علّمنا ذكاءً اصطناعيًا بناء نماذج التنبؤ. واكتشف أنماطًا فاتتك أنت وفريقك.

كنت في Lodge Bread في كولفر سيتي صباح أحد الأيام، أشاهد الخبازين يخرجون أرغفة خبز العجين المخمر الكامل من الفرن. كان الهواء ممتلئًا برائحة القشرة المتكرملة والرائحة العميقة المنعشة للتخمير الطويل. ما يجعل هذا الخبز استثنائيًا ليس فقط الوصفة؛ بل الخميرة. إنها مستعمرة حية، نظام بيئي تطور على مر السنين، يتكيف ويطور تعقيدًا ميكروبيًا لا يمكنك تحضيره ببساطة من عبوة خميرة. يحمل كل رغيف ذاكرة وتفاصيل هذا التاريخ بأكمله. هذه الخميرة، بطريقتها الخاصة، هي نظام ذاتي التطور. تتحسن ليس فقط بالاستخدام، ولكن من خلال التكيف المستمر مع بيئتها، مع قيام الخبازين بدور الأمناء، وتوجيه تطورها.

عدت إلى مكتبي في فينيسيا وما زلت أفكر في تلك الخميرة وأنا أتصفح أحدث التحميلات على arXiv من الأسبوع الأول من مارس 2026. ثم أدركت. ورقة بعنوان "عامل ذاتي التطور لخوارزميات السلاسل الزمنية (SEA-TS)" [3]. كان الملخص كثيفًا، لكن الفكرة الأساسية كانت واضحة: إطار عمل للذكاء الاصطناعي متعدد الوكلاء لا يقوم فقط بتشغيل نماذج التنبؤ، بل يطورها بشكل مستقل، ويكتشف ما يسميه المؤلفون "أنماطًا معمارية جديدة حقًا" [3]. إنها خميرة عجين مخمر للخوارزميات. بدلاً من مجرد اختيار أفضل نموذج من قائمة ثابتة، يعمل هذا النظام مثل الخبازين في Lodge Bread، حيث يجرب باستمرار، ويصقل، ويطور أساليبه الخاصة لإنشاء شيء أفضل جوهريًا بمرور الوقت. بالنسبة لأي علامة تجارية تجارية تعتمد على التنبؤ بالطلب - وهذا يعني كل علامة تجارية تجارية - فإن هذه الورقة هي زلزال صامت. المنطق الأساسي الذي تستخدمه للتخطيط للمخزون، والتوظيف، والإيرادات أصبح فجأة، وبشكل كبير، قديمًا.

إذن، ذكاء اصطناعي يبني ذكاء اصطناعي؟ ما هو SEA-TS؟

دعنا نوضح: هذه ليست مجرد أداة AutoML محسنة أخرى. لسنوات، وعدت التعلم الآلي الآلي (AutoML) بإضفاء الطابع الديمقراطي على علم البيانات من خلال البحث تلقائيًا عن معماريات النماذج المحددة مسبقًا والمعلمات الفائقة (hyperparameters) للعثور على أفضل تطابق لمجموعة البيانات. أدوات مثل AutoKaggle أو TPOT هي في الأساس خوارزميات بحث شاملة متطورة [7]. إنها تعمل ضمن مساحة بحث ثابتة ومحددة بشريًا. إنها جيدة في التحسين ضمن الحدود المعروفة، لكنها لا تستطيع ابتكار شيء جديد. يمكنها العثور على أفضل سيارة في المكان، لكنها لا تستطيع تصميم محرك جديد.

يعمل SEA-TS، كما هو موضح في الورقة التي تم تحميلها هذا الأسبوع فقط (arXiv:2603.04873v1)، على فرضية مختلفة تمامًا [3]. إنه إطار عمل وكيل ذاتي التطور مصمم للمشكلة الشائكة والمحددة لتنبؤ السلاسل الزمنية - وهي أساس تخطيط الطلب للبيع بالتجزئة والتجارة المباشرة للمستهلك (DTC). يمثل الإطار توليفة من ثلاثة ابتكارات رئيسية تسمح له بالانتقال إلى ما هو أبعد من التحسين إلى الاكتشاف الحقيقي.

أولاً، يستخدم نظامًا متعدد الوكلاء حيث يكون لوكلاء الذكاء الاصطناعي المختلفين أدوار متخصصة. لديك "وكيل ترميز" يقوم بإنشاء وتعديل كود PyTorch الفعلي لنماذج التنبؤ. يقترن هذا بـ "وكيل بحث عميق" يمكنه، على الفور، استرداد المعلومات من قواعد المعرفة الخارجية مثل arXiv لإعلام اختيارات وكيل الترميز [3]. إنه مثل وجود مطور مبتدئ يمكنه قراءة كل كتاب مدرسي ذي صلة على الفور قبل كتابة سطر من الكود.

