🤖 AI

Trajectory-Aware Retrieval Agents for Temporal Decision- Making

تقدم هذه الورقة إطار عمل (TLM)، وهو إطار عمل وكيل ذو حلقة مغلقة يستفيد من نماذج منحنى النمو الكامن على التضمينات المسترجعة للحفاظ على البنية الزمنية وتحسين الأدلة بشكل تكراري، مما يتفوق بشكل كبير على نهج الاسترجاع المعزز القياسي في مهام اتخاذ القرار المرتكزة زمنياً مثل التشخيص الطبي والتنبؤ المالي.

المؤلفون الأصليون: Jing Wang, Jie Shen, Xing Niu

نُشر 2026-07-27

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jing Wang, Jie Shen, Xing Niu

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 حل لغز، ولكن بدلاً من دليل واحد، لديك كومة ضخمة وفوضوية من الملاحظات التي كتبها محقق على مدار عدة سنوات. بعض الملاحظات تصف بداية القضية، وبعضها يصف المنتصف، وبعضها الآخر يصف النهاية تماماً. إذا التقطت مجرد حفنة من هذه الملاحظات عشوائياً وسألت روبوتاً فائق الذكاء لحل اللغز، فقد يرتبك الروبوت. قد يخلط بين دليل من عام 1990 ودليل من عام 2024، أو قد يغفل حقيقة أن سلوك المشتبه به تغير ببطء بمرور الوقت. هذه هي المشكلة التي يواجهها العلماء عندما يحاولون استخدام الذكاء الاصطناعي لاتخاذ قرارات بناءً على قصص طويلة، مثل السجلات الطبية أو تقارير البورصة. الذكاء الاصطناعي بارع في القراءة، لكنه غالباً ما ينسى متى حدثت الأشياء.

لإصلاح ذلك، يقوم الباحثون ببناء "وكلاء" (Agents)—وهي أنظمة ذكاء اصطناعي يمكنها التفكير، والبحث عن المعلومات، ثم اتخاذ القرار. إحدى الأدوات الشائعة التي يستخدمونها تسمى "التوليد المعزز بالاسترجاع" (R.A.G). فكر في RAG كأنه أمين مكتبة يركض إلى الرفوف ليجد الكتب التي تطابق سؤالك، ثم يعود بها ويقدمها للذكاء الاصطناعي. المشكلة هي أن أمناء المكتبات العاديين يجلبون الكتب التي تبدو متشابهة فقط، متجاهلين حقيقة أن القصة داخلها لها تسلسل زمني. قد يقدمون لك صفحة من نهاية رواية قبل الصفحة التي يقع فيها البطل في الحب. تقدم هذه الورقة البحثية طريقة جديدة لمساعدة الذكاء الاصطناعي على فهم قصة البيانات، وليس مجرد الكلمات. إنها تتعامل مع المعلومات مثل شريط فيلم، تشاهد كيف تتحرك الحبكة للأمام، وترصد التحولات المفاجئة، وتملأ المشاهد المفقودة، كل ذلك من أجل تقديم تنبؤات أفضل للمستقبل.

قصة المحقق "المساري" (Trajectory)

لاحظ الباحثون وراء هذه الورقة، جينج وانج، وجي شين، وشينغ نيو، أن أدوات الذكاء الاصطناعي القياسية سيئة جداً في التعامل مع الوقت. إذا طلبت من ذكاء اصطناعي عادي التنبؤ بما سيحدث بعد ذلك بناءً على التاريخ الطبي لمريض أو مكالمة أرباح شركة، فإنه غالباً ما يعامل المعلومات كأنها كيس من الكرات الزجاجية. هو يختار الكرات "المهمة" (الجمل) لكنه يتجاهل الترتيب الذي تم التقاطها به. في العالم الحقيقي، الوقت مهم. ارتفاع درجة حرارة مريض على مدار ثلاثة أيام يختلف عن ارتفاع الحرارة بشكل مفاجئ ثم انخفاضها. تغير نبرة الرئيس التنفيذي من الثقة إلى التوتر خلال مكالمة هو دليل حاسم يضيع إذا قرأت الجمل خارج ترتيبها.

