تتناول هذه الدراسة مشكلة تحديث قواعد معالجة الأحداث المعقدة، وهي تقنية حاسوبية ترصد تدفقات البيانات المتواصلة وتستخلص منها الأحداث ذات الدلالة وفق قواعد معرفة سلفًا، إذ تحتاج هذه القواعد في التطبيقات الواقعية إلى تحديث مستمر لقيمها الحدية كي تواكب تغير البيانات، بينما تعجز محركات المعالجة التقليدية العاملة بقواعد ثابتة عن هذا التكيف، ومن هنا تبرز الحاجة إلى مقاربات ذكية قادرة على تعديل القواعد ديناميكيًا أثناء التشغيل دون تدخل يدوي متكرر، وهو ما تسعى الدراسة إلى تقديمه عبر توظيف تقنيات التعلم المعزز العميق في هذا المجال التطبيقي المهم والمتنامي
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تقديم مقاربة جديدة أطلق عليها الباحثون اسم آر إل فور سي إي بي، وتقوم على توظيف التعلم المعزز في التحديث الديناميكي لقواعد معالجة الأحداث المعقدة، إذ تستعين المقاربة بشبكات كيو العميقة المزدوجة لتحديث القيم الحدية التي تستخدمها القواعد، ونفذت باستخدام محرك أباتشي فلينك لمعالجة الأحداث المعقدة ومنصة أباتشي كافكا لتوزيع الرسائل، وصممت المقاربة لتكون عامة قابلة للتطبيق في أي سيناريو تحتاج فيه القواعد إلى تحديث ديناميكي، وقد اختار الباحثون حالة استخدام من مجال التداول المالي لاختبارها، معتمدين على ثلاث قواعد تداول مالي وثماني مجموعات بيانات مالية لتقييم الأداء مقارنة بالمقاربات المرجعية وأحدث المقاربات المنشورة
ثانيًا: أبرز النتائج
أظهرت النتائج التجريبية جدارة المقاربة المقترحة في تحسين الربح الإجمالي في حالة التداول المالي مقارنة بالمقاربات المرجعية وبأحدث المقاربات في المجال، وذلك باستهلاك معقول للموارد ممثلًا في الذاكرة العشوائية ووحدة المعالجة المركزية، كما بينت التجارب أن المقاربة تنفذ بسرعة ملحوظة مقارنة بمحركات معالجة الأحداث المعقدة التقليدية العاملة بقواعد ثابتة، وهو ما يعني أن التحديث الديناميكي للقواعد لم يتحقق على حساب كفاءة التنفيذ أو سرعته، بل جاء مصحوبًا بأداء تشغيلي منافس، وتدعم هذه النتائج مجتمعة فكرة أن التعلم المعزز قادر على منح أنظمة معالجة الأحداث قدرة تكيفية تفتقر إليها الأنظمة التقليدية الجامدة
وتفصيلًا، أتاحت شبكات كيو العميقة المزدوجة للمقاربة تعلم سياسات تحديث مستقرة لقيم العتبات بدل تعديلها بقواعد يدوية جامدة، فانعكس ذلك في قرارات تداول أكثر ربحية عبر مجموعات البيانات الثماني، مع احتفاظ زمن التنفيذ بمستوى تنافسي يقترب من سرعة المحركات التقليدية ذاتها، وهو ما يزيل مقايضة مألوفة كانت تجعل الأنظمة التكيفية أبطأ من الأنظمة الثابتة، ويمنح المقاربة قابلية للعمل في بيئات الزمن الحقيقي التي لا تحتمل تأخيرًا في معالجة الأحداث المتدفقة
ثالثًا: دلالات الدراسة وتطبيقاتها
تنطوي الدراسة على دلالات تطبيقية واسعة تتجاوز حالة التداول المالي التي اختبرت فيها، إذ إن عمومية المقاربة تجعلها مرشحة للتوظيف في أي نظام يعتمد على معالجة الأحداث المعقدة ويحتاج إلى مواءمة قواعده مع بيئة متغيرة، مثل أنظمة الرصد والتنبيه وإدارة الشبكات وتطبيقات البيانات المتدفقة في الزمن الحقيقي، كما تفتح النتائج الباب أمام بحوث لاحقة توسع نطاق المقارنة وتختبر المقاربة على قواعد أكثر تعقيدًا ومجموعات بيانات أضخم، وتدرس أثر مكوناتها المختلفة في جودة التحديث واستقراره، بما يعزز الثقة في توظيف التعلم المعزز ضمن البنى التحتية لمعالجة البيانات المتدفقة
كما يمكن لمطوري أنظمة البيانات المتدفقة الاستفادة من فصل المقاربة بين طبقة تعلم سياسة التحديث وطبقة تنفيذ القواعد، إذ يسمح هذا الفصل بإعادة تدريب نموذج التحديث على بيانات مجال جديد دون المساس ببنية المحرك العامل، وتشير الدراسة ضمنيًا إلى أهمية ضبط كلفة الاستكشاف أثناء التعلم في الأنظمة الإنتاجية حتى لا تؤدي قرارات تحديث تجريبية إلى خسائر تشغيلية، وهي قضية تستحق بحثًا مستقلًا في سياقات مالية وصناعية حساسة للمخاطر، كما تنبه إلى حاجة الأنظمة المالية إلى سقوف أمان توقف التحديث الآلي عند تجاوز حدود مخاطر معتمدة سلفًا من إدارة المخاطر، وهي مزايا تجعل المقاربة قابلة للقياس والمقارنة العادلة مع البدائل في بحوث لاحقة تطبقها على قطاعات أخرى تعتمد على معالجة الأحداث المتدفقة
وخلاصة القول إن الدراسة تقدم مقاربة قائمة على التعلم المعزز وشبكات كيو العميقة المزدوجة لتحديث قواعد معالجة الأحداث المعقدة ديناميكيًا، وقد أثبتت في حالة التداول المالي تفوقها على المقاربات المرجعية والحديثة في تحسين الربح الإجمالي باستهلاك معقول للموارد وسرعة تنفيذ عالية، وهو ما يجعلها إضافة واعدة لأنظمة معالجة الأحداث المتدفقة في مختلف المجالات التطبيقية