ثانيًا، يتم توجيه عملية البحث بواسطة ما يسمى بحث شجرة مونت كارلو بميزة المقياس (Metric-Advantage Monte Carlo Tree Search (MCTS)). هذا تمييز حاسم. قد يكافئ MCTS التقليدي في الذكاء الاصطناعي الوكيل على أي تحسين هامشي. ومع ذلك، يكافئ Metric-Advantage MCTS عملية البحث بناءً على تحسينات ذات مغزى إحصائيًا في المقياس المختار (مثل متوسط الخطأ المطلق للتنبؤ). هذا يجعل البحث أكثر كفاءة وقوة، ويمنعه من مطاردة الضوضاء الإحصائية [3]. إنه استكشاف أكثر انضباطًا وهدفًا.

أخيرًا، والأهم من ذلك، أنه يتضمن أرشيف تباين الجودة MAP-Elites. هذا هو المكون السري، ما يعادل حدس الخباز. بدلاً من مجرد البحث عن النموذج "الأفضل" الوحيد (وهي عملية غالبًا ما تتعثر في التوازن المحلي)، يحتفظ MAP-Elites بمجموعة متنوعة من الحلول عالية الأداء ولكنها مختلفة هيكليًا [3]. يقوم الأرشيف بفهرسة النماذج على طول عدة "أبعاد ظاهرية" - على سبيل المثال، كيفية تعامل النموذج مع التدهور، أو أي نوع من التحيزات يتضمنه. وهذا يجبر النظام على استكشاف معماريات غريبة وغير تقليدية من المحتمل أن يتجاهلها المصمم البشري، أو خوارزمية التحسين القياسية. من خلال استكشاف هذه الأزقة الغريبة، يقوم SEA-TS بأكثر اكتشافاته إثارة للاهتمام.

هل اكتشف ذكاء اصطناعي للتو طريقة جديدة للتنبؤ بالمبيعات؟

الادعاء الأكثر إثارة للجدل في ورقة SEA-TS هو أن الإطار يمكنه "اكتشاف أنماط معمارية جديدة حقًا تتجاوز التقنيات الراسخة" [3]. هذا يجب أن يدق أجراس الإنذار لأي مدير تقني (CTO). شيء واحد أن يكون الذكاء الاصطناعي أسرع أو أكثر كفاءة؛ وآخر أن يكون أكثر إبداعًا. يقدم المؤلفون مثالين ملموسين اكتشفهما الوكيل: "رؤوس التدهور المستنيرة بالفيزياء" و "التحيز الساعي القابل للتعلم".

دعنا نحلل ذلك في سياق التجارة. قد يستخدم نموذج التنبؤ القياسي تدهورًا أسيًا بسيطًا لنمذجة التأثير المتناقص للترويج. يكون التأثير أقوى في اليوم الأول ويتلاشى بشكل يمكن التنبؤ به. ومع ذلك، قد يكون "رأس التدهور المستنير بالفيزياء" مكونًا معماريًا اكتشفه الوكيل يقوم بنمذجة التدهور بشكل مختلف - ربما باستخدام مبادئ من الديناميكا الحرارية أو ديناميكا الموائع التي استردها وكيل البحث. قد يكتشف نمط تدهور يعكس بشكل أفضل العدوى الاجتماعية المعقدة لحملة تسويقية فيروسية، والتي لا يتلاشى تأثيرها بشكل موحد ولكن لها أصداء وانتعاشات. الوكيل غير مبرمج بهذه المعرفة؛ بل يكتشف النمط من خلال تطوير الكود واختباره مقابل البيانات، بتوجيه من أرشيف MAP-Elites الذي يشجع الأساليب الجديدة.

يعد "التحيز الساعي القابل للتعلم" أكثر إثارة للاهتمام لأي بائع تجزئة لديه متاجر على الإنترنت ومتاجر فعلية. قد يضيف فريق علم البيانات لديك ميزة "ساعة اليوم" يدويًا إلى نموذجك. أنت تعلم أن المبيعات ترتفع في وقت الغداء وفي المساء. ولكن ما يمكن أن يفعله SEA-TS هو إنشاء معلمة قابلة للتعلم وأكثر دقة. قد يكتشف أنه لمتجرك في لوس أنجلوس، هناك ارتفاع صغير في الساعة 2:30 مساءً في أيام الأسبوع (اندفاع الآباء بعد المدرسة) ولكن انخفاضًا في الساعة 4:30 مساءً (عندما يكون الجميع عالقين في حركة المرور). لمتجرك في نيويورك، النمط مختلف تمامًا. يمكن أن يلتقط مصطلح التحيز القابل للتعلم، الذي طوره الوكيل، هذه الأنماط المحلية الفائقة والخاصة بالمتجر تلقائيًا، دون الحاجة إلى افتراضها من قبل أي إنسان.

بالطبع، الشك مبرر. قد يجادل البعض بأن هذه ليست اختراعات "جديدة" حقًا ولكنها تراكيب ذكية للمفاهيم الموجودة، كما أشارت انتقادات لأنظمة الوكلاء الأخرى [1]. قد يرون أوجه تشابه مع اكتشاف نقطة التغير في النماذج القديمة مثل Prophet من فيسبوك. لكن هذا يغيب عن النقطة. الثورة ليست بالضرورة اختراع رياضيات جديدة تمامًا. الثورة هي الاستقلالية. قام النظام بعمل عالم بيانات ذو خبرة عالية، وصبر لا نهاية له، ومبدع للغاية في جزء صغير من الوقت. بينما ينشغل فريقك بضبط الميزات يدويًا لأهم 50 منتجًا لديك، قام SEA-TS بالفعل بتطوير بنية تنبؤ مخصصة على مستوى SOTA لجميع 10,000 منتج في الكتالوج الخاص بك، ويكتشف أنماطًا لم تكن تعلم بوجودها. تشير الورقة إلى أنها حققت "أداءً على مستوى SOTA على المعايير العامة وتحسينات جوهرية على مجموعات البيانات الصناعية" [3]. هذا الجزء الأخير هو ما يجب أن يقلقك ليلًا.

معمارية الذكاء الاصطناعي التجاري لباحث مستقل

لفهم سبب كون هذه قفزة كبيرة، نحتاج إلى إلقاء نظرة على المعمارية. إن خط أنابيب الذكاء الاصطناعي النموذجي اليوم، حتى المعقد منه الذي يستخدم التوليد المعزز بالاسترجاع (RAG)، يكون خطيًا إلى حد كبير. يتم إثراء استعلام المستخدم ببيانات من قاعدة بيانات المتجهات، ويقوم نموذج اللغة الكبير (LLM) بإنشاء استجابة. إنه طريق باتجاه واحد.

ينفذ SEA-TS بنية دورية ومتطورة. إنها حلقة مغلقة من التحسين المستمر. إنها تشبه النظام البيئي البيولوجي أكثر من خط تجميع المصنع.

إليك نظرة مبسطة لحلقة التغذية الراجعة:

هذا ليس مجرد خط أنابيب بيانات؛ إنه محرك لتوليد خطوط أنابيب أخرى وتحسينها. قارن هذا بإطار عمل مثل stratum، الذي يتفوق في تحسين خطوط أنابيب بيانات التعلم الآلي باستخدام الوكلاء [4]. SEA-TS هو خطوة أخرى أعلى في سلسلة التجريد؛ إنه يعمل على تحسين منطق النمذجة نفسه. إن التآزر بين وكيل الترميز ووكيل البحث، الذي يتم تنسيقه بواسطة MCTS ويتم تنظيمه بواسطة MAP-Elites، هو ما يجعله قويًا للغاية. هذا هو الفرق بين بناء سيارة أسرع وبناء مصنع يصمم ويبني سيارات أسرع بمفرده.

لماذا يهم Metric-Advantage MCTS

يمكن أن تُخدع خوارزميات البحث القياسية بالعشوائية. قد يظهر نموذج تحسنًا بنسبة 0.1% في تشغيل واحد، وستطارد الخوارزمية هذا الأثر، حتى لو كان مجرد صدفة إحصائية. تتطلب Metric-Advantage MCTS المزيد. إنها تبحث عن تحسينات ذات دلالة إحصائية، متسائلة بشكل أساسي، "هل هذا النموذج الجديد أفضل بشكل موثوق، أم أنه حصل على حظ فقط؟" [3]. يمنع هذا الانضباط الوكيل من إهدار كميات هائلة من وقت الحوسبة على مسارات مسدودة. بالنسبة لعمل تجاري، هذا يعني أن النماذج المطورة من المرجح أن تكون قوية وتعمم بشكل جيد على بيانات المبيعات المستقبلية غير المرئية.

قوة المجتمع المتنوع مع MAP-Elites

هذا هو الجزء الأكثر أهمية وغير البديهي في المعمارية. من خلال إجبار النظام على الاحتفاظ بمكتبة من الحلول الجيدة بطرق مختلفة - نموذج واحد هو نجم في التنبؤ بالمبيعات السريعة ولكنه متوسط بخلاف ذلك، ونموذج آخر هو أداء شامل، وثالث بسيط وسريع للغاية - فإنه يمنع الذكاء الاصطناعي من تطوير قصر النظر [3]. إنها آلية مدمجة ضد التفكير الجماعي. هذا التنوع هو مهد الابتكار. من المرجح أن يكون "رأس التدهور المستنير بالفيزياء" قد نشأ لأن النظام كان يشجع على استكشاف جزء "غريب" من مساحة الحلول كان المحسن التقليدي، الذي يهدف إلى الحصول على درجة واحدة، سيتخلى عنه على الفور. هذا الاختيار المعماري بإعطاء الأولوية للتنوع إلى جانب الجودة هو ما يرفع SEA-TS من محسن إلى محرك اكتشاف.

توقعات الطلب لديك مقابل توقعات ذاتية التطور

الآثار العملية على العلامات التجارية للبيع بالتجزئة والتجارة المباشرة للمستهلك (DTC) هائلة. لعقود، كان التنبؤ بالطلب عملية بطيئة، يدوية، ومكلفة. على الأرجح تبدو سير عملك شيئًا من هذا القبيل: فريق من علماء البيانات باهظي الثمن يقضي أسابيع في تنظيف البيانات، وهندسة عشرات الميزات يدويًا (العطلات، العروض الترويجية، الموسمية)، واختبار عدد قليل من النماذج (ARIMA، Prophet، ربما LSTM)، وأخيراً نشر نموذج واحد. ثم يبقى هذا النموذج هناك، يزداد قدمًا، حتى المراجعة الفصلية أو السنوية التالية. إنها لقطة ثابتة للعالم.

سير العمل المدعوم بـ SEA-TS هو عملية مستمرة، ذاتية القيادة. إنه فيلم، وليس لقطة.

عندما تذكر الورقة "تحسينات جوهرية على مجموعات البيانات الصناعية"، فليس هذا مجرد تباهٍ أكاديمي [3]. بالنسبة لتاجر تجزئة كبير، يمكن أن يترجم تحسين بنسبة 5% في دقة التنبؤ إلى عشرات أو مئات الملايين من الدولارات في تكاليف حمل المخزون المخفضة، وتقليل النقص في المخزون، وإنفاق تسويقي أكثر كفاءة. إن احتمال وجود نظام مستقل يمكنه تحقيق هذه المكاسب وتحسين نفسه باستمرار هو تحول نموذجي في كيفية تصور معمارية الذكاء الاصطناعي التجاري.

جاهزية واجهة المتجر الوكيلية: هل يمكن لنظامك التعامل مع توقعات واعية؟

إذن، لديك إله تنبؤ جديد، ذاتي التطور، في سحابتك. إنه يقدم تنبؤات طلب دقيقة للغاية على مستوى المنتجات كل ساعة. عظيم. وماذا بعد؟ هذه القدرة الجديدة عديمة الفائدة تمامًا إذا كانت بقية حزمة التجارة الخاصة بك تعمل بجدولة دفعات أسبوعية. هذا هو تحدي جاهزية واجهة المتجر الوكيلية (agentic storefront readiness).

معماريتك الحالية على الأرجح هشة. الاتصال بين أداة التنبؤ الخاصة بك ونظام إدارة المخزون (IMS) أو نظام تخطيط موارد المؤسسات (ERP) هو على الأرجح ملف CSV يتم تحميله مرة واحدة يوميًا. قد يكون محرك التسعير الخاص بك مبرمجًا بقواعد وضعها تاجر بشري قبل ثلاثة أشهر. هذا لن ينجح.

للاستفادة من وكيل التنبؤ المستقل، يجب أن تصبح معمارية الذكاء الاصطناعي التجارية (commerce AI architecture) بأكملها أكثر شبهاً به: ديناميكية، في الوقت الفعلي، وتعتمد على الأحداث. عندما يطور وكيل SEA-TS نموذجًا جديدًا يتنبأ بزيادة بنسبة 30% في الطلب على منتج معين في الـ 72 ساعة القادمة، يجب أن يؤدي هذا التنبؤ إلى سلسلة من الإجراءات الآلية:

1. المخزون والتنفيذ: يجب أن يتحقق نظام إدارة المخزون (IMS) تلقائيًا من مستويات المخزون عبر جميع مراكز التوزيع، وإذا لزم الأمر، يقوم بإنشاء تنبيه أو حتى أمر شراء آلي مع الموردين.
2. التسعير الديناميكي: يجب أن يكون محرك التسعير على واجهة متجرك قادرًا على استيعاب هذه الإشارة والنظر في تعديل سعر دقيق إما لزيادة الهامش أو لتعديل ذروة الطلب لمنع نفاد المخزون.
3. التسويق الآلي: يجب أن تقوم منصة التسويق الخاصة بك تلقائيًا بتخصيص المزيد من الإنفاق الإعلاني لهذا المنتج أو تشغيل حملة بريد إلكتروني لقطاع عملاء معين.

إذا كانت هذه الاتصالات تعتمد على البشر في الحلقة أو عمليات دفعات بطيئة، فإنك تفقد كل القيمة التي أنشأها الوكيل. إن التجارة الوكيلية الحقيقية لا تتعلق بامتلاك وكيل ذكي واحد؛ بل تتعلق ببناء نظام عصبي من أنظمة مترابطة ومتجاوبة يمكنها التصرف بناءً على الذكاء الذي توفره الوكلاء. منصة التجارة الجامدة والعملاقة هي نقطة الضعف. يتطلب المستقبل بنية مفككة، تعتمد على واجهات برمجة التطبيقات (API-first)، حيث يكون محرك التنبؤ مجرد عقدة واحدة في شبكة ذكية أكبر.

ماذا يعني هذا لعلامتك التجارية

هذه ليست مشكلة لعام 2030. نُشرت الورقة هذا الأسبوع [3]. سيتم تجميع أطر العمل هذه، وغيرها التي ستتبعها حتمًا، في مكتبات مفتوحة المصدر ومنتجات تجارية خلال الـ 18-24 شهرًا القادمة. لديك نافذة محدودة للاستعداد. لم يعد هذا مجرد فضول أكاديمي؛ إنه تهديد مباشر لنماذج التشغيل القديمة وفرصة هائلة لأولئك الذين يخططون لها.

إذن، ما هي الخطوات القابلة للتنفيذ؟ كيف تنتقل من وصفة ثابتة على غرار Lodge Bread إلى خميرة حية تتطور؟

أولاً، تحتاج إلى إجراء تدقيق قاسٍ للبنية التحتية الحالية للتنبؤ والبيانات الخاصة بك. من أين يأتي توقع الطلب الخاص بك؟ هل هو جدول بيانات Excel يتم تحديثه بواسطة الفريق المالي؟ برنامج بايثون كتبه شخص ما قبل ثلاث سنوات؟ هل البيانات التي يعتمد عليها - سجل مبيعاتك، عروضك الترويجية، مستويات مخزونك - نظيفة، تفصيلية، ويمكن الوصول إليها عبر واجهات برمجة التطبيقات (APIs)؟ إذا كانت البيانات المهيكلة للبحث والتحليل بالذكاء الاصطناعي فوضوية، فلا يمكن لأي وكيل مساعدتك. إن ترتيب بيتك البياني هو الخطوة الأولى التي لا غنى عنها.

ثانيًا، حان الوقت لـ بناء معمل لتجربة الذكاء الاصطناعي. ليس هذا مركز بحث وتطوير ضخمًا بملايين الدولارات. إنه بيئة معزولة داخل سحابتك حيث يمكن لفريق صغير ومركّز البدء في اختبار أطر العمل الوكيلة الجديدة هذه. ابدأ بمشكلة واحدة ومفهومة جيدًا، مثل التنبؤ بالطلب لأفضل 10 منتجات لديك. امنحهم حرية التجريب مع أدوات مثل SEA-TS، وstratum لخط أنابيب البيانات [4]، وأنظمة وكيلة أخرى ناشئة. الهدف ليس النشر الفوري للإنتاج؛ بل بناء المعرفة المؤسسية. تحتاج إلى معرفة كيف تفكر هذه الوكلاء، وكيف يفشلون، وما يتطلبه الأمر لدمجهم بأمان.

ثالثًا، يجب عليك إعادة تقييم معمارية منصة التجارة الخاصة بك. إذا كنت تعمل على منصة جامدة ومتجانسة تجعل تكامل البيانات في الوقت الفعلي صعبًا أو مستحيلًا، فلديك مشكلة خطيرