دقة النماذج الفردية أو تجاوزتها. وبالنسبة للأنماط العشوائية المعقدة، فقد تفوقت على نموذج 5-gram الأساسي واقتربت من دقة نماذج LSTM/Transformers المعتمدة على النوافذ.
زمن التأخير: كان زمن التنبؤ لخوارزمية الترقية ( $\sim 26 \mu s$ ) مقارباً لنموذج n-gram واحد، وأسرع بكثير من نماذج LSTM ( $\sim 932 \mu s$ ) أو Transformers ( $\sim 2647 \mu s$ ).

نتائج البيانات الواقعية

الدقة: في مجموعات البيانات الواقعية، حققت نماذج LSTM عموماً أعلى دقة خام. ومع ذلك، حقق كل من خوارزمية الترقية وتجميعات التصويت الناعم لنماذج n-grams دقة مماثلة أو أفضل قليلاً من أفضل نموذج n-gram منفرد، وفي بعض الحالات (مثل BPI 2018)، تفوقت على النماذج العصبية المعتمدة على النوافذ.
الكفاءة: كانت خوارزمية الترقية هي الطريقة الأكثر كفاءة في التجميع؛ حيث بلغ زمن التنبؤ فيها $62 \mu s$ على مجموعة بيانات Sepsis، مقارنة بـ $1106 \mu s$ لنماذج LSTM المعتمدة على النوافذ.
التدريب: كانت أوقات تدريب الطرق القائمة على n-gram أسرع بعدة مراتب من الشبكات العصبية (على سبيل المثال، $10 \mu s$ مقابل $3370 \mu s$ لكل نشاط).

5. الأهمية والخاتمة

تتحدى هذه الورقة الافتراض القائل بأن البنى المعقدة للتعلم العميق ضرورية دائماً للتنبؤ بسجلات الأحداث. وتثبت ما يلي:

البساطة فعالة: النماذج الخفيفة (n-grams) تنافس بقوة النماذج العصبية، وتوفر أداءً مستقراً وكفاءة حوسبية فائقة.
التكيف الديناميكي: توفر خوارزمية الترقية حلاً عملياً لبيئات التدفق حيث يكون حجم السياق الأمثل غير معروف أو يتغير بمرور الوقت. فهي توفر متانة التجميع مع زمن تأخير النموذج المنفرد.
التطبيق العملي: بالنسبة لمراقبة العمليات في الوقت الفعلي (مثل الرعاية الصحية أو البنية التحتية)، تتيح الطريقة المقترحة تنبؤاً عالي الدقة مع متطلبات أجهزة أقل، مما يجعلها قابلة للنشر في البيئات محدودة الموارد أو عالية الإنتاجية.

العمل المستقبلي: يقترح المؤلفون توسيع الخوارزمية لتشمل آليات "الخفض" (demotion) للتعامل مع زحف المفهوم (concept drift) (حيث تتغير سلوكيات العمليات بمرور الوقت) وأتمتة اختيار مجموعات n-gram وعتبة الترقية $\tau$ .