Research on Enterprise Cost Prediction Method Based on Improved Informer Model

تخيل أنك تحاول التنبؤ بالطقس للشهر القادم. تنظر إلى السماء، لكنها عبارة عن فوضى عارمة من العواصف المفاجئة، والارتفاعات الحرارية الغريبة، والسحب العشوائية التي لا تعني شيئاً. إذا حاولت تخمين درجة الحرارة بناءً على تلك الضوضاء، فمن المحتمل أن تخطئ. هذا هو الصراع اليومي لـ "التنبؤ بالسلاسل الزمنية"، وهو فرع من العلوم حيث تحاول الحواسيب التنبؤ بالمستقبل بناءً على خط من البيانات الماضية. عادةً ما تكون هذه الحواسيب مثل طلاب فائقي الذكاء بارعين في رصد الأنماط، لكنهم يتشتتون بسهولة بسبب "الضوضاء" — وهي قفزات مفاجئة وغريبة في البيانات ليست اتجاهات حقيقية، بل مجرد أعطال أو حوادث عرضية.

لحل هذه المشكلة، صمم العلماء أداة خاصة تسمى "Informer". فكر في الـ "Informer" كأنه أمين مكتبة فائق الكفاءة يمكنه قراءة مليون كتاب (نقاط بيانات) في ثانية واحدة دون أن يصاب بصداع. إنه يستخدم خدعة تسمى "الانتباه المتناثر" (sparse attention)، وهي تشبه قرار أمين المكتبة بقراءة الفصول الأكثر أهمية فقط من الكتاب لتوفير الوقت، بدلاً من قراءة كل كلمة. ومع ذلك، حتى أمين المكتبة الخارق هذا لديه نقطة ضعف: عندما تكون البيانات فوضوية وتتحرك بجنون (مثل تكالوت الشركات)، قد يتخطى أمين المكتبة بالخطأ أكثر الحبكات إثارة وأهمية لأنه يحاول أن يكون فعالاً للغاية. تتناول هذه الورقة البحثية هذه المشكلة تحديداً.

---

المشكلة: عندما تصبح البيانات جامحة

تخيل أنك مدير مصنع ضخم. كل يوم، تحتاج إلى معرفة مقدار المال الذي ستنفقه الأسبوع المقبل، أو الشهر المقبل، أو حتى العام المقبل. هذا ما يسمى "التنبؤ بتكاليف المؤسسات". لكن بيانات التكاليف فوضوية. أحياناً، ترتفع أسعار المواد الخام فجأة بسبب تأخير في الشحن، أو تتعطل آلة بشكل غير متوقع. هذه هي "القيم المتطرفة" — ضوضاء عالية ومفاجئة في البيانات تبدو وكأنها اتجاهات كبيرة، لكنها في الواقع مجرد حواد عرضية.

تصاب النماذج الحاسوبية القديمة بالارتباك بسبب هذه الحوادث. فهي تعتقد أن قفزة إنفاق ليوم واحد هي قاعدة جديدة للمستقبل، مما يؤدي بها إلى تقديم تنبؤات سيئة. وحتى نموذج "Informer" الذكي، الذي عادة ما يكون رائعاً في التنبؤات طويلة الممد، يعاني هنا. فهو يحاول أن يكون فعالاً عبر اختيار نقاط البيانات التي يركز عليها بشكل عشوائي، ولكن في بيئة تكاليف فوضوية، قد يتجاهل بالخطأ تلك القفزات المهمة جداً، أو يتشتت بسبب الضوضاء.

الحل: أمين مكتبة أكثر ذكاءً وانتباهاً

قرر مؤلفو هذه الورقة، نان بان وفريقه، منح الـ "Informer" ترقية حقيقية. لم يكتفوا فقط بضخ المزيد من البيانات فيه، بل علموه مهارتين جديدتين للتعامل مع فوضى تكاليف الأعمال في العالم الحقيقي.

المهارة 1: "سماعات إلغاء الضجيج" (إزالة الضوضاء الديناميكية)
أولاً، أضافوا خطوة معالجة مسبقة. تخيل أن البيانات عبارة عن أغنية مليئة بالتشويش والأصوات المتقطعة. قبل أن يستمع الـ "Informer" إلى الأغنية، يضع هذا الخوارزمي الجديد سماعات إلغاء الضجيج. ينظر إلى البيانات ويتساءل: "هل هذا اتجاه حقيقي، أم مجرد خلل؟"

• إذا كان الرقم مرتفعاً جداً أو منخفضاً جداً مقارنة بجيرانه (مثل قفزة مستحيلة في تكاليف الأدوات المكتبية)، فإن الخوارزمية لا تقوم بمجرد حذفه — لأن ذلك سيفقدنا معلومات مهمة. بدلاً من ذلك، تقوم بـ "تنعيمه"، مثل صقل حافة خشنة بلطف لتتناسب مع المنحنى بشكل أفضل.
• والأهم من ذلك، أن هذا ليس مرشحاً (فلتر) واحداً يناسب الجميع. فالخوارزمية ذكية بما يكفي لتعرف أن بعض التكاليف (مثل المواد الخام) هي بطبيعتها جامحة ومتقلبة، بينما تكاليف أخرى (مثل إيجار المكاتب) هادئة. وهي تعدل حساسيتها وفقاً لذلك، محتفظة بالاتجاهات "الجامحة" الحقيقية مع مسح الضوضاء الزائفة.