لحل هذه المشكلة، بنى الفريق نظاماً جديداً يسمى TLM (نموذج اللغة المساري). يمكنك التفكير في TLM كأنه محقق لا يكتفي بقراءة ملف القضية فحسب؛ بل يشاهد فيلم ملف القضية.

الخطوة 1: البحث الذكي
أولاً، يعمل TLM كأمين مكتبة هجين. يستخدم طريقتين للعثور على الأدلة: واحدة تبحث عن تطابقات الكلمات الدقيقة (مثل البحث عن اسم معين) وأخرى تبحث عن "روح" أو معنى الكلمات. إنه يلتقط بضع صفحات أولية من المستند للبدء.

الخطوة 2: منحنى النمو (خدعة "شريط الفيلم")
هذه هي الخدعة الكبرى للورقة البحثية. بدلاً من مجرد قراءة الصفحات، ينظر TLM إلى شكل القصة. يستخدم أداة رياضية تسمى نموذج منحنى النمو الكامن (LGCM). تخيل أنك تراقب نباتاً ينمو. أنت لا تنظر فقط إلى النبات يوم الثلاثاء والنبات يوم الجمعة؛ بل تنظر إلى الخط الذي يربط بينهما. هل ينمو النبات بثبات؟ هل يذبل؟ هل توقف عن النمو فجأة؟
يفعل TLM ذلك مع النص. إنه يحول الجمل إلى خط على رسم بياني.

الاتجاه (Trend): هل القصة تتحسن، تسوء، أم تبقى كما هي؟
نقاط التحول (Turning Points): هل تغير اتجاه القصة فجأة؟ (مثل مريض تدهورت حالته بعد أن كان يشعر بالتحسن).
الفجوات (Gaps): هل تخطت القصة إيقاعاً ما؟ (مثل يوم مفقود في مذكرات).
إذا رأى TLM "فجوة" في القصة، فإنه يعرف أنه يجب عليه العودة إلى المكتبة وإيجاد الصفحات المفقودة لملء هذا الفراغ.

الخطوة 3: بطاقة تقييم "SHAP"
بمجرد أن يجمع TLM كومة من الأدلة، فإنه يحتاج إلى تحديد أي منها أكثر أهمية. يستخدم طريقة تسمى SHAP، وهي تشبه لعبة حيث تحصل كل جملة على درجة توضح مدى مساهمتها في حل اللغز. يستخدم TLM "مقيماً" صغيراً وسريعاً للقيام بهذه العملية الحسابية بسرعة. إذا كانت الجملة مهمة للغاية، يستخدمها TLM لطلب المزيد من الأدلة ذات الصلة من أمين المكتبة. والأهم من ذلك، أن TLM لا يتخلص أبداً من دليل وجده بالفعل؛ بل يضيف إليه فقط. هذا يضمن أن القصة تزداد ثراءً ولا تصبح فقيرة.

الخطوة 4: القرار النهائي
أخيراً، يغذي TLM هذه القصة المنظمة والواعية بالزمن إلى عقل ذكاء اصطناعي ضخم (نموذج لغة كبير) لاتخاذ القرار النهائي. ولأن القصة الآن مرتبة ومكتملة، يمكن للذكاء الاصطناعي تقديم تخمين أذكى بكثير.

ماذا وجدوا؟

اختبر الفريق هذا المحقق الجديد في ثلاثة أنواع مختلفة تماماً من الألغاز:

الأسئلة الطبية: طلبوا من النظام الإجابة على أسئلة طبية صعبة بناءً على التاريخ المرضي للمرضى. حقق الذكاء الاصطناعي القياسي (بدون TLM) حوالي 34.6% من الإجابات الصحيحة. بينما حقق نظام TLM الجديد 64.2% من الإجابات الصحيحة. هذا يعني تقريباً ضعف معدل النجاح! تشير الورقة إلى أن هذا يعود لكون القصص الطبية تعتمد كلياً على كيفية تغير المريض بمرور الوقت، وأن TLM هو الوحيد الذي لاحظ هذا النمط.
مكالمات الأرباح: حاولوا التنبؤ بما إذا كان سهم الشركة سيرتفع أو ينخفض بعد خطاب الرئيس التنفيذي. هذا أمر صعب للغاية لأن سوق الأسهم ذكي جداً ويستجيب فورياً. كان الذكاء الاصطناعي القياسي أفضل قليلاً من التخمين (حوالي 50.7%). قام TLM بتحسين هذه النسبة إلى 58.0%. ورغم أن هذا لا يبدو قفزة هائلة، إلا أنه في عالم المال، التفوق على السوق ولو قليلاً يعد أمراً كبيراً.
فجوات الأسهم: حاولوا التنبؤ بما إذا كان سعر السهم سيقفز للأعلى أو للأسفل في صباح اليوم التالي. قاموا بمحاكاة لعبة تداول بدأت بمبلغ 10,000 دولار. انتهى الأمر بالذكاء الاصطناعي القياسي بـ 12,067 دولاراً. أما TLM، ومن خلال رصد الاتجاهات بشكل أفضل، فقد نمّى المبلغ إلى 20,400 دولار.

الخلاصة

تظهر الورقة البحثية أنه عندما تمنح الذكاء الاصطناعي وسيلة لفهم شكل القصة عبر الزمن، فإنه يصبح محققاً أفضل بكثير. من خلال استخدام الرياضيات لتتبع الاتجاهات وملء القطع المفقودة، لا يكتفي TLM بقراءة الكلمات؛ بل يفهم الرحلة. يؤكد المؤلفون بحذر أن هذا ليس عصا سحرية تحل كل شيء—فهو يعمل بشكل أفضل عندما تحتوي المعلومات على جدول زمني واضح، ولا يزال بحاجة إلى الاختبار في مواقف أكثر واقعية. ولكن في الوقت الحالي، فإنه يثبت أنه إذا كنت تريد للذكاء الاصطناعي اتخاذ قرارات جيدة بشأن المستقبل، فعليك تعليمه كيف ينظر إلى الماضي بترتيب صحيح.

ملخص تقني: وكلاء الاسترجاع المدركون للمسار لاتخاذ القرارات الزمنية

بيان المشكلة

تتناول الورقة البحثية أوجه القصور في خطوط أنابيب "التوليد المعزز بالاسترجاع" (RAG) القياسية عند تطبيقها على مهام اتخاذ القرار عالية المخاطر التي تتضمن نصوصاً طويلة ذات بنية زمنية (مثل السجلات السريرية، أو مكالمات الأرباء، أو بيانات سوق الأسهم).

تعتمد نهج RAG القياسية على استرجاع قطع نصية بناءً على التشابه الدلالي فقط، مما يؤدي إلى تفتيت السياق الزمني إلى "حقيبة من النصوص" غير مرتبة. هذا الفقدان الهيكلي أمر بالغ الأهمية لأن العديد من مشكلات اتخاذ القرار تعتمد على "مسار" المعلومات — مثل تدهور أعراض المريض، أو تغير توجيهات الرئيس التنفيذي، أو التبعية المتسلسلة لأسعار الأسهم. إن التخلص من هذه البنية الزمنية يمكن أن يؤدي إلى الاستناد إلى أدلة متناقضة أو تفويت التحولات الحرجة. علاوة على ذلك، فإن النماذج اللغوية الكبيرة (LLMs) ذات التوليد الذاتي (Autoregressive) تنتج تسلسلات من الرموز (Tokens) بدلاً من قرارات تصنيفية محددة، مما يؤدي إلى تباين عالٍ وحساسية لتنسيق المطالبات (Prompts) عندما تُجبر على إخراج تسميات منفصلة.

المنهجية: نموذج اللغة المساري (TLM)

يقترح المؤلفون TLM، وهو إطار عمل وكيل مغلق الحلقة يدمج الأساليب الإحصائية الكلاسيكية في خط أنابيب RAG لنمذجة المسار الكامن للأدلة المسترجعة. يعمل إطار العمل عبر خمس مراحل:

الاسترجاع الهجين: يتم تقسيم المستند المصدر إلى قطع متداخلة. يستخدم الاسترجاء الأولي نهجاً هجيناً يجمع بين المطابقة المعجمية المتفرقة (BM25) والتشابه الدلالي الكثيف (عبر مشفر جمل مدرب مسبقاً) لتشكيل مجموعة أدلة أولية $Z^{(0)}$ .
نمذجة منحنى النمو الكامن (LGCM): تُعامل القطع المسترجعة المرتبة كأرصاد لحالة كامنة متطورة. يتم مطابقة تضمينات (Embeddings) هذه القطع مع نموذج LGCM خطي ( $e_i = \mu + \beta t_i + \epsilon_i$ $e_{i} = μ + β t_{i} + ϵ_{i}$ )، حيث تمثل $\mu$ $μ$ الحالة الأساسية و $\beta$ $β$ معدل التغيير. ينتج عن هذا التفكيك ثلاث إشارات قابلة للتنفيذ:
- تصنيف الاتجاه (Trend Classification): تصنيف المسار كـ مستقر، أو تقدمي، أو متغير الاتجاه.
- كشف نقاط التحول (Turning Point Detection): تحديد القطع التي تتجاوز بقاياها (Residuals) المتوسط كحالات انحراف عن المسار المتوقع.
- كشف الفجوات (Gap Detection): تحديد الاختلافات الحادة بين التضمينات المتتالية لتحفيز إعادة الاسترجاع المستهدف للمعلومات الوسيطة المفقودة.
إعادة التصنيف والاسترجاع المتعلم: يتم تدريب مُصنف (Scorer) خفيف الوزن يعتمد على الانتباه $g_\theta$ بشكل مشترك مع النموذج اللغوي الكبير. يقوم هذا المصنف بإعادة ترتيب القطع حسب الأهمية وبناء "استعلامات متعلمة" (متوسط تضمينات القطع الأعلى تقييماً) لاسترجاع أدلة إضافية ذات صلة تشخيصية قد لا تتطابق معنوياً مع الاستعلام الأصلي.
التصنيف بواسطة النموذج اللغوي الكبير (LLM Classification): يتم تمرير مجموعة الأدلة النهائية (القطع المعاد ترتيبها، ملخص LGCM، الاستعلام، والخيارات) إلى نموذج لغوي سببي. يقوم النموذج بتقييم خيارات الإجابة باستخدام لوغاريتمات الرمز التالي (Next-token logits) لإنتاج تصنيف منفصل.
التحسين التكراري الموجه بـ SHAP: بعد التنبؤ الأولي، يقدر النظام مساهمة كل قطعة باستخدام تقريب "ترك واحد فقط" لقيم شابلي (Shapley values)، والتي يتم حسابها بكفاءة عبر المصنف الخفيف. القطع ذات المساهمات الإيجابية تُستخدم كبذور لاستعلامات جديدة لاسترجاع أدلة إضافية. ومن المهم أن عملية التحسين هذه هي إضافية فقط؛ حيث لا يتم التخلص أبداً من القطع التي تم استرجاعها سابقاً.

يقدم المؤلفون مقترحاً نظرياً ينص على أنه تحت فرضية معايرة المصنف، فإن إجراء التحسين الإضافي هذا يكون متزايداً رتيباً (Monotonically non-decreasing) في الاحتمالية المخصصة للتسمية الصحيحة.

المساهمات الرئيسية

نمذجة منحنى النمو الكامن لـ RAG: تقدم الورقة أول تطبيق لنماذج LGCM على مسارات أدلة RAG. يوفر هذا تفكيكاً مبدئياً للأدلة إلى حالة أساسية، واتجاه، وبقايا، مما يسمح بكشف الاتجاهات، ونقاط التحول، وفجوات المعلومات.
بنية مشتركة بين النموذج اللغوي والمصنف: يقترح المؤلفون مصنفاً خفيف الوزن يتم تدريبه بشكل مشترك مع النموذج اللغوي لتمكين التقدير الفعال لقيم SHAP. هذا يستبدل عمليات التمرير المكلفة للنموذج اللغوي بمرورات رخيصة للمصنف، مما يجعل تحسين الأدلة التكراري أمراً عملياً.
التحقق التجريبي عبر المجالات: تم تقييم إطار العمل على ثلاث مهام قرار زمنية متميزة: الإجابة على الأسئلة الطبية، وتوقع مفاجآت مكالمات الأرباح، وتوقع فجوات أسهم الليل (Overnight stock gap).

النتائج التجريبية

تم تقييم إطار عمل TLM على ثلاثة مجموعات بيانات باستخدام نموذج Qwen3-14B كخلفية، وتضمينات BAAI/bge-large-en-v1.5:

الإجابة على الأسئلة الطبية (MedQA): حقق TLM دقة بلغت 64.2%، متفوقاً بشكل كبير على خط الأساس للنموذج اللغوي (Zero-shot) الذي سجل 34.6%، وعلى المصنف القائم على التضمين فقط (Embedding-only) الذي سجل 15.3%. يثبت هذا ضرورة الاستدلال متعدد الخطوات (Multi-hop inference) عبر الأدلة ذات البنية الزمنية في التفكير السريري.
توقع مفاجآت مكالمات الأرباح: في مهمة تصنيف ثنائية للتنبؤ برد فعل السوق تجاه الأرباح، حقق TLM دقة بلغت 58.0%. وهذا يتجاوز النماذج اللغوية (Zero-shot) التي سجلت 50.7%، ونماذج الاسترجاع القياسية التي بالكاد تجاوزت فرصة العشوائية، مما يسلط الض الضوء على صعوبة المهمة بسبب فرضية كفاءة السوق.
توقع فجوات أسهم الليل: في مهمة تصنيف ثلاثي (شراء/احتفاظ/بيع) تمت محاكاتها كاستراتيجية تداول، حقق TLM دقة بلغت 38.3% مقارنة بـ 27.5% لخط الأساس (Zero-shot). ومن حيث الأثر الاقتصادي، نما نموذج TL المحاكى من 10,000 دولار إلى 20,400 دولار، مقارنة بـ 12,067 دولار لخط الأساس.

الأهمية والادعاءات

تدعي الورقة أن TLM يسد الفجوة بين المنهجية الإحصائية لتحليل البيانات الطولية والنماذج اللغوية الكبيرة الحديثة. من خلال معاملة الأدلة المسترجعة ليس كمجموعة غير مرتبة بل كمسار زمني، يسمح إطار العمل للوكلاء بالاستدلال حول الاتجاهات والتحولات بدلاً من الحقائق الثابتة.

يؤكد المؤلفون أنه بينما تكون المكاسب في المهام المالية متواض_ة من حيث النسب المئوية، إلا أنها ذات معنى اقتصادي نظراً لصعوبة التنبؤ بردود فعل السوق. يتم تقديم النهج كطريقة قابلة للتعميم لتحسين اتخاذ القرار في أي مجال يكون فيه الترتيب الزمني وتطور المعلومات حاسماً للنتيجة الصحيحة. لا تدعي الدراسة حل جميع تحديات الاستدلال الزمني، بل تقدم آلية محددة (LGCM + تحسين SHAP) للتخفيف من الفقد الهيكلي المتأصل في خطوط أنابيب RAG القياسية.