اليوم راح أشارككم تجربة مروعة مررت فيها. كنت أشتغل على نموذج تحليل في OpenLedger، وطلعت الأمور معاي بشكل سيء. القصة هي كالتالي، كنت أريد أتحقق من دقة نسبة الإسناد لمجموعة بيانات معينة، فقررت أستخدم مجموعة من الأخبار المالية المعلّمة التي عندي، وعددها 800 عينة، وكل وحدة كان فيها طابع زمني ومصدر. بعد ما انتهيت من التدريب، استخدمت خبر اختبار واحد لأحاول أدرب النموذج وأسأل، "كيف كانت آخر تقارير هذه الشركة؟"، ورجع لي النموذج بتحليل. لما رحت أشيك على سجل الإسناد في السلسلة، اكتشفت أن الإسهام الأكبر كان من خبر قديم من ثلاث سنوات، والوزن كان يمثل 60%، وهذا مو منطقي، لأنه في المشاهد اللي تتطلب دقة زمنية عالية، البيانات القديمة ما المفروض تأخذ هالوزن الكبير.
فجأة تذكرت أراجع معايير التدريب، وطلع أني نسيت أضبط عامل تدهور الزمن أثناء التعديل، والنظام كان يعامل جميع البيانات بشكل متساوي. وزن الخبر من ثلاث سنوات كان متساوي مع وزن خبر من ثلاث أيام. النموذج طبيعي كان يروح لأكثر كلمة مفتاحية متطابقة، سواء كانت جديدة أو قديمة.
أعدت تكوين معامل التدهور، وقللت وزن البيانات اللي عمرها أكثر من شهر للنصف، وأعدت تشغيل التدريب مرة ثانية. ورجعت استخدمت نفس خبر الاختبار وسألت، والنتيجة كانت أن الإسهام الرئيسي جاء من تقرير قبل أسبوعين، والوزن فقط كان 40%، لكن باقي الأخبار الحديثة مع بعض تجاوزت 70%. أخيرًا صار منطقي.
بعد كل هالمعاناة، صرفت حوالي 2 من رسوم التحليل، لكن تعلمت درس مهم. في OpenLedger، لما تسوي تعديل، مو بس تكفي كمية البيانات، لازم تضبط تفاصيل وزن الزمن. إذا ما ضبطتها، النموذج قد يعطيك إجابات قديمة. من مميزات نظام الإسناد هذا أنك تقدر تشوف كل خطوة وين صارت الأخطاء، مو مثل قبل لما كنت ألعب بالبيتكوين أو الإيثيريوم، لما أرسل لمكان غلط، أقدر ألوم نفسي. إذا كان المنطق في النموذج خطأ، حتى ما تقدر تشوف أين المشكلة. يا إخوان، إذا كنتوا تسوون مهام حساسة زمنياً، تأكدوا من إضافة تدهور الزمن، لا تتعلموا من تجربتي وتدفعوا رسوم تعليمية بلا فايدة. @OpenLedger $OPEN #OpenLedger