تعتبر نماذج السلاسل الزمنية الأساسية (TSFMs) أداة هامة لتطبيقات الذكاء الاصطناعي، حيث تعتمد على بيانات واقعية متنوعة لتكييفها عبر مجالات وترددات زمنية مختلفة. لكن التحدي الذي يواجه العلماء هو أن معظم مجموعات البيانات الحالية تتركز بشكل أساسي على السلاسل الزمنية ذات التردد المنخفض، حيث تتراوح فترات العينات بين ثوانٍ وسنوات، مما يعيق قدرتها على فهم التفاصيل الدقيقة للبيانات ذات التردد العالي.

للتغلب على هذه العقبة، نقدم مجموعة بيانات جديدة مبتكرة تلتقط الظروف اللاسلكية وحركة المرور بدقة مللي ثانية من تطبيق فعلي لشبكات 5G. هذه الخطوة توسع من نطاق نماذج السلاسل الزمنية الأساسية لتشمل البيانات ذات التردد العالي التي يمكن استخدامها في عمليات ما قبل التدريب.

تتضمن مجموعة البيانات أيضًا مجالًا جديدًا هو الشبكات اللاسلكية، مما يكمل المجالات العامة الموجودة مثل الطاقة والمالية. كما توفر بيانات الاستخدام حالات ملموسة للتنبؤ على المدى القصير، حيث تمتد آفاق التنبؤ من مللي ثانية واحدة (خطوة واحدة) إلى 96 مللي ثانية (96 خطوة).

عند إجراء اختبارات على نماذج التعلم الآلي التقليدية وTSFMs باستخدام هذه المجموعة، أظهرنا أن معظم تكوينات نماذج TSFM تؤدي بشكل سيئ في هذه البيانات الجديدة سواء في البيئات ذات عدم وجود تدريب مسبق (zero-shot) أو في الإعدادات الدقيقة (fine-tuned). تؤكد هذه الدراسة على أهمية دمج مجموعات البيانات عالية التردد خلال عمليات ما قبل التدريب والتنبؤ لتعزيز الهياكل واستراتيجيات التعديل والتعميم والقدرة على التحمل لنماذج السلاسل الزمنية الأساسية في التطبيقات الواقعية.

ما هي توقعاتكم حول تأثير إدخال بيانات عالية التردد على مجالات الذكاء الاصطناعي المختلفة؟ شاركونا آراءكم في التعليقات!