🤖 AI

A scalable online machine learning approach for Stock Recommendation

تقدم هذه الورقة نظاماً قابلاً للتوسع، ومقاوماً للأعطال، لتوصية الأسهم عبر التعلم العميق عبر الإنترنت، مبنياً على بنية خدمات مصغرة موزعة تستخدم نموذج القائد والتابع الهجين للتدريب المستمر والخدمة منخفضة زمن الاستجابة، محققاً إنتاجية عالية مع معالجة تحديات مثل انزياح المفاهيم وتقادم بيانات واجهة برمجة التطبيقات.

المؤلفون الأصليون: Harsh Nagarkar

نُشر 2026-07-28

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Harsh Nagarkar

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 تسير في سوق ضخمة وفوضوية، حيث يتغير سعر كل سلعة فيها كل ثانية. بعض هذه السلع هي أسهم، والناس يشترون ويبيعون ويغيرون آراءهم باستمرار حول ما يريدون. في عالم علوم الحاسوب، هذا هو مجال تعلم الآلة، وتحديداً فرع يسمى التعلم عبر الإنترنت (online learning). وخلافاً للحواسيب التقليدية التي تدرس كتاباً مدرسياً ضخماً مرة واحدة ثم تتوقف، فإن التعلم عبر الإنترنت يشبه طالباً يستمر في قراءة الصحيفة كل صباح، ويحدث معرفته فوراً مع تغير العالم. هذا الأمر بالغ الأهمية لأشياء مثل أسواق الأسهم لأن "قواعد" اللعبة (ما الذي يجعل السهم جيداً أو سيئاً) تتغير باستمرار. إذا انتظر نموذج الحاسوب لفترة طويلة ليتعلم، فسيصبح الأمر كمن يحاول لعب كرة القدم باستخدام خريطة من العام الماضي؛ ببساطة لن ينجح الأمر. التحدي الكبير أمام العلماء هو بناء نظام يتعلم بسرعة كافية لمواكبة هذه التغييرات، وفي الوقت نفسه يكون قادراً على التحدث مع آلاف الأشخاص في وقت واحد دون أن ينهار.

تقدم هذه الورقة البحثية التي كتبها "هارش ناغاركار" حلاً ذكياً لهذه المشكلة: نظام توصية بالأسهم عبر الإنترنت قابل للتوسع. فكر في النظام كفريق عالي التقنية وموزع من مستشاري الأسهم يعملون في مبنى مكاتب ضخم. ينقسم الفريق إلى دورين: "القائد" وعدد كبير من "التابعين". القائد هو الوحيد المسموح له بالقيام بالعمل الشاق المتمثل في التعلم. فهو يراقب تدفق بيانات السوق — مثل صقر يرصد اتجاهاً جديداً — ويقوم باستمرار بتحديث دماغه (النموذج الرياضي) بمعلومات جديدة. وبمجرد أن يكتشف القائد استراتيجية جديدة، يقوم بسرعة بكتابة تلك التعليمات الجديدة في دفتر ملاحظات سحابي مشترك. أما التابعون، من ناحية أخرى، فهم الذين يتحدثون بالفعل مع المستخدمين. هم لا يقومون بأي عملية تعلم؛ بل يأخذون فقط أحدث التعليمات من الدفتر السحابي ويخبرون المستخدم فوراً: "مهلاً، بناءً على ما تحبه، يجب أن تشتري هذا السهم".

وجدت الورقة البحثية أن إعداد "القائد والتابع" هذا يعمل بشكل جيد بشكل مفاجئ. يمكن للنظام التعامل مع كمية هائلة من حركة المرور، حيث يعالج ما يصل إلى 300 طلب إضافة لمحفظة استثمارية في الثانية لكل تابع. وعندما يطلب المستخدم توصية، يقدمها النظام في غضون 2 إلى 3 ثوانٍ فقط. النموذج نفسه بسيط بشكل مدهش، إذ لا يحتاج سوى لخمس قطع من المعلومات لإجراء تخمين: اسم السهم، سعره الحالي، ربحية السهم (EPS)، ومؤشرين فنيين هما MACD-K و MACD-S. ومن خلال استخدام تقنية تسمى "التعلم بنقل المعرفة" (transfer learning)، يمكن للنظام التكيف مع ذوق المستخدم المتغير (مثل إذا أصبح أكثر حذراً تجاه المخاطر فجأة) دون الحاجة إلى إعادة بنائه بالكامل من الصفر.

ومع ذلك، تحرص الورقة البحثية على الإشارة إلى أن هذا ليس آلة سحرية لصنع المال. فالنظام له حدود واقعية. نظراً لأن البيانات تأتي من خدمة واجهة برمجة تطبيقات (API) محددة، فإن المعلومات ليست دائماً طازجة؛ فقد تصل مدة قدم البيانات إلى 150 دقيقة قبل أن يتم تحديثها. وهذا يعني أن "خريطة السوق" التي يستخدمها النظام قد تكون قديمة نوعاً ما. أيضاً، يفتقر النظام حالياً إلى بعض طبقات الأمان المتقدمة، مثل "شبكة الخدمة" (service mesh)، والتي ستعمل كحارس أمني للمحادثات الداخلية بين خوادم الكمبيوتر. ويقترح المؤلفون أنه بينما يعد هذا الهيكل نموذجاً أولياً صلباً وعاملاً يوازن بين السرعة والتعلم، فإن النسخ المستقبلية تحتاج إلى ترقية تغذية البيانات لتكون أسرع وإضافة المزيد من الأمان لتكون جاهزة للعالم الحقيقي. في النهاية، تشير الورقة إلى أن فصل جزء "التعلم" عن جزء "التحدث" هو طريقة ذكية لبناء أنظمة يمكنها النمو والتكيف دون أن تنكسر.

أبحاث مشابهة