المهارة 2: "تسليط الضوء على الحدث" (أخذ العينات المدرك للتقلب)
بمجرد أن تصبح البيانات أنظف، يتعين على الـ "Informer" أن يقرر ماذا يقرأ. يختار الـ "Informer" الأصلي نقاط البيانات بشكل عشوائي نوعاً ما لتوفير الوقت. أما النسخة الجديدة، فتستخدم استراتيجية "مدركة للتقلب".

• فكر في هذا كأنه مصور كاميرا في حفل موسيقي. إذا كانت الفرقة تعزف مقطوعة بطيئة ومملة، تظل الكاميرا ثابتة. ولكن إذا بدأ عازف الطبول عزفاً مجنونًا وسريعًا (تقلب عالٍ)، فإن الكاميرا تقرب وتتبع كل إيقاع.
• يفعل النموذج الجديد الشيء نفسه. فهو يحسب مدى اهتزاز أو قفز جزء معين من البيانات. إذا كان الجزء شديد التقلب (يحتوي على الكثير من الحركة)، فإن النموذج يجبر نفسه على إيلاء اهتمام إضافي له، مما يضمن عدم تفويت القفزات المهمة. وإذا كانت البيانات هادئة، فإنه يأخذ استراحة. هذا يضمن أن النموذج يلتقط "الحبكات الدرامية" في قصة التكاليف دون أن يشعر بالارتباك.

ما وجدوه: تنبؤات أفضل للمدى المتوسط

اختبر الفريق "الـ Informer الخارق" الجديد على بيانات حقيقية من شركة تبغ ومجموعة بيانات كهرباء قياسية. وقارنوه بالـ "Informer" الأصلي ونماذج أخرى.

أظهرت النتائج أن طريقتهم الجديدة هي الفائز الواضح، خاصة في التنبؤ بالمستقبل على مدى أبعد قليلاً ("المدى المتوسط").

• بالنسبة لتنبؤ بـ 12 خطوة (النظر إلى 12 فترة زمنية للأمام)، قلل النموذج الجديد الخطأ (MSE) إلى 0.3819 ومتوسط الخطأ المطلق (MAE) إلى 0.3449. وهذا يمثل تحسناً بنسبة 2.1% و 2.2% على التوالي مقارنة بنموذج قام فقط بخطوة إزالة الضوضاء.
• بالنسبة لتنبؤ بـ 24 خطوة، انخفض الخطأ إلى 0.5035 (MSE) و 0.4202 (MAE)، مما أظهر تحسناً طفيفاً ولكنه مستمر بنسبة 0.1% و 0.2% على التوالي.

ومن المثير للاهتمام، لاحظ المؤلفون أنه بالنسبة للتنبؤات قصيرة المدى جداً (6 خطوات)، كان النموذج الجديد أقل دقة قليلاً من النسخة التي قامت بإزالة الضوضاء فقط. وذلك لأن التنبؤات قصيرة المدى بسيطة بما يكفي بحيث لا تكون الحاجة لـ "تسليط الضوء" الإضافي ضرورية بعد. ولكن عندما تنظر إلى المستقبل البعيد، حيث تظهر الضوضاء والتقلبات الحقيقية، يتألق النموذج الجديد. فهو يتجنب "الأخطاء المنخفضة الزائفة" للنماذج التي تخدعها الضوضاء، مما يوفر رؤية أكثر استقراراً وموثوقية لاتجاهات التكاليف.

لماذا يهم هذا الأمر؟

هذا ليس مجرد تمرين رياضي؛ بل يتعلق بمساعدة الشركات على النوم بهدوء في الليل. من خلال التنبؤ الدقيق باتجاهات التكاليف، يمكن للشركات رصد تجاوزات الميزانية المحتملة مبكراً وإصلاحها قبل أن تتحول إلى كوارث. يشير المؤلفون إلى أن نهج "إزالة الضوضاء بالإضافة إلى تسليط الضوء" يخلق فريقاً مثالياً: جزء يقوم بتنظيف البيانات، والجزء الآخر يركز على الأجزاء الأكثر أهمية وإثارة في القصة.

بينما تظهر هذه الورقة أن هذه النتائج قوية في مجموعات البيانات التي اختبروها، فإن المؤلفين يتطلعون بالفعل إلى المستقبل. يخططون لإضافة المزيد من العوامل إلى المزيج، مثل أسعار المواد الخام والتغيرات في السياسات، لجعل التنبؤات أكثر حدة ودقة. ولكن في الوقت الحالي، فقد أثبتوا أنه عندما تعلم الكمبيوتر تجاهل الضوضاء والتركيز على الحدث الحقيقي، يمكنه أن يخبرك بقصة أفضل بكثير عن المستقبل.