Wasserstein BaryBooster يحوّل واقعية نماذج الانتشار إلى دقة في التنبؤ بالأحداث

جمع مؤلفو الورقة البحثية المنشورة مسبقًا arXiv:2610.12586 معيارًا للتنبؤ بتسلسلات الأحداث، وقيّموا النماذج على محورين: دقة التنبؤ، وواقعية توزيع المسارات المولَّدة. وجاء الاستنتاج الرئيس حاسمًا: لا توجد طريقة تتفوق على المحورين في آن واحد. ثم عرض الفريق مسارًا بديلًا. تجمع خوارزمية Wasserstein BaryBooster عينات من نموذج انتشار قوي في الواقعية، وتحوّلها إلى متنبّئ بمستوى أحدث الطرق (state-of-the-art). والشيفرة متاحة للعموم.

ما الذي يجري التنبؤ به هنا

تسلسل الأحداث هو سلسلة من الأحداث العشوائية، ولكل حدث فيها خصائص متباينة، بعضها عددي وبعضها فئوي. ومن الأمثلة المعتادة المعاملات المصرفية بمبلغها وفئة التاجر ووقتها. وتظهر البنى نفسها في السجلات الطبية وسجلات عمليات الأعمال. يعمل المؤلفون وفق صيغة multi-horizon: المطلوب ليس التنبؤ بحدث تالٍ واحد، بل بعدة خطوات إلى الأمام.

ويصوغ المؤلفون المهمة على أنها نمذجة توليدية شرطية. يتلقى النموذج التاريخ ويستخرج منه عينات لاستمرارات محتملة. وهذا يغيّر سؤال التقييم. فلا يكفي أن نعرف مدى قرب التنبؤ من المسار الفعلي. بل ينبغي أيضًا التحقق مما إذا كانت السلاسل المولَّدة تشبه الحقيقية إحصائيًا: في تواتر الأحداث، والفواصل الزمنية بينها، وتركيبات الخصائص.

المعيار والمفاضلة

هذه الفجوة بين المعيارين مألوفة للممارسين. فالنموذج الذي يسعى إلى تقليل الخطأ يميل إلى إنتاج مسارات «مُسطَّحة» متوسطة. وهي تبدو مقبولة وفق مقياس الدقة، لكنها بالكاد توجد في البيانات الحقيقية. أما النموذج التوليدي فيعيد إنتاج التوزيع الحي، لكن كل مسار منفرد قد يبتعد عن الواقع. وقد اختبر المؤلفون ذلك على مجموعة اختبارات موحدة.

ضمّ المعيار:

• مقاييس لجانبي الجودة: الدقة وdistributional realism؛
• خطوط أساس إحصائية قوية؛
• نماذج حديثة من مجالات قريبة جرى تكييفها لتسلسلات الأحداث (event sequences)؛
• مجموعات بيانات حقيقية منتقاة.

وبعد تقييم دقيق ظهرت مفاضلة (trade-off) جوهرية. فالطرق الأفضل دقة تخسر في الواقعية، والطرق الواقعية تتراجع في الدقة. وهذه إشارة مزعجة للصناعة: فاختيار النموذج بمقياس واحد قد يُفسد المقياس الآخر دون أن يلاحظ أحد.

كيف يتجاوز BaryBooster هذه المفاضلة

الجزء الثاني من العمل بنّاء. فقد تبيّن في التجارب أن نموذج الانتشار قوي تحديدًا في الواقعية. يأخذ Wasserstein BaryBooster مجموعة من عيناته ويجمعها في تنبؤ واحد. ويشير الاسم إلى المركز الباريسنتري (barycenter) في مقياس Wasserstein، أي «متوسط» مجموعة من الكائنات يراعي هندسة الفضاء، وليس المتوسط الحسابي البسيط. ولم تُفصَّل التفاصيل في الملخص (annotation)، لذا ينبغي الرجوع إلى الورقة والمستودع لمعرفة التفاصيل.

والمحصلة المهمة هي أن الواقعية يمكن تحويلها إلى دقة. فالنموذج الذي يصف جيدًا توزيع الأحداث المستقبلية يصلح مصدرًا لمتنبّئ يتفوق على الطرق المتخصصة.

ماذا نفعل بهذا عمليًا

تحصل الفرق العاملة في التقنية المالية والطب وتنقيب العمليات (process mining) والتي تتنبأ بسلاسل الأحداث على أداة جاهزة لاختبار نماذجها. المعيار والشيفرة متاحان في المستودع xaosina/event-sequence-forecasting. ومن المعقول تشغيل حلولكم الخاصة هناك، ومعرفة ما إذا كنتم قد دفعتم الواقعية ثمنًا للدقة.

ويجب أن يتحدد اختيار المقياس بحسب المهمة. ففي التقييم الائتماني (scoring) والتنبؤ النقطي تهمّ الدقة. أما في محاكاة سلوك العملاء واختبارات الضغط والبيانات الاصطناعية فالواقعية حاسمة. وإذا لزم الأمران معًا، فإن مخطط «الانتشار مع تجميع العينات» يبدو أول مرشح للاختبار.

ثمة تحفظات أيضًا. فنحن نعتمد على الملخص (annotation)، وليس فيه نتائج رقمية. كما أن تجميع عدد كبير من العينات أكثر كلفة، بحسب منطق الطريقة، من تنبؤ مباشر واحد. وقبل نقل هذا النهج إلى الإنتاج (production)، ينبغي قياس مكسب الدقة على بياناتكم ومقارنته بكلفة الاستدلال (inference).