Detecting Time Series Anomalies Like an Expert: A Multi-Agent LLM Framework with Specialized Analyzers
تقدم الورقة البحثية إطار عمل SAGE، وهو إطار عمل متعدد الوكلاء يعتمد على النماذج اللغوية الكبيرة (LLM) ويعزز اكتشاف الشذوذ في السلاسل الزمنية من خلال تفكيك المهمة إلى أربعة محللين متخصصين لأنواع مختلفة من الشذوذ، مستفيداً من التوحيد القائم على الأدلة والتعلم السياقي الاصطناعي لتحقيق أداء فائق وقابلية للتفسير مقارنة بالنماذج المرجعية الحالية.
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 طبيب تحاول تشخيص مريض يتصرف بغرابة. في الماضي، ربما كنت ستستخدم أداة واحدة عامة (مثل ميزان الحرارة) للحصول على رقم واحد وتقول: "المريض مريض". لكن هذا لا يخبرك لماذا هو مريض، أو ما نوع المرض الذي يعاني منه.
تقدم هذه الورقة البحثية SAGE (مجموعة المحللين المتخصصين للكشف الخبير)، وهي طريقة جديدة لاستخدام الذكاء الاصطناعي (وتحديداً النماذج اللغوية الكبيرة) لتعمل كفريق من الأطباء الخبراء بدلاً من مجرد متخصص عام واحد.
إليك كيف يعمل SAGE، مقسماً إلى مفاهيم بسيطة:
١. المشكلة: الطبيب "الذي يناسب الجميع"
البيانات السلاسل الزمنية (Time-series data) تشبه مراقب نبضات القلب أو مخطط سوق الأسهم؛ فهي عبارة عن خط من الأرقق التي تتغير بمرور الوقت. وأحياناً، يحدث خطأ ما (شذوذ/Anomaly).
- طرق الذكاء الاصطناعي القديمة كانت تشبه طبيباً واحداً ينظر فقط إلى المخطط ويقول: "هناك خطأ ما هنا". لقد كانوا يعطون درجة تقييمية لكنهم لم يستطيعوا شرح ما إذا كان الأمر عبارة عن طفرة مفاجئة، أو انحراف بطيء، أو إيقاع مكسور، أو نمط غريب.
- القصور: إذا لم يستطع الذكاء الاصطناعي شرح ما هو الخطأ، فمن الصعب على البشر الوثوق به أو إصلاح المشكلة.
٢. الحل: فريق من المتخصصين (SAGE)
بدلاً من محاولة ذكاء اصطناعي واحد القيام بكل شيء، يقوم SAGE بتشكيل فريق من أربعة "محققين" متخصصين (يُطلق عليهم المحللون - Analyzers). لكل واحد منهم وظيفة محددة ويستخدم أدوات خاصة للنظر إلى البيانات من زاوية مختلفة:
- محقق النقاط (Point Analyzer): يبحث عن الطفرات أو الانخفاضات المفاجئة والمعزولة. التشبيه: مثل رصد شخص واحد وسط حشد يقفز فجأة للأعلى والأسفل.
- محقق الهيكل (Struct Analyzer): يبحث عن التغيرات في الشكل العام أو الاتجاه العام. التشبيه: مثل ملاحظة أن الحشد بأكمله بدأ فجأة يسير في اتجاه مختلف أو أن الأرض قد مالت.
- محقق الإيقاع (Season Analyzer): يتحقق مما إذا كانت الأنماط المتكررة (مثل الدورات اليومية) قد انكسرت. التشبيه: مثل ملاحظة ساعة كانت تدق كل ثانية، ولكنها الآن تدق كل ثلاث ثوانٍ.
- محقق النمط (Pattern Analyzer): يبحث عن الأشكال الغريبة أو التشوهات في الموجة نفسها. التشبيه: مثل ملاحظة أغنية كانت تبدو سلسة، لكنها الآن تبدو مشوشة أو مشوهة.
٣. غرفة الأدلة: "التمثيل المزدوج" (Dual Representation)
لمساعدة هؤلاء المحققين في عملهم، يمنح SAGE نسخة من البيانات بشكلين:
١. البيانات الخام: نسخة عالية الدقة من أجل أدوات الرياضيات لمعالجة الأرقام (مثل حساب المتوسطات الدقيقة).
٢. الملخص: نسخة مضغوطة وسهلة القراءة للذكاء الاصطناعي ليقرأها بسرعة (مثل عناوين الأخبار).
هذا يوفر على الذكاء الاصطناعي عبء التعامل مع الكثير من النصوص، بينما يسمح لأدوات الرياضيات بالقيام بعملها بدقة.
٤. القاضي: "الكاشف" (The Detector)
بمجرد أن ينتهي المحققون الأربعة من عملهم، يحضرون جميعاً نتائجهم إلى القاضي (الكاشف).
- القاضي لا يكتفي بمجرد عد الأصوات؛ بل ينظر إلى الأدلة.
- إذا قال محقق النقاط "طفرة!" وقال محقق الهيكل "تغير في الاتجاه!" وكلاهما يشيران إلى نفس النقطة، فإن القاضي يعطي درجة ثقة عالية (مثلاً ٩٥٪ تأكد).
- إذا كانت الأدلة ضعيفة أو متضاربة، يقوم القاضي بخفض الدرجة.
- الأمر الجوهري: القاضي لا يقول فقط "شذوذ". بل يقول: "تم اكتشاف شذوذ بين الساعة ٢:٠٠ مساءً و٢:٠٥ مساءً، ومن المرجح أنه 'طفرة' و'تغير في الاتجاه'، بنسبة ثقة ٩٥٪".
٥. كاتب التقارير: "المشرف" (The Supervisor)
أخيراً، يأخذ المشرف الملاحظات التقنية للقاضي ويكتب تقريراً بلغة بسيطة للمحلل البشري.
- بدلاً من مجرد أرقام، سيقول: "تنبيه! النظام يتصرف بشكل عاجل. نحن نرى طفرة هائلة في القيم. يبدو أن هذا خطأ في المستشعر. افحص خط الأنابيب العلوي (upstream pipeline)."
- هذا يحول البيانات الخام إلى نصائح قابلة للتنفيذ.
٦. السر الخفي: "التدريب الاصطناعي" (Synthetic Training)
عادةً، لتعليم ذكاء اصطناعي كيفية رصد "ساعة مكسورة"، تحتاج إلى إظهار آلاف الصور للساعات المكسورة له. ولكن في العالم الحقيقي، غالباً لا نملك أمثلة كافية للأشياء "المكسورة" (الشذوذ).
- خدعة SAGE: يأخذ بيانات "طبيعية" ويقوم بتزييف حالات الشذوذ. فهو يحقن رياضياً طفرة أو تغيراً في الاتجاه داخل نمط طبيعي لإنشاء "مثال اصطناعي".
- يستخدم هذه الأمثلة المزيفة لتعليم الذكاء الاصطناعي ما الذي يجب أن يبحث عنه، دون الحاجة إلى بيانات كوارث حقيقية. هذا يسمح له بتعلم مفهوم الشذوذ دون الحاجة إلى مكتبة من الكوارث الواقعية.
النتائج
اختبرت الورقة البحثية SAGE على ثلاثة أنواع مختلفة من البيانات الواقعية (حركة مرور الويب، مقاييس خوادم تكنولوجيا المعلومات، وإحصائيات خدمات الويب).
- الأداء: تفوق SAGE على كل من الطرق الرياضية التقليدية وطرق الذكاء الاصطناعي الأخرى.
- الثقة البشرية: عندما راجع البشر (الخبراء في المجال) التقارير، صنفوا تفسيرات SAGE بأنها أكثر وضوحاً ودقة وفائدة من الطرق الأخرى.
الملخص
SAGE يشبه الترقية من حارس أمن واحد يصرخ "متسلل!" إلى فريق أمن متخصص يضم كشافاً للنقاط، ومحللاً للاتجاهات، ومدققاً للإيقاع، وخبيراً للأنماط. يجتمعون جميعاً لجمع الأدلة، والتصويت على مستوى التهديد، ثم إرسال تقرير مكتوب واضح إلى المدير يشرح بالضبط ما حدث وما يجب فعله حيال ذلك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.