إن التنبؤ بالسلاسل الزمنية هو فن توقع ما سيحدث لاحقاً في تدفق من البيانات التي تتغير بمرور الوقت. إنه المحرك الكامن وراء القرارات في شبكات الطاقة، وأرضيات المصانع، ومحطات الأرصاد الجوية، حيث تتيح معرفة القيمة المستقبلية للإشارة للأنظمة القدرة على الاستعداد أو التكيف أو التحذير. لعقود من الزمن، تطلب النهج المعياري نموذجاً فريداً لكل إشارة على حدة، يتم تدريبه خصيصاً على ذلك التدفق الواحد من الأرقام. لقد نجح هذا الأسلوب، لكنه كان ثقيلاً وبطيئاً، إذ يتطلب دورة تدريب جديدة لكل مستشعر جديد. مؤخراً، ظهر جيل جديد من "النماذج التأسيسية" (foundation models)، القادرة على التعلم من مكتبة واسعة من الإشارات المختلفة ثم التنبؤ بإشارات غير مرئية دون أي تدريب إضافي. هذه النماذج قوية، لكنها ضخمة أيضاً، وغالباً ما تتطلب ملايين المعلمات (parameters) — وهي الإعدادات الداخلية التي تحدد كيفية تفكير النموذج. هذا الحجم يجعل من المستحيل تشغيلها على الرقائق الصغيرة ومنخفضة الطاقة الموجودة داخل الأجهزة اليومية، حيث يحتاج المهندسون إلى تنبؤ يكون دقيقاً وخفيف الوزن بما يكفي ليتناسب مع مساحة ذاكرة ضئيلة.

لقد قدم باحث في مختبرات "راوس لابس" (RAWS Labs) نموذجاً جديداً يسمى "تايني كاست" (TinyCast)، صُمم لحل هذه المشكلة تحديداً. طرح الباحث سؤالاً بسيطاً: ما مدى صغر حجم المتنبئ الاحتمالي إذا سُمح له باستخدام القليل من الرياضيات لإيجاد الأنماط بدلاً من تعلمها من الصفر؟ الإجابة التي وجدها هي نموذج يحتوي على 146,505 معلمة فقط، وهو حجم صغير جداً لدرجة أنه أصغر متنبئ "صفر استباقي" (zero-shot forecaster) تم تسجيله على المؤشرات الرئيسية. وعلى عكس أقربائه الأكبر حجماً، الذين يحاولون حفظ إيقاع المواسم والدورات من خلال مليارات الحسابات، يقوم "تايني كاست" بحساب الإيقاعات السائدة مباشرة من البيانات التي يراها. ثم يقوم بطي البيانات حول هذه الإيقاعات، مما يسم يسمح للنموذج بالتركيز بقدرته الضئلة على التعلم على بقية النمط. والنتيجة هي نظام يمكن تشغيله بالكامل على شريحة متحكم دقيق واحدة، منتجاً مجموعة كاملة من النتائج المستقبلية المحتملة بدلاً من مجرد تخمين واحد، وكل ذلك دون الحاجة إلى إعادة تدريبه لكل إشارة جديدة يواجهها.

الفكرة الجوهرية وراء "تايني كاست" هي أنه عند الحجم الصغير جداً، يكون قياس دورية الإشارة أكثر كفاءة من تعليم الشبكة العصبية اكتشافها. والدورية هي ببساطة الدورة المتكررة في البيانات، مثل الارتفاع والانخفاض اليومي في استخدام الكهرباء أو النمط الأسبوعي لحركة المرور. في النماذج الأكبر، يجب على الكمبيوتر تعلم هذه الدورات من خلال رؤية آلاف الأمثلة. ومع ذلك، يستخدم "تايني كاست" كاشفاً طيفياً صفري المعلمات (zero-parameter spectral detector)، وهو أداة رياضية تحلل تدفق البيانات لتجد أقوى تردداتها المتكررة فوراً. هذه الأداة لا تتطلب ذاكرة لتخزين البيانات ولا تدريباً لتعلمها؛ فهي تقوم ببساطة بحساب الإيقاع. بمجرد أن يعرف النموذج الفترة الزمنية، يقوم بطي سياق البيانات على ذلك الإيقاع، محاذياً نقاط البيانات كما لو كانت مكدسة فوق بعضها البعض في دورة. هذه العملية تمنح النموذج الهيكل الأكثر أهمية للمشكلة "مجاناً"، تاركةً عدد معلماتها القابلة للتعلم المحدود للتعامل مع الأجزاء الأكثر تعقيداً وغير المنتظمة من الإشارة التي لا تستطيع الرياضيات التنبؤ بها.

بُنيت بنية النموذج بالكامل من عمليات صديقة للقيود البرمجية للأجهزة المدمجة. فهو يتجنب آليات "الانتباه" (attention mechanisms) المعقدة المستخدمة في النماذج الأكبر، والتي يصعب تشغيلها على الرقائق الصغيرة. بدلاً من ذلك، يستخدم سلسلة من "التلافيف المتمددة" (dilated convolutions)، وهي نوع من المرشحات التي تنظر إلى البيانات على مسافات متزايدة لالتقاط الأنماط طويلة المدى دون الحاجة إلى كمية هائلة من الذاكرة. يعالج النموذج البيانات في كتل، متنبئاً بمجموعة من تسع نتائج مختلفة، تُعرف بالكميات (quantiles)، للـ 48 خطوة القادمة. تمثل هذه الكميات توزيعاً احتمالياً كاملاً، حيث لا تخبر المستخدم بالقيمة التالية فحمة فحسب، بل تخبره أيضاً بمدى تأكد النموذج من هذا التنبؤ. هذا تمييز جوهري، حيث تعتمد أنظمة التحكم وعتبات الإنذار غالباً على فهم نطاق عدم اليقين، وليس فقط نقطة تقدير واحدة. تم تصميم النظام بأكمله ليعمل في نافذة ثابتة من الذاكرة، مما يعني أنه لا يحتاج إلى زيادة استهلاك الذاكن مع امتداد أفق التنبؤ، مما يجعله مستقراً وقابلاً للتنبؤ للتطبيقات في الوقت الفعلي.

في الاختبارات، أثبت "تايني كاست" أنه تنافسي بشكل ملحوظ رغم بصمته الضئيلة. ففي اختبار "GIFT-Eval"، وهو اختبار معياري للتنبؤ بالسلاسل الزمنية، تفوق على كل النماذج الأخرى "صفرية الاستباق" التي يمكن قياس حجمها، وكان النموذج الوحيد الذي يقل عن 1.4 مليون معلمة والذي نجح في إصدار توزيع تنبئي كامل. وبينما حققت نماذج أخرى تمتلك عدداً أكبر بكثير من المعلمات، بعضها يحمل ما يصل إلى 28 ضعف عدد الإعدادات، درجات أفضل قليلاً، إلا أن "تايني كاست" رسم حدوداً جديدة حيث يلتقي الحجم مع الدقة. وقد أظهر أنه من خلال حساب الهيكل الدوري صراحةً، استطاع النموذج تحقيق دقة عالية دون الحاجة إلى ميزانية حوسبة ضخمة. كما أظهر الباحث أنه يمكن ضغط النموذج إلى تنسيق عدد صحيح بـ 8 بت (8-bit integer format)، مما يسمح بتشغيله على لوحة تطوير مدمجة قياسية دون الحاجة إلى شبكة خارجية أو حاسوب مضيف.

وقد سلط نشر هذا النموذج على جهاز مادي الضوء على فائدته العملية. فقد نجح الباحث في تشغيل النموذج على متحكم دقيق من طراز STM32H753، وهو شريحة شائعة الاستخدام في الإلكترونيات الصناعية والاستهلاكية. استوعب النظام بأكمله، بما في ذلك أوزان النموذج والوقت التشغيلي اللازم، ذاكرة الجهاز، حيث استهلك حوالي 138 كيلوبايت فقط من التخزين. تمكن النموذج من معالجة سياق كامل من البيانات وتوليد تنبؤ في أكثر من أربع ثوانٍ فقط، وهي سرعة كافية للعديد من مهام المراقبة في الوقت الفعلي. والأهم من ذلك، فعل ذلك دون الحاجة إلى ملاءمة خاصة بكل إشارة (per-signal fitting)، مما يعني أنه يمكن نشر نفس صورة البرنامج الثابت (firmware) إلى مجموعة من الأجهزة، حيث يراقب كل منها نوعاً مختلفاً من المستشعرات، وسيعمل فوراً. وهذا يلغي الحاجة إلى جمع البيانات التاريخية وتدريب نموذج مخصص لكل جهاز، وهي عملية غالباً ما تكون مكلفة ومستهلكة للوقت في عمليات النشر واسعة النطاق.

كما استكشف الباحث ما يحدث عندما يتم تجريد النموذج من كاشف الدوريّة الخاص به. فعندما أعاد تدريب النموذج بدون هذا المكون، انخفضت دقته، مما أكد أن الحساب الصريح للدورات كان جزءاً حيوياً من نجاحه. ووجد أن الكاشف لم يكن مجرد إضافة مفيدة، بل كان ضرورة، حيث وفر إشارة اعتمد عليها النموذج لمحاذاة تنبؤاته. علاوة على ذلك، اختبر النموذج مقابل تدخلات مختلفة، مثل محاولة تغذيته بتنبؤات محسوبة مسبقاً بدلاً من تركه يحسب الإيقاع بنفسه، ووجد أن هذه الأساليب لم تعمل بشكل جيد. تكمن قوة النموذج في قدرته على قياس الإيقاع من البيانات الخام ثم استخدام معلماته المتعلمة لتحسين التنبؤ، بدلاً من محاولة تعلم الإيقاع من الصفر أو الاعتماد على حسابات خارجية.

يوحي نجاح "تايني كاست" بتحول في طريقة تفكيرنا في بناء النماذج الصغيرة والفعالة. فهو يتحدى المفهوم القائل بأن النموذج يجب أن يتعلم كل شيء من البيانات ليكون فعالاً. بدلاً من ذلك، يوضح أنه بالنسبة للميزانيات الصغيرة، غالباً ما يكون من الأفضل إسناد مهمة اكتشاف الهياكل المعروفة، مثل الموسمية، إلى حسابات رياضية ثابتة. هذا يحرر قدرة النموذج المحدودة للتركيز على العناصر غير المتوقعة للإشارة. وأشار الباحث إلى أن هذا النهج لا يقتصر على السلاسل الزمنية؛ فأي هيكل يمكن قياسه بدلاً من تعلمه يمكن حسابه صراحةً لإعادة السعة إلى المعلمات المتعلمة. وفي حالة "تايني كاست"، سمحت هذه المقايضة للنموذج بأن يكون صغيراً بما يكفي ليتناسب مع متحكم دقيق مع الاستمرار في تقديم تنبؤات احتمالية غنية كما توفرها النماذج الأكبر والأكثر تعقيداً.

إن تداعيات هذا العمل تمتد إلى ما وراء مجرد التنبؤ بالسلاسل الزمنية. فهي تثبت أنه من الممكن جلب قدرات تشبه "النماذج التأسيسية" إلى حافة الشبكة (edge of the network)، حيث يتم توليد البيانات وتتطلب اتخاذ إجراءات فورية. ومن خلال الجمع بين حساب بسيط وصريح للدورية وشبكة عصبية خفيفة الوزن، أنشأ الباحث أداة قوية وعملية في آن واحد. إنها تقدم مساراً للمضي قدماً في نشر التنبؤ الذكي في البيئات التي تكون فيها الطاقة والذاكرة والاتصال محدودة، مما يمكّن الأجهزة من اتخاذ قرارات أذكى دون الحاجة إلى إرسال البيانات إلى السحابة أو انتظار دورة تدريب مخصصة. ويعد النموذج دليلاً على أنه مع التصميم الصحيح، يمكن جسر الفجوة بين التنبؤ عالي الأداء وقيود الأنظمة المدمجة.