← أحدث الأبحاث
🤖 machine learning

Revisiting Predictive Process Monitoring in the Age of Foundation Models: A Comparative Study of Sequence, Tabular, and LLM Approaches

تقدم هذه الورقة بحثاً مقارناً للمعيار المرجعي للنهج القائمة على المتواليات، والبيانات الجدولية، والنماذج اللغوية الكبيرة لمراقبة العمليات التنبؤية، كاشفةً أنه في حين تتفوق نماذج المتواليات في التنبؤ بالنشاط التالي وتنافس النماذج التأسيسية الجدولية في المهام الزمنية، فإن النماذج اللغوية الكبيرة تتدنى أدائؤها عموماً رغم تكاليفها الحسابية الأعلى.

المؤلفون الأصليون: Lennart Fertig, Lukas Kirchdorfer, Tobias Sesterhenn

نُشر 2026-07-31
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Lennart Fertig, Lukas Kirchdorfer, Tobias Sesterhenn

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 تراقب مطبخاً مزدحماً. الطلبات تنهال، والطهاة يقطعون، ويقون، ويجهزون الأطبـات، وأحياناً يعلق طبق ما بانتظار صلصة أو مكون مفقود. لو كان بإمكانك استراق النظر إلى المستقبل لتعرف بالضبط ما هي الخطوة التالية، وكم ستستغرق الوجبة من الوقت، أو ما إذا كان الطلب سيتأخر، لتمكنت من حل المشكلات قبل وقوعها. هذا هو جوهر المراقبة التنبؤية للعمليات (PVM). وهو فرع من علوم الحاسوب ينظر في "الإيصالات" الرقمية لكيفية حدوث الأشياء - مثل مصنع يصنع السيارات أو بنك يوافق على قروض - ليخمن ما سيحدث لاحقاً. لسنوات، كانت الطريقة المثلى للقيام بذلك هي تدريب "عقل حاسوبي" متخصص من الصفر، وتعليمه القواعد المحددة لذلك المطبخ بعينه. ولكن مؤخراً، وصلت موجة جديدة من الحواسيب فائقة الذكاء وعامة الأغراض تسمى النماذج اللغوية الكبيرة (LLMs). هذه هي النماذج التي يمكنها كتابة القصائد، والبرمجة، والدردشة معك، وتساءل الناس: "هل يمكننا فقط أن نطلب من هؤلاء العباقرة العامين التنبؤ بمستقبل مطبخنا؟". وفي الوقت نفسه، ظهر خيار ثالث: النماذج التأسيسية للبيانات الجدولية (Tabular Foundation Models)، وهي تشبه الإحصائيين الخبراء الذين ينظرون إلى البيانات في صفوف وأعمدة مرتبة بدلاً من القصص. السؤال الكبير هو: هل ما زلنا بحاجة إلى خبراء المطبخ المتخصصين، أم أن العباقق العامين والإحصائيين (صف-عمود) قد استولوا على زمام الأمور؟

هذه الورقة البحثية هي بمثابة "اختبار تذوق" ضخم لمعرفة أي من هؤلاء "الطهاة" الثلاثة يطهو أفضل وجبة حقاً. لقد أعد الباحثون منافسة منضبطة باستخدام خمسة "مطابخ" مختلفة من الواقع (مجموعات بيانات من عمليات تجارية) وطلبوا من النماذج التنبؤ بثلاثة أشياء: ما هو النشاط التالي، كم ستستغرق الخطوة التالية من الوقت، وكم من الوقت تبقى حتى ينتهي العمل بالكامل. لقد وضعوا نماذج التسلسل (Sequence Models) التقليدية (التي تم تدريبها من الصفر لهذا العمل تحديداً) في مواجهة النماذج اللغوية الكبيرة (LLMs) (التي تم تكييفها باستخدام تقنية تسمى LoRA لتعلم العملية) والنماذج الجدولية (Tabular Models) (التي تستخدم التعلم السياقي، مما يعني أنها تتعلم من خلال النظر إلى الأمثلة الموجودة أمامها مباشرة دون إعادة تدريب).

كانت النتائج مفاجئة بعض الشيء ومطمئنة نوعاً ما لأصحاب المدرسة القديمة. فعندما تعلق الأمر بتخمين النشاط التالي (مثل التنبؤ بأن الطاهي سيقطع البصل تالياً)، كانت نماذج التسلسل المتخصصة هي الفائزة بوضوح. فقد حققت باستمرار أعلى مستويات الدقة، متفوقة على النماذج اللغوية الكبيرة والنماذج الجدولية. وتشير الورقة إلى أن هذا يرجع إلى أن هذه النماذج بارعة في فهم الترتيب المحدد وتدفق الأحداث، خاصة عندما تصبح العملية معقدة مع وجود مسارات متعددة محتملة (التفرع). أما النماذج الجدولية فقد كانت جيدة جداً في المهام المتعلقة بالوقت، حيث قدمت أداءً يضاهي غالباً أداء المتخصصين عند التنبؤ بالوقت الذي ستستغرقه الأشياء. ومع ذلك، فإن النماذج اللغوية الكبيرة، رغم كونها الأكثر شهرة والأعلى تكلفة في التشغيل، كانت تتخلف عن الركب عادةً. فقد استغرقت وقتاً أطول بكثير في المعالجة (أحياناً أكثر من 200 دقيقة لمجموعة بيانات واحدة مقارنة بأقل من دقيقة للآخرين) ولم تكن دائماً تصيب الإجابات الصحيحة. في الواقع، في إحدى مجموعات البيانات، تنبأت النماذج اللغوية الكبيرة بشكل متكرر بأن العملية قد انتهت بينما لم تكن قد انتهت بعد، مما جعل الكثير من الأخطاء المبكرة.

لذا، تخلص الورقة إلى أنه بينما تعد النماذج اللغوية الكبيرة البراقة وعامة الأغراض مثيرة للاهتمام، إلا أنها لم تتمكن بعد من إزاحة النماذج المتخصصة في التنبؤ بما سيحدث بعد ذلك في عملية ما. فلا تزال النماذج المتخصصة هي الطهاة الأكثر موثوقية لهذه المهمة، بينما تعتبر النماذج الجدولية بديلاً قوياً وسريعاً لأسئلة التوقيت. ويقترح المؤلفون أن النماذج اللغوية الكبيرة قد تحتاج لأن تكون أكبر حجماً أو يتم تدريبها بشكل مختلف لتلحق بالركب، وأنه في الوقت الحالي، إذا كنت تريد معرفة ما سيحدث بعد ذلك في عملية معقدة، فإن النهج التقليدي والمتخصص لا يزال هو الرهان الأكثر دقة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.LG →