اگر برای پیشبینی فروش یا موجودی انبار هنوز به کتابخانههای پیچیده آماری تکیه میکنید، باید بدانید که مدلهای زبانی اکنون میتوانند الگوهای عددی را از دل متن استخراج کنند. یک خط لوله پیشبینی با استفاده از مدل Llama-3.3-70b توانسته است نوسانات هفتگی و روندها را با میانگین درصد خطای مطلق (MAPE) تنها ۳.۰۸٪ شناسایی کند.
این رویکرد با مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — نه بهعنوان یک ماشینحساب، بلکه بهعنوان یک موتور تطبیق الگو برخورد میکند که روی متن ساختاریافته استدلال میکند، نه روی جداول خام داده.
پیشبینیهای سنتی معمولاً به کتابخانههای آماری اختصاصی و تنظیمات ریاضی پیچیده نیاز دارند. اما این متد جدید با تبدیل فروشهای تاریخی به ردیفهای متنی تاریخدار و درخواست پاسخ در قالب JSON، کل زیرساخت را ساده میکند. همانطور که در تحلیل قبلی ما دربارهی افزایش هزینههای مدلها در پنجرههای متنی بلند اشاره کردیم، این خط لوله از قیمتگذاری ثابت هر درخواست استفاده میکند تا پیشبینیهای با تاریخچه طولانی را از نظر اقتصادی بهصرفه کند.
زیرساخت فنی
برای پیادهسازی این سیستم، توسعهدهندگان به پایتون ۳.۱۰ یا بالاتر، کلید API از Oxlo.ai و SDK شرکت OpenAI به همراه کتابخانههای pandas، numpy و matplotlib نیاز دارند. این سیستم بهگونهای طراحی شده که بدون نیاز به کتابخانه آماری مجزا، برای موارد مختلفی مثل پیشبینی مصرف انرژی، ترافیک یا موجودی کالا قابل انطباق باشد.
تولید دادهها
بر اساس مستندات فنی، این پیادهسازی با ۹۰ روز دادههای مصنوعی فروش روزانه شروع میشود که از ۱ ژانویه ۲۰۲۴ آغاز شده است. این مجموعه داده با استفاده از یک روند خطی (مقیاس ۱۰۰ تا ۱۵۰)، نوسانات هفتگی و نویز گوسی ساخته شده است. برای اطمینان از صحت تست، دادهها به ۸۳ روز برای آموزش و ۷ روز برای آزمون تقسیم شدهاند.
به نقل از راهنمای منتشر شده در dev.to در تاریخ ۱۳ سپتامبر ۲۰۲۶، این پیادهسازی فنی بر یک معماری چهار مرحلهای سختگیرانه استوار است:
مراحل خط لوله پیشبینی
- قالببندی دادهها: دادههای تاریخی به یک پنجره متنی تبدیل میشوند. تابع کمکی
build_forecast_promptردیفهای تاریخدار را ساخته و دستورات سختگیرانهای برای خروجی JSON صادر میکند. - پرامپت سیستمی: مدل از طریق یک پرامپت سیستمی (System Prompt) در نقش یک پیشبین قرار میگیرد. به مدل صراحتاً گفته میشود که روند و نوسانات هفتگی را شناسایی کند و برای جلوگیری از خطای تجزیه (Parser)، حق استفاده از بلوکهای کد یا توضیحات اضافی را ندارد.
- استنتاج: این سیستم از API شرکت Oxlo.ai استفاده میکند. برای کاهش توهم (Hallucination) — وقتی مدل با اطمینان چیزی میگوید که اصلاً وجود ندارد، مثل دوستی که خاطرهای را اشتباه تعریف میکند — از دمای پایین (۰.۲) و فرمت پاسخ JSON استفاده شده است.
- ارزیابی: دقت مدل با دادههای هفته آخر سنجیده میشود. سیستم مقادیر MAE و MAPE را محاسبه کرده و نموداری برای مقایسه تاریخچه، واقعیت و پیشبینی رسم میکند.
در این مورد خاص، مدل ۸۳ روز تاریخچه را پردازش کرد تا ۷ روز آینده را پیشبینی کند. میانگین خطای مطلق (MAE) برابر با ۴.۱۲ واحد شد که ثابت میکند مدلهای زبانی وقتی پرامپت بهاندازه کافی محدود باشد، میتوانند روندهای خطی و نویزها را بهطور موثری شناسایی کنند.
این تغییر در رویکرد به این معناست که توسعهدهندگان میتوانند پیشبینهای سبک برای موجودی یا انرژی را بدون مدیریت کتابخانههای ML مستقر کنند. با تبدیل LLM به یک پردازشگر متن ساختاریافته، سد ورود به تحلیل سریهای زمانی برای کسانی که از استکهای هوش مصنوعی استفاده میکنند، بهشدت کاهش مییابد.
برای کسانی که با صدها ردیف تاریخچه سر و کار دارند، این راهنما پیشنهاد میکند از مدلهای Kimi-k2.6 یا DeepSeek-v3.2 در Oxlo.ai استفاده کنند تا از پنجرههای متنی بزرگتر بهره ببرند. همچنین میتوان با افزودن یک فراخوانی دوم از مدل برای نقد پیشبینی اولیه بر اساس متغیرهای خارجی مثل تعطیلات، دقت را افزایش داد.
گام بعدی شما
- جایگزینی تولیدکننده دادههای مصنوعی در کد با یک فایل CSV واقعی از طریق
pd.read_csvبرای تست روی دادههای واقعی کسبوکار خود. - تست مدلهای مختلف (مانند DeepSeek) برای مقایسه دقت در شناسایی الگوهای پیچیدهتر.
- پیادهسازی لایه «نقد» (Critique) با یک مدل دوم برای اصلاح پیشبینیها بر اساس تقویم رویدادها.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو