CastFSR: A Fast--Slow--Reflect Agentic Reasoning Framework for Context-Aware Time Series Forecasting

تخيل أنك تحاول تخمين كيف سيكون الطقس غداً. يمكنك ببساطة النظر إلى التقويم والقول: "نحن في شهر يوليو، لذا من المحتمل أن يكون الجو حاراً"، أو يمكنك النظر إلى ميزان الحرارة من الأمس ورسم خط مستقيم للأمام. لكن العالم الحقيقي فوضوي؛ فأحياناً تهب جبهة باردة مفاجئة، أو تمر عاصفة هائلة، مما يغير كل ما توقعه تخمينك البسيط. هذا هو جوهر التنبؤ بالسلاسل الزمنية: علم التنبؤ بالأرقام المستقبلية بناءً على الأنماط الماضية. لعقود من الزمن، كانت أجهزة الكمبيوتر بارعة في رصد الخطوط المستقيمة والدورات المتكررة في البيانات، مثل الزحام اليومي للكهرباء أو المبيعات الشهرية لمتجر ما. لكنها غالباً ما تعاني عندما تتغير القصة بسبب عوامل خارجية، مثل عطلة رسمية، أو سياسة جديدة، أو تحول مفاجئ في اتجاه الرياح.

مؤخراً، بدأ العلماء في استخدام نماذج اللغات الكبيرة (LLMs) — وهي نفس نوع الذكاء الاصطناوي الفائق الذي يمكنه كتابة القصص أو الدردشة معك — للمساعدة في هذه التنبؤات. الفكرة هي أنه إذا كان بإمكان الذكاء الاصطناعي فهم اللغة، فربما يمكنه أيضاً فهم "القصة" وراء الأرقام، مثل سبب تسبب عاصفة في إفساد توقع ما. ومع ذلك، هناك عقبة: فهذه النماذج من الذكاء الاصطناعي تكون أحياناً ثرثارة جداً أو واثقة أكثر من اللازم. قد تحاول "الهلوسة" برقم ما بدلاً من القيام بالعمليات الحسابية الصعبة، أو قد تتجاهل البيانات الفعلية لصالح قصة تبدو رائعة. السؤال الكبير هو: كيف نجعل الذكاء الاصطناعي يكون "راوياً مبدعاً للقصص" و"محاسباً صارماً يركز على الرياضيات" في آن واحد؟

هنا يأتي دور إطار عمل جديد يسمى CastFSR. فكر في الأمر كأنه اجتماع فريق مكون من ثلاث خطوات للتنبؤ بالمستقبل. بدلاً من ترك الذكاء الاصطناعي يخمن رقماً فحسب، فإن CastFSR يجبره على العمل في ثلاثة أوضاع متميزة: السريع، والبطيء، والتأملي.

أولاً، هناك التنبؤ بالتفكير السريع. تخيل هذا كـ "مرحلة الرسم السريع". ينظر الذكاء الاصطناعي إلى التاريخ الحديث للبيانات (مثل سرعة الرياح خلال الأيام القليلة الماضية) ويختار بسرعة أداة رياضية متخصصة وخفيفة الوزن — مثل آلة حاسبة قياسية أو برنامج رسوم بيانية بسيط — لرسم توقع أساسي. هو لا يحاول أن يكون ذكياً هنا؛ بل يضع فقط "أساساً" أو خطاً مرجعياً صلباً يعتمد على البيانات. إنه يشبه طباخاً يتذوق الحساء ويقول: "حسناً، هذا هو المذاق الأساسي".

بعد ذلك، يأتي التفكير التأملي العميق. هذه هي "مرحلة الغوص العميق". الآن، يتوقف الذكاء الاصطناعي ويفكر بجدية. ينظر إلى "القصة" المحيطة بالبيانات: هل هناك عطلة قادمة؟ هل تغير تقرير الطقس؟ هل هناك حدث خاص؟ يسترجع هذا السياق الإضافي ويتساءل: "هل تغيرت هذه القصة من مذاق الحساء؟" إذا كان السياق يشير إلى تغيير كبير (مثل اقتراب عاصفة)، يقوم الذكاء الاصطناعي بتعديل الرسم الأولي بعناية. هو لا يرمي الرسم، بل يقوم فقط بتعديله بناءً على الأدلة الجديدة. إنه يشبه الطباخ الذي يدرك فجأة: "أوه، ستكون ليلة حارة (حريفة)، لذا أحتاج لإضافة رشة من الفلفل الحار"، ولكن فقط حيثما كان ذلك منطقياً.

أخيراً، هناك التقييم التأملي. هذه هي "مرحلة مراقبة الجودة". قبل أن يعطي الذكاء الاصطناعي إجابته النهائية، يعمل كأنه محرر صارم. يتحقق مما إذا كان التوقع يتوافق مع قواعد العالم الحقيقي. على سبيل المثال، إذا كان التوقع يتعلق بطاقة الرياح، يتحقق الذكاء الاصطناत्मक: "هل يمكن أن تكون طاقة الرياح سالبة؟ لا، هذا مستحيل". إذا كسر التوقع قاعدة ما أو لم يتوافق مع القصة التي رواها للتو، فإنه يصلح الخطأ. إنه يضمن أن الرقم النهائي ليس مجرد تخمين، بل حقيقة منطقية في العالم الحقيقي.

تظهر الورقة البحثية أن عملية الخطوات الثلاث هذه تعمل بشكل جيد حقاً. فعندما اختبر الباحثون CastFSR على بيانات من العالم الحقيقي — مثل استهلاك الكهرباء، وطاقة الرياح، وأسعار الأسهم — تفوق على العديد من الأساليب الرائدة الأخرى. وجدوا أنه من خلال فصل "الرياضيات السريعة" عن "التفكير البطيء" وإضافة خطوة "التأمل"، أصبح الذكاء الاصطناعي أكثر موثوقية. والأفضل من ذلك، أظهروا أن هذا النظام يمكنه العمل مع نماذج الذكاء الاصطناعي الضخمة والمكلفة مباشرة، لكنهم علموا أيضاً نموذج ذكاء اصطناعي أصغر وأرخص كيفية القيام بنفس الشيء عبر تدريبه على اتباع هذه الخطوات الثلاث. والنتيجة هي نظام تنبؤ لا يكتفي بمعالجة الأرقام فحسب؛ بل يفهم السياق، ويحترم القواعد، ويعرف متى يراجع عمله.