🤖 machine learning

ForecastCompass: Guiding Agentic Forecasting with Adaptive Factor Memory

يُعد "فوركاست كومباس" (FoCo) إطار عمل ذاكرة تكيفي قائم على العوامل، يعمل على تعزيز التنبؤ الوكيل عبر تنظيم الخبرات في عوامل تنبؤية ومبادئ استدلالية قابلة لإعادة الاستخدام، مما يمكّن الوكلاء من صقل دقة احتمالاتهم ومعايرتها بشكل تكراري من خلال التحليل الاسترجاعي.

المؤلفون الأصليون: Yurui Chang, Yongkang Du, Yuanpu Cao, Jinghui Chen, Lu Lin

نُشر 2026-06-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yurui Chang, Yongkang Du, Yuanpu Cao, Jinghui Chen, Lu Lin

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 تعمل كمتنبئ جوي محترف. في الأيام الخوالي، ربما كنت تكتفي بالنظر إلى السماء والتخمين فحسب. أما اليوم، فلديك مساعد ذكي للغاية (عميل ذكاء اصطناعي) يمكنه قراءة الملايين من المقالات الإخبارية، والتحقق من البيانات التاريخية، والتحدث مع الخبراء لتقديم توقع.

ولكن إليك المشكلة: حتى المساعدين الأذكياء يقعون في نفس الأخطاء مراراً وتكرارًا. قد يشعرون بثقة مفرطة في يوم مشمس لمجرد أن السماء زرقاء، متجاهلين أن عاصفة بدأت تتشكل بالفعل. أو قد ينسون أن "الشعبية" لا تعني دائمًا "النجاح" على المدى القصير.

تقدم ورقة بحثية بعنوان "ForecastCompass" طريقة جديدة لتعليم هؤلاء المساعدين الذكيّين كيفية التعلم من أخطائهم الماضية دون الاكتفاء بحفظ إجابات محددة. فكر في الأمر كأنك تمنح الذكاء الاصطناعي "بوصلة تنبؤ" شخصية ومتطورة بدلاً من مجرد موسوعة جامدة.

إليك كيف يعمل ذلك، مقسماً إلى مفاهيم بسيطة:

1. المشكلة: فخ "الذاكرة العامة"

تخيل أنك تسأل ذكاءً اصطناعياً: "هل سيصبح تطبيق الأفلام الجديد هذا رائجاً؟"

الطريقة القديمة (الذاكرة العامة): ينظر الذكاء الاصطناعي في ملاحظاته ويرى: "هذا التطبيق لديه تقييمات رائعة وعلامة تجارية مشهورة". فيستنتج: "نعم، سيكون رقم 1!"
الخلل: هذا يشبه الحكم على حصان سباق بمجرد النظر إلى لمعان شعره. لقد أغفل الذكاء الاصطناعي المحركات الحقيقية: هل يتم عرضه في الصفحة الرئيسية اليوم؟ هل تعطل منافس للتو؟ هل هناك حملة إعلانية مفاجئة؟
النتيجة: يخطئ الذكاء الاصطناعي في الإجابة لأنه اعتمد على "حقائق ثابتة" (العلامة التجارية) بدلاً من "عوامل ديناميكية" (ما يحدث الآن).

2. الحل: "البوصلة" (FOCO)

ابتكر المؤلفون نظام FOCO (ForecastCompass). بدلاً من مجرد تخزين "ما حدث"، يعلّم FOCO الذكاء الاصطناعي كيف يفكر. فهو ينظم المعرفة في نوعين خاصين من "الذاكرة":

أ. "خريطة العوامل" (ما الذي يجب البحث عنه)

فكر في هذا كأنه قائمة مراجعة للأدلة.

بدلاً من تذكر "التطبيق X فشل"، تتذكر الذاكرة: "عند التنبؤ بترتيب التطبيقات، تحقق دائماً من 'الزخم الأخير' و'التواجد على المنصات'، وليس فقط 'إجمالي التحميلات'".
كما تتذكر الفخاخ: "لا تثق في 'التقييمات الإيجابية' إذا لم يتم تحديث التطبيق منذ شهر".
تشبيه: إنه يشبه دفتر ملاحظات المحقق الذي لا يسرد المشتبه بهم فحسب، بل يسرد نوع الأدلة التي تحل القضية بالفعل.

ب. "مؤشر الثقة" (مدى التأكد)

فكر في هذا كأنه مقبض للتحكم في مستوى اليقين.

يتعلم الذكاء الاصطناعي قواعد مثل: "إذا كانت الأدلة معظمها أخباراً قديمة، اخفض مؤشر الثقة". أو "إذا اتفقت مصادر مختلفة، يمكنك رفع مؤشر الثقة".
تشبيه: إنه يشبه مدرباً يخبر لاعباً: "لا تراهن براتبك كله على هذه اللعبة إلا إذا رأيت صافرة الحكم".

3. كيف يتعلم: "مراجعة ما بعد المباراة"

هذا هو الجزء السحري. النظام لا يخمن ويمضي قدماً فحسب، بل لديه عملية مراجعة خاصة:

التوقع: يقوم الذكاء الاصطناعي بعمل تخمين بناءً على المعلومات المتاحة في ذلك الوقت.
التحقق من الواقع: لاحقاً، عندما يقع الحدث بالفعل، ينظر الذكاء الاصطناعي إلى الوراء مستخدماً كل المعلومات الجديدة (الرؤية الاسترجاعية).
التشخيص: يقارن الذكاء الاصطناعي بين تخمينه الأصلي وبين الواقع.
- هل فاته دليل رئيسي؟ (مثلاً: "لقد نسيت التحقق من حملة المنافس الإعلانية").
- هل كان واثقاً أكثر من اللازم؟ (مثلاً: "ظننت أن التقييمات كافية، لكنها لم تكن كذلك").
التحديث: لا يكتفي الذكاء الاصطناعي بكتابة "لقد أخطأت بشأن التطبيق X". بدلاً من ذلك، يقوم بتحديث خريطة العوامل ومؤشر الثقة الخاص به.
- إضافة قاعدة جديدة: "تحقق دائماً من إعلانات المنافسين لترتيب التطبيقات".
- إضافة قاعدة جديدة: "لا تثق في التقييمات وحدها للتنبؤات قصيرة المدى".

4. النتيجة: متنبئ أكثر ذكاءً وهدوءاً

اختبر الباحثون هذا النظام في تحديات حقيقية (مثل الرياضة، السياسة، واتجاهات السوق).

الدقة: حقق الذكاء الاصطناعي المزود بـ "البوصلة" توقعات أكثر دقة من الذكاء الاصطناعي الذي لا يملكها.
المعايرة: أصبح الذكاء الاصطناعي أفضل في معرفة مدى تأكده. فقد توقف عن الثقة المفرطة عندما كانت الأدلة ضعيفة، وزاد من ثقته عندما كانت الأدلة قوية.
القابلية للنقل: الجزء الأفضل؟ الدروس المستفادة في مجال واحد (مثل الرياضة) ساعدت الذكاء الاصطناعي على التحسن في مجالات أخرى (مثل السياسة). "البوصلة" هي أداة عامة للتفكير، وليست مجرد قائمة من الحقائق.

ملخص

ForecastCompass يشبه منح الذكاء الاصطناعي موجهاً (Mentor).

بدون الموجه: يخمن الذكاء الاصطناعي، ويفشل، وينسى، ويكرر نفس الأخطاء.
مع الموجه (FOCO): يخمن الذكاء الاصطناعي، ويحصل على مراجعة لما بعد المباراة، ويقوم بتحديث "كتاب قواعده" الداخلي حول ما هي الأدلة المهمة وكيفية وزنها. ومع مرور الوقت، يصبح خبيراً في التنبؤ يعرف ليس فقط ماذا يتنبأ به، بل كيف يفكر في حالة عدم اليقين.

ملخص تقني: بوصلة التنبؤ (ForecastCompass - FOCO)

بيان المشكلة

يتضمن التنبؤ الوكيل (Agentic forecasting) قيام وكلاء النماذج اللغوية الكبيرة (LLM) بتقديم تنبؤات احتمالية معايرة حول أحداث مستقبلية باستخدام أدلة غير مكتملة ومحدودة زمنياً. وبينما يتفوق الوكلاء في البحث عن المعلومات والاستدلال، فإنهم يواجهون تحديات كبيرة في بيئات التنبؤ الديناميكية. وتحديداً، يجب على الوكلاء الاستدلال من خلال أدلة متطورة وإنتاج احتمالات معايرة قبل أن تُحسم النتائج.

تُصمم آليات الذاكرة الحالية لوكلاء النماذج اللغوية الكبيرة بشكل أساسي لمهام الإجابة على الأسئلة أو حل المشكلات. وتعمل هذه الطرق عادةً على تخزين التفاعلات السابقة، أو التأملات، أو الارتباطات الواقعية. ومع ذلك، فهي غير مناسبة للتنبؤ لأنها تفشل في تمثيل العوامل التنبؤية القابلة لإعادة الاستخدام أو معرفة المعايرة بشكل صريح. قد تخزن الذاكرة العامة أن تطبيقاً ما يمتلك "اعترافاً قوياً بالعلامة التجارية"، لكنها تفشل في التمييز ما إذا كانت هذه الإشارة الثابتة مفيدة لتغيرات التصنيف قصيرة المدى، أو ما إذا كان ينبغي التعامل معها كإشارة مضللة تستدعي خفض مستوى الثقة. يتطلب التنبؤ ذاكرة يمكنها تجريد العوامل التنبؤية، وتصفية الإشارات المضللة، ومعايرة عدم اليقين قبل معرفة النتائج، بدلاً من مجرد استرجاع الإجابات السابقة أو مسارات الأحداث.

المنهجية: بوصلة التنبؤ (FOCO)

يقترح المؤلفون بوصلة التنبؤ (FOCO)، وهو إطار عمل للذاكرة القائمة على العوامل التكيفية والمصممة خصيصاً للتنبؤ الوكيل. ينظم FOCO خبرة التنبؤ في هيكل هرمي ويقوم بتحديثه زمنياً باستخدام التحليلات الاسترجاعية كإشارات للتعلم.

1. التمثيل الهرمي لذاكرة التنبؤ

ينظم FOCO الذاكرة باستخدام تصنيف تنبئي يتكون من فئات وفئات فرعية دقيقة. لكل فئة فرعية $s$ ، يحافظ النظام على حالة ذاكرة لفظية $M_s = (F_s, R_s)$ تتكون من مكونين متكاملين:

ذاكرة العوامل (Factor Memory - $F_s$ ): مجموعة من المدخلات التي تصف أبعاداً تنبؤية قابلة لإعادة الاستخدام. يتضمن كل مدخل اسم العامل، وفحوصات الأدلة المحددة، وأنماط الفشل الشائعة، والتأثير النموذجي للعامل على احتمالات التنبؤ. وهذا يوجه الوكيل في تحديد الأدلة ذات الصلة وتجنب الأنماط المضللة.
ذاكرة الاستدلال (Reasoning Memory - $R_s$ ): مجموعة من المبادئ الموجهة نحو المعايرة. يشفر هذا المكون كيفية تعديل الثقة في ظل ظروف أدلة مختلفة، والتعامل مع عدم اليقين، والإشارات المتضاربة، والمعلومات غير المكتملة. وهو يوجه تقدير الاحتمالات بدلاً من مجرد اختيار العوامل.

2. الاستدلال المعزز بالذاكرة

أثناء الاستدلال، يتم تصنيف سؤال غير محسوم إلى فئة فرعية محددة. يسترجع الوكيل $F_s$ و $R_s$ المقابلين لتوجيه عمليته:

توجه ذاكرة العوامل عملية البحث عن الأدلة واختيار العوامل، مع التركيز على الإشارات التنبؤية والتحذير من الأنماط المضللة.
توفر ذاكرة الاستدلال مبادئ المعايرة لترجمة قوة الأدلة إلى تنبؤات احتمالية، مما يساعد في إدارة الإفراط في الثقة أو نقص الثقة.

3. المراجعة التكرارية للذاكرة عبر التعلم التبايني

يقوم FOCO بتحديث ذاكرته زمنياً باستخدام مهام التنبؤ التي حُسمت. تتضمن عملية التحديث إجراء التشخيص–التجميع–المراجعة:

توليد المسار الاسترجاعي: بعد حسم السؤال، يولد الوكيل مساراً استرجاعياً ( $z^{retro}$ ) باستخدام الأدلة ما بعد الحسم. يعمل هذا كإشارة تعلم "الحقيقة الأرضية".
التشخيص التبايني: يقارن النظام بين مسار التنبؤ الأصلي ( $z$ $z$ ) والمسار الاسترجاعي ( $z^{retro}$ $z^{r e t r o}$ ) لتحديد التباينات ( $\Delta$ $Δ$ ).
- $\Delta^F$ : التباينات على مستوى العوامل (مثل العوامل المفقودة، أو الإشارات المضللة المستخدمة بكثرة).
- $\Delta^R$ : التباينات على مستوى الاستدلال (مثل سوء المعايرة، أو التحديثات الاحتمالية غير الصحيحة).
التجميع والمراجعة: يقوم النظام بتجميع هذه التباينات عبر عدة أحداث ضمن فئة فرعية واحدة لتصفية "بصر الحقيقة" الخاص بالحدث الواحد (الضوضاء) وتحديد الأنماط المتكررة. ثم يقوم بمراجعة مدخلات الذاكرة اللفظية لدمج هذه العوامل التنبؤية القابلة للنقل ومبادئ المعايرة، مع تجنب تخزين نتائج الأحداث أو التواريخ المحددة صراحةً.

المساهمات الرئيسية

صياغة الذاكرة المتمحورة حول العوامل: يقدم البحث بنية ذاكرة منظمة حول عوامل تنبؤية على مستوى الفئة الفرعية وأنماط استدلال موجهة نحو المعايرة، وهي متميزة عن مسارات الأحداث أو التأملات العامة.
مراجعة ذاكرة العوامل اللفظية: طور المؤلفون إجراءً تكرارياً يعامل التحليلات الاسترجاعية كإشارات تعلم. تقوم هذه العملية بتشخيص التباينات بين التنبؤات والنتائج، وتجميعها لإيجال الأنماط المتكررة، ومراجعة الذاكرة إلى تجريدات قابلة للنقل مع استبعاد التفاصيل الخاصة بالأحداث.
التحقق التجريبي: تم تقييم إطار العمل على معايير التنبؤ الديناميكي (Prophet Arena و FutureX) باستخدام GPT-5-mini و Gemini-2.5-Flash.

النتائج التجريبية

تظهر التجارب أن FOCO يحسن كلاً من الدقة الاحتمالية والمعايرة مقارنة بمختلف النماذج المرجعية:

الأداء: يحقق FOCO باستمرار أدنى متوسط لدرجات برير (Brier scores) وخطأ المعايرة المتوقع (ECE) عبر كلا المجموعتين من البيانات ونماذج الخلفية. وهو يتفوق على النماذج المرجعية غير المعتمدة على الذاكرة (BASE)، ومتغيرات الذاكرة الثابتة (FOCO Static)، ونماذج ذاكرة الوكيل العامة (MEM0, REFLEXION, A-MEM, GRAPHITI).
التحسن التكراري: يتفوق إطار عمل FOCO الكامل على النسخة الثابتة، مما يشير إلى أن مراجعة الذاكرة الأسبوعية تعمل بفعالية على صقل العوامل التنبؤية وأنماط الاستدلال مع توفر نتائج جديدة.
القابلية للنقل:
- عبر الزمن: الذاكرة المبنية من الأسابيع الأولى تحسن أداء التنبؤ في الأسابيع اللاحقة، مما يثبت أن العوامل المتعلمة ومبادئ المعايرة تظل ذات صلة مع تطور المواضيع.
- عبر النماذج: الذاكرة التي تم بناؤها بنموذج واحد (مثل Gemini-2.5-Flash) نجحت في تحسين أداء نموذج خلفية مختلف (مثل GPT-5-mini)، مما يشير إلى أن المعرفة الملتقطة ليست مفرطة في التخصيص لهيكل نموذج معين.
جودة الذاكرة: يُظهر تقييم "النموذج كحكم" (LLM-as-a-Judge) أن ذاكرة FOCO تسجل درجات أعلى في القابلية للتعميم، والجدة، والاكتمال، والدقة، والقابلية للتنفيذ مقارنة بطرق الذاكرة الأخرى، مما يؤكد أنها تلتقط معرفة تنبؤية قابلة لإعادة الاستخدام بدلاً من تفاصيل أحداث محددة.

الأهمية والادعاءات

يزعم البحث أن ذاكرة التنبؤ الفعالة يجب أن تتجاوز مجرد تخزين التفاعلات السابقة أو الإجابات. وبدلاً من ذلك، يجب أن تجرد عوامل تنبؤية قابلة لإعادة الاستخدام ومبادئ معايرة توجه الوكلاء في البيئات المفتوحة حيث تكون الأدلة غير مهيكلة ومتطورة.

يعالج FOCO الفجوة في تصميمات ذاكرة الوكلاء الحالية من خلال الفصل الصريح بين الإشارات التنبؤية وأنماط الاستدلال، واستخدام التحليل الاسترجائي التبايني لصقل هذه التجريدات بشكل تكراري. تشير النتائج إلى أن تنظيم الذاكرة حول معرفة مستوى العوامل وقواعد المعايرة يسمح للوكلاء بتراكم الخبرة التنبؤية القابلة للنقل بمرور الوقت، مما يؤدي إلى تنبؤات احتمالية أكثر دقة وأفضل معايرة في البيئات الديناميكية. يسلط هذا العمل الضوء على أن مجرد استرجاع تجارب الوكيل السابقة ليس كافياً؛ بل يجب أن تكون بنية الذاكرة نفسها مصممة لتلبية المتطلبات المحددة للتنبؤ الاحتمالي تحت ظروف عدم اليقين.