A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting
تقدم هذه الورقة CastClaw، وهو وكيل ذاتي التحكم يشرك العنصر البشري في الحلقة، يدمج بين تحديد المهام باللغة الطبيعية، ونماذج التنبؤ المتخصصة، والتحسين التكراري القائم على الأدلة للتفوق على 16 نموذجاً أساسياً في التنبؤ بأسعار الكهرباء والأحمال مع تقديم تقارير تنفيذ شفافة.
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
إن التنبؤ بمستقبل الأرقام التي تتغير بمرور الوقت — مثل سعر الكهرباء أو الحمل على شبكة الطاقة — هو مهمة نادراً ما تنجح باستخدام عملية حسابية واحدة معزولة. في العالم الحقيقي، لا يقتصر التنبؤ الدقيق مجرد تغذية برنامج حاسوبي ببيانات تاريخية وانتظار الإجابة؛ بل هو عملية معقدة وتكرارية يجب على الخبير البشري فيها تحديد الهدف، وربط مصادر البيانات الصحيحة، وتطبيق معرفة محددة حول كيفية عمل العالم، ثم الحكم بعناية ما إذا كان تخمين الحاسوب منطقياً. وإذا بدا التنبؤ غريباً، يتعين على الخبير البحث عن معلومات مفقودة، أو تعديل النهج، أو اتخاذ قرار بالتوقف والمحاولة بطريقة أخرى. لسنوات طويلة، انقسم المجال بين نماذج حاسوبية متخصصة بارعة في معالجة الأرقام لكنها جامدة في تفكيرها، وبين وكلاء ذكاء اصطناعي عامين قادرين على الاستنتاج والتحدث ولكنهم غالباً ما يفتقرون إلى القواعد والضوابط الصارمة اللازمة للتنبؤ العددي الموثوق.
قام باحثون في جامعة العلوم والتكنولوجيا في الصين ببناء نظام جديد يسمى "CastClaw" لسد هذه الفجوة. وهو وكيل مستقل مصمم للعمل جنباً إلى جنب مع الإنسان، حيث يعمل كمساعد دؤوب يتولى العبء الثقيل لتحليل البيانات بينما يترك الحكم النهائي والإشراف للشخص المسؤول. لا يستبدل النظام الإنسان؛ بل يخلق حلقة يقوم فيها الحاسوب باقتراح توقع، وفحصه مقابل الأنماط المعروفة وقواعد المستخدم، ولا يغير رأيه إلا إذا وجد دليلاً قوياً يدعم المراجعة. وإذا كانت الأدلة مفقودة، يعرف النظام كيف يطلب المساعدة من الإنسان أو يبحث عن سياق إضافي، بدلاً من التخمين الأعمى. هذا النهج يحول التنبؤ من مجرد عملية حسابية لمرة واحدة إلى سير عمل موثق وقابل للفحص، حيث يتم تسجيل كل خطوة، من السؤال الأولي إلى الرقم النهائي، ويمكن مراجعتها.
جوهر "CastClan" هو إطار عمل يسميه الباحثون "الحمالة" (harness)، والتي تعمل كجهاز عصبي مركزي يربط الأدوات المختلفة. عندما يطرح المستخدم سؤالاً باللغة الإنجليزية العادية، مثل التنبؤ بأسعار الكهرباء لليوم التالي، يحدد النظام أولاً البيانات المطلوبة والقواعد التي يجب اتباعها. ثم يستمد توقعاً من نموذج متخصص أو يستخدم نموذجاً قدمه المستخدم. وقبل قبول هذا الرقم، يقوم النظام بسلسة من الفحوصات؛ حيث ينظر في الأنماط الأخيرة ليرى ما إذا كان التنبؤ يتوافق معها، ويقارنه بالمعرفة المتخصصة مثل تأثيرات الطقس أو ديناميكيات العرض والطلب، ويتحقق من استيفائه لأي قيود صارمة وضعها المستخدم. إذا اجتاز التنبؤ هذه الاختبارات، يتم الاحتفاظ به. وإذا فشل، لا يقوم النظام بمجرد تجاهله؛ بل يبحث عن السبب. قد يبحث عن سياق مفقود، أو يشغل نوعاً مختلفاً من التحليل، أو يستشير نموذجاً آخر ليرى ما إذا كان هناك مرشح أفضل.
من الأهمية بمكان أن النظام مصمم لمعرفة متى يتوقف؛ فهو لن يستمر في تغيير رأيه إلى ما لا نهاية. يتوقف النظام عندما يكون التنبؤ مدعوماً بالأدلة، أو عندما يكون إجراء المزيد من التغييرات غير مرجح أن يساعد، أو عند استهلاك ميزانية الحوسبة، أو عندما تكون هناك حاجة لخبير بشري لاتخاذ قرار نهائي. يتم حفظ كل إجراء يتخذه النظام، وكل قطعة من الأدلة يجدها، وكل نسخة من التوقع يعتبرها في تقرير مفصل. يتيح هذا التقرير للإنسان رؤية كيف تم الوصول إلى الرقم النهائي بالضبط، بما في ذلك أي تحذيرات أو أسئلة لم تُحل بعد. يعامل النظام المدخلات البشرية ليس كأمر نهائي يتم تجاهله، بل كجزء حيوي من سلسلة الأدلة التي يمكنها تصحيح المهمة، أو إضافة فرضيات جديدة، أو إيقاف التشغيل في أي وقت.
لاختبار ما إذا كان هذا النهج فعالاً حقاً، طبق الباحثون "CastClaw" على خمس مجموعات بيانات عامة لأسعار الكهرباء من بلجيكا وألمانيا وفرنسا والمنطقة الشمالية (Nordic Pool) ومنطقة PJM في الولايات المتحدة. وقارنوا أداء النظام مع ستة عشر أسلوباً آخر، تتراوح من الأدوات الإحصائية التقليدية إلى نماذج الذكاء الاصطناعي المتقدمة. وفي كل حالة، أنتج "CastClaw" أكثر التوقعات دقة، مقاسة بمدى قرب الأرقام من القيم المستقبلية الفعلية. لقد تفوق على أفضل الأساليب الموجودة بفوارق كبيرة، حيث قلل الأخطاء بنسبة تصل إلى ثلاثين بالمائة في بعض المناطق. كما استعرض الباحثون النظام في بيئة مباشرة باستخدام بيانات من سوق الكهرباء في المنطقة الشمالية. في هذا العرض، قدم مستخدم توقعاً أولياً، وقام النظام بفحصه مقابل ظروف السوق. وعندما وجد النظام أن التعديل المقترح سيجعل التنبؤ أسوأ في الواقع، رفض التغيير واحتفظ بالتوقع الأصلي، موثقاً عملية اتخاذ القرار بأكملها. أظهر هذا أن النظام قادر على التفكير النقدي، ويعرف متى يقول "لا" لفكرة سيئة تماماً كما يعرف متى يقول "نعم" لفكرة جيدة، وأن سير العمل نفسه قابل للفحص بالكامل.
كما قام الباحثون بتشغيل النظام على بيانات غير متصلة (offline) تمثل أحمال الكهرباء في شمال الصين للنصف الأول من عام 2026. صُممت هذه التجربة للتحقق من تنفيذ سير العمل غير المتصل باستخدام نفس مواصفات المهمة والنماذج والأدوات، لكنها لم تكن تهدف إلى إثبات النشر عبر الإنترنت، أو الاستخدام في الإنتاج، أو الدقة المقارنة مع النماذج الأخرى. أكدت النتائج أن النظام يمكنه تنفيذ سير العمل الكامل من البداية إلى النهاية في بيئة غير متصلة، من خلال إدارة البيانات والأدوات والقرارات وفقاً لقواعده وتسجيل تقارير مفصلة. توضح الدراسة أنه بينما يتمتع النظام بقدرة عالية، فإنه ليس "صندوقاً سحرياً" يحل كل المشكلات فوراً؛ بل هو أداة تتطلب من الإنسان تحديد الأهداف وتقديم الإشراف النهائي، لضمان بقاء التوقعات متجذرة في الواقع ومفيدة لاتخاذ القرارات. ومن خلال الجمع بين سرعة الآلات وحكم البشر، يقدم "CastClaw" طريقة جديدة لمعالجة مشكلة التنبؤ بالمستقبل الصعبة، محولاً عملية فوضوية إلى رحلة واضحة وموثوقة وشفافة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.