إطار HALE يدمج نماذج اللغة الكبيرة مع المحاكاة الوبائية واسعة النطاق
ابتكر علماء إطار HALE الذي يجمع بين نماذج اللغة الكبيرة (LLM) والنمذجة القائمة على الوكلاء (agent-based). وأصبحت نماذج اللغة الكبيرة قادرة الآن على التنبؤ بقرارات الأفراد في المحاكاة واسعة النطاق. ويوضح مثال جائحة COVID-19 في Salt Lake County كيف يمكن للنظام أن يتكيّف مع التغيرات الواقعية، في حين تعتمد النماذج التقليدية على بيانات ثابتة.
معالج بواسطة الذكاء الاصطناعي من arXiv cs.AI؛ بتحرير Hamidun News
قدّم باحثون إطار HALE (Hybrid Agent-based and Language-driven Epidemic)، الذي يجمع بين النمذجة الكلاسيكية القائمة على الوكلاء ونماذج اللغة الكبيرة. ويتيح النظام لنماذج اللغة الكبيرة التنبؤ بقرارات ملايين الأشخاص المحاكَين في الوقت الفعلي، مع التكيّف مع التغيرات الواقعية. وأظهر العلماء، من خلال مثال جائحة COVID-19 في Salt Lake County، أن النهج الهجين قد يصبح أداة لتوقعات أدق في مجال السياسات العامة.
المشكلة: النماذج الثابتة
تستطيع النماذج التقليدية القائمة على الوكلاء (ABM) محاكاة سلوك ملايين الأشخاص وتفاعلاتهم، وهو أمر لا يُقدَّر بثمن في صياغة السياسات. غير أنها تعتمد على افتراضات ثابتة: فقواعد سلوك الوكلاء تُحدَّد مسبقًا ولا تتغير.
لكن سلوك الناس يتغير جذريًا أثناء الوباء. فيبدأ الناس بارتداء الكمامات، ويتجنبون التجمعات، ويغيّرون جداول عملهم. أما النموذج الثابت فلا يستطيع احتساب هذه التحولات في الوقت الفعلي، إذ يبقى محصورًا في السيناريو الأولي ولا يستطيع التعلم من البيانات الجديدة.
كيف يعالج HALE المشكلة
يدرج HALE نموذج لغة كبيرًا في حلقة النمذجة القائمة على الوكلاء. فبدلًا من ترميز قواعد السلوك بصورة صارمة، يستخدم النظام شبكة عصبية للتنبؤ ديناميكيًا بقرار كل وكيل. وفي كل خطوة من خطوات المحاكاة، يحلل نموذج اللغة الكبير السياق الراهن، مثل عدد المصابين في الحي ومستوى الخوف لدى المجتمع وتوافر اللقاحات، ثم يتنبأ بقرار الشخص: هل سيذهب إلى المتجر، وهل سيلتزم بالتباعد، وهل سيوافق على تلقي اللقاح.
- يستخدم الإطار نموذج لغة كبيرًا للتنبؤ بالسلوك في كل خطوة من خطوات المحاكاة
- اختُبر HALE على مثال جائحة COVID-19 في Salt Lake County بولاية Utah
- يتكيّف النظام مع البيانات الواقعية بدلًا من اتباع سيناريو محدد سلفًا
- يتوسع ليشمل ملايين الوكلاء
لماذا يهم ذلك السياسات العامة
تستخدم الحكومات النماذج الوبائية لاتخاذ قرارات بشأن الحجر الصحي والتطعيم والتدخلات. وإذا كان النموذج غير دقيق، فقد تتسبب السياسة في ضرر لا داعي له أو تأتي بلا فاعلية.
يرفع HALE الدقة بفضل قدرته على التكيّف. فالنظام لا يكتفي باتباع خطة، بل يتغير مع ظهور بيانات جديدة وتبدّل ردود فعل السكان. وبيّن الباحثون، من خلال مثال COVID-19 في Salt Lake County، أن HALE يعكس الديناميكيات الفعلية للعدوى والتحولات السلوكية على نحو أفضل من النماذج الثابتة.
ويكتسب ذلك أهمية خاصة للاستجابة السريعة: فإذا حصل صانعو السياسات على توقعات أدق، أمكنهم تعديل الإجراءات قبل أن تنتشر موجة العدوى.
ماذا يعني ذلك
يُظهر النهج الهجين أن نماذج اللغة الكبيرة يمكن أن تكون أكثر من مجرد أداة تحليل، إذ قد تصبح مكوّنًا فاعلًا في المحاكاة نفسها. وإذا نجح HALE في حالة الأوبئة، فيمكن تطبيقه على أزمات أخرى: الصدمات الاقتصادية والنزاعات الاجتماعية والكوارث الطبيعية. وسيفتح ذلك فئة جديدة من النماذج: حيّة ومتكيّفة وتقودها الشبكات العصبية.
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول المشكلة: النماذج الثابتة؟
تستطيع النماذج التقليدية القائمة على الوكلاء (ABM) محاكاة سلوك ملايين الأشخاص وتفاعلاتهم، وهو أمر لا يُقدَّر بثمن في صياغة السياسات. غير أنها تعتمد على افتراضات ثابتة: فقواعد سلوك الوكلاء تُحدَّد مسبقًا ولا تتغير. لكن سلوك الناس يتغير جذريًا أثناء الوباء. فيبدأ الناس بارتداء الكمامات، ويتجنبون التجمعات، ويغيّرون جداول عملهم. أما النموذج الثابت فلا يستطيع احتساب هذه التحولات في الوقت الفعلي، إذ يبقى محصورًا في السيناريو الأولي ولا يستطيع التعلم من البيانات الجديدة.
ما أبرز التفاصيل حول كيف يعالج HALE المشكلة؟
يدرج HALE نموذج لغة كبيرًا في حلقة النمذجة القائمة على الوكلاء. فبدلًا من ترميز قواعد السلوك بصورة صارمة، يستخدم النظام شبكة عصبية للتنبؤ ديناميكيًا بقرار كل وكيل. وفي كل خطوة من خطوات المحاكاة، يحلل نموذج اللغة الكبير السياق الراهن، مثل عدد المصابين في الحي ومستوى الخوف لدى المجتمع وتوافر اللقاحات، ثم يتنبأ بقرار الشخص: هل سيذهب إلى المتجر، وهل سيلتزم بالتباعد، وهل سيوافق على تلقي اللقاح. يستخدم الإطار نموذج لغة كبيرًا للتنبؤ بالسلوك في كل خطوة من خطوات المحاكاة اختُبر HALE على مثال جائحة COVID-19 في Salt Lake County بولاية Utah يتكيّف النظام مع البيانات الواقعية بدلًا من
ما أبرز التفاصيل حول لماذا يهم ذلك السياسات العامة؟
تستخدم الحكومات النماذج الوبائية لاتخاذ قرارات بشأن الحجر الصحي والتطعيم والتدخلات. وإذا كان النموذج غير دقيق، فقد تتسبب السياسة في ضرر لا داعي له أو تأتي بلا فاعلية. يرفع HALE الدقة بفضل قدرته على التكيّف. فالنظام لا يكتفي باتباع خطة، بل يتغير مع ظهور بيانات جديدة وتبدّل ردود فعل السكان. وبيّن الباحثون، من خلال مثال COVID-19 في Salt Lake County، أن HALE يعكس الديناميكيات الفعلية للعدوى والتحولات السلوكية على نحو أفضل من النماذج الثابتة. ويكتسب ذلك أهمية خاصة للاستجابة السريعة: فإذا حصل صانعو السياسات على توقعات أدق، أمكنهم تعديل الإجراءات قبل أن تنتشر موجة العدوى.
Delegate Deep Research, Coding & Multi-Step Workflows to Nomad Agent
Deploy autonomous task execution with Nomad Agent (agent.nomadnet.ai) — automated web research, data synthesis, code generation, and MCP tool orchestration.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.