مع تزايد الطلب على اتخاذ القرارات الفورية في مختلف المجالات، أصبح التحليل الفعلي جانبًا بالغ الأهمية لنماذج التعلم الآلي في العديد من التطبيقات العملية. يُمكّن التحليل الفعلي كبار المديرين من اتخاذ قرارات مستنيرة على الفور والاستجابة بسرعة لعوامل الخطر المتغيرة، مثل تقلبات السوق وتهديدات الأمن السيبراني وتفضيلات العملاء. وبناءً على ذلك، حاول الباحثون تطوير نماذج تعلم آلي ذات قدرات فعلية، مع مراعاة الدقة وقابلية تفسير النموذج وقيود الموارد. ومع ذلك، يُظهر أحد التحديات الكبيرة أن الأبحاث الحديثة تُركز على تنفيذ نماذج فعلية باستخدام خوارزميات تصنيف شائعة دون مراعاة توافر مجموعة البيانات اللازمة لتدريب النماذج، خاصةً في بعض المجالات التي تتطور فيها مجموعات بيانات التدريب وقد يصعب توفيرها، مما يؤدي إلى نتائج غير دقيقة في مجالات بالغة الخطورة مثل الرعاية الصحية والمالية حيث تكون الرؤى غير الفعالة أمرًا لا يُغتفر. نتيجةً لذلك، يُقدّم هذا البحث مراجعةً شاملةً لعرض أحدث تقنيات التعلم الوصفي كحلّ دقيق وفعّال للتحدي المذكور أعلاه. يُركّز البحث بشكلٍ أساسي على الآليات التي تُمكّن نماذج الزمن الحقيقي من التكيف ديناميكيًا مع مهام جديدة وغير مرئية باستخدام الحد الأدنى من البيانات والموارد الحاسوبية. بالإضافة إلى ذلك، يُستكشف مختلف نماذج التعلم الوصفي ودور كلٍّ منها في تحسين أداء التحليل الفعلي. وأخيرًا، يُناقش البحث الاتجاهات الناشئة والتوجهات المستقبلية في هذا المجال، مُسلّطًا الضوء على سُبُل البحث المُحتملة وآثار تطورات التعلم الوصفي على أنظمة الزمن الفعلي في مختلف المجالات، بما في ذلك التمويل والرعاية الصحية وإنترنت الأشياء وأمن المعلومات.
)
مشاهدة على SCiNiTO