في عالم الحوسبة الحديثة، أصبحت الآلات ماهرة بشكل ملحوظ في التنبؤ بالمستقبل. وسواء كان ذلك بالتنبؤ بسعر الكهرباء، أو تدفق حركة المرور، أو تحركات سوق الأسهم، فإن هذه الأنظمة لا تكتفي بمجرد تخمين رقم واحد؛ بل تولد سحابة من الاحتمالات. تخيل تطبيقًا للطقس لا يكتفي بالقول "سوف تمطر"، بل يقوم بدلاً من ذلك بمحاكاة آلاف العواصف المطرية المختلفة، كل منها يتميز بسرعات رياح وأحجام قطرات مختلفة قليلاً. هذا التجمع من السيناريوهات، المعروف باسم "سحابة العينات"، يعطي صورة غنية لعدم اليقين. ومع ذلك، فإن تحويل هذه السحابة الغنية إلى شبكة أمان موثوقة أمر صعب للغاية. فعندما يتغير العالم فجأة — عندما ينهار السوق أو يتغير اتجاه العاصفة — تصبح الأنماط التي تعلمتها الآلة من الماضي قديمة وغير صالحة. والنتيجة هي تنبؤ يبدو واثقاً ولكنه في الواقع خاطئ، حيث يفشل في استيعاب النطاق الحقيقي لما قد يحدث.

هذا هو التحدي الذي سعى الباحثون بايشي لي، وكلفين جيه إل كوا، وكوي وي هوانغ لحله. فقد طوروا طريقة جديدة تسمى SPACE، والتي تعمل كمرشح ذكي لسحب التنبؤات هذه. فبدلاً من الاعتماد على البيانات القديمة لتحديد مدى اتساع شبكة الأمان، تنظر SPACE مباشرة إلى شكل سحابة الاحتمالات الحالية. إنها تطرح سؤالاً بسيطاً ولكنه قوي: بالنظر إلى الطريقة المحددة التي تتحرك بها المتغيرات الآن، ما هو الحجم الذي يجب أن تكون عليه الشبكة للإمساك بالنتيجة الحقيقية؟ ومن خلال ضبط حجم هذه الشبكة باستمرار بناءً على السلوك الفوري للبيانات، بدلاً من الاعتماد على أخطاء الماضي، تحافظ هذه الطريقة على صدق التنبؤات حتى عندما يتغير العالم بشكل غير متوقع.

تتمثل المشكلة الجوهرية التي عالجها الفريق في أن العديد من الأنظمة الحالية تحاول إصلاح تنبؤاتها من خلال النظر إلى الوراء. فهي تحسب مدى خطئها في الماضي وتستخدم ذلك لتعديل تخميناتها المستقبلية. وهذا يعمل جيداً عندما يكون العالم مستقراً، لكنه يفشل عندما تتغير قواعد اللعبة فجأة. إذا حدث تحول مفاجئ، فإن النظام سيظل يستخدم خريطة للتضاريس القديمة للملاحة في التضاريس الجديدة. وقد وجد الباحثون أن هذا الاعتماد على التاريخ يخلق تأخراً خطيراً؛ إذ غالباً ما تبتعد مناطق التنبؤ، التي يُفترض أن تحتوي على النتيجة الحقيقية بمستوى معين من اليقين، عن هدفها. فقد تكون أصغر مما ينبغي، فتفوت الحدث الفعلي، أو أكبر مما ينبغي، فتصبح عديمة الفائدة لاتخاذ القرار.

ولإصلاح ذلك، قدم الباحثون عملية من خطوتين تفصل بين شكل التنبؤ وحجمه. أولاً، يتركون مخرجات نموذج التنبؤ الحالي تحدد الشكل؛ فإذا كانت عينات التنبؤ ممتدة في اتجاه واحد وضيقة في اتجاه آخر، فإن شبكة الأمان ستتخذ نفس ذلك الشكل الممتد. وهذا يضمن أن تتناسب الشبكة مع الهندسة الفورية لعدم اليقين. ثانياً، يستخدمون بحثاً ديناميكياً لإيجاد الحجم المناسب لهذه الشبكة. فبدلاً من استخدام جميع البيانات الماضية بشكل أعمى، ينظر النظام إلى الوراء في الزمن، ويختبر أطوالاً مختلفة من التاريخ ليرى أي منها لا يزال يتصرف مثل الحاضر. ويتوقف عن إضافة البيانات الأقدم في اللحظة التي يكتشف فيها تغيراً في النمط، مما يضمن استخدام التاريخ ذي الصلة و"نفس النمط" فقط لمعايرة الحجم.

تم اختبار نتائج هذا النهج عبر سبعة مجموعات بيانات مختلفة من العالم الحقيقي، تتراوح بين شبكات الطاقة والأسواق المالية وصولاً إلى أنماط الطقس وتدفقات حركة المرور. وقد قرن الباحثون طريقتهم الجديدة بثمانية أنواع مختلفة من نماذج التنبؤ المتقدمة، بما في ذلك تلك التي تستخدم تقنيات الانتشار والتدفق المعقدة. وفي كل حالة، جعلت SPACE الأداء الفعلي للتنبؤات أقرب بكثير إلى الهدف المنشود. وبينما كانت الطرق الأخرى تخطئ الهدف بعدة نقاط مئوية، قللت SPACE متوسط الخطأ إلى 0 درجات مئوية فقط. والأهم من ذلك، أنها حققت ذلك دون جعل مناطق التنبؤ ضخمة بشكل غير ضروري؛ بل حققت توازناً أفضل بين الدقة والإحكام من أي من الطرق المنافسة التي تم اختبارها.

كما كشفت الدراسة أن هذه الطريقة تتألق بوضوح عندما تكون البيانات في أكثر حالاتها فوضوية. ففي مجموعات البيانات التي تتغير فيها العلاقات بين المتغيرات بسرعة وبشكل غير متوقع، مثل الطلب على الكهرباء وأنماط حركة المرور، أظهرت SPACE التحسن الأكثر دراماتيكية. وفي بيئات "الانجراف العالي" هذه، كانت القدرة على ضبط حجم شبكة التنبؤ فورياً بناءً على الحالة الراهنة أمراً جوهرياً. وعلى العكس من ذلك، في مجموعات البيانات الأكثر استقراراً حيث يكون الماضي دليلاً جيداً للمستقبل، ظلت الطريقة تنافسية، وإن كانت الفجوة بينها وبين التقنيات القديمة قد تقلصت. وهذا يؤكد أن النظام ليس مجرد تحسين عام، بل هو حل محدد لمشكلة "عدم الاستقرار" (non-stationarity)، حيث تكون القواعد الأساسية للبيانات في حالة تغير مستمر.

ومن أهم النتائج أن الباحثين لم يحتاجوا إلى إعادة بناء نماذج التنبؤ الأساسية لتحقيق ذلك. فطريقتهم تعمل كـ "غلاف" (wrapper)، وهي طبقة توضع فوق أي نظام موجود ينتج سحابة من العينات. وهذا يعني أن المكتبة الواسعة من أدوات التنبؤ الحديثة، والتي تعد ممتازة بالفعل في توليد عدم يقين غني، يمكن ترقيتها فوراً لتصبح موثوقة إحصائياً. لقد أثبت الفريق رياضياً أن هذا النهج يوفر ضمانات رسمية على التغطية، مما يعني أن التنبؤات ستحتوي على النتيجة الحقيقية بالمعدل المذكور، حتى مع وجود كمية محدودة من البيانات. وهذا ينقل المجال من التعديلات التجريبية، التي هي مجرد تخمينات مبنية على الخبرة، إلى المعايرة الصارمة القائمة على الأدلة الفورية.

إن تداعيات هذا العمل تمتد إلى ما هو أبعد من مجرد أرقام أفضل على مخطط بياني. ففي مجالات مثل التمويل، وإدارة الطاقة، والاستجابة للكوارث، تُتخذ القرارات غالباً بناءً على حدود عدم اليقين. فإذا كانت منطقة التنبؤ ضيقة جداً، فقد تفشل شبكة الكهرباء في الاستعداد لزيادة مفاجئة؛ وإذا كانت واسعة جداً، فقد تُهدر الموارد في سيناريوهات غير مرجحة. ومن خلال ضمان أن تكون مناطق التنبؤ بالشكل والحجم الصحيحين، تسمح SPACE لصناع القرار بالثقة في حدود عدم اليقين لديهم. إن الطريقة تحول المخرجات غير المعايرة لنماذج الذكاء الاصطناعي القوية إلى أداة موثوقة للملاحة في عالم متغير.

في نهاية المطاف، تثبت الورقة البحثية أن مفتاح التعامل مع عدم اليقين في عالم متغير يكمي في النظر إلى اللحظة الراهنة بعيون جديدة. ومن خلال فصل شكل التنبؤ عن تاريخ أخطائه، ومن خلال اختيار التاريخ الأكثر صلة بشكل تكيفي، خلق الباحثون نظاماً قوياً في مواجهة التغيير المفاجئ. ويشير هذا العمل إلى أن مستقبل التنبؤ الموثوق لا يقتصر فقط على بناء نماذج أكبر، بل يتعلق ببناء طرق أذكى لتفسير "سحب الاحتمالات" التي تولدها تلك النماذج. وفي عالم يصبح فيه الماضي مؤشراً سيئاً للمستقبل، فإن القدرة على التكيف في الوقت الفعلي ليست مجرد تحسين تقني، بل هي تطور ضروري لأي نظام يسعى لفهم واستكشاف المجهول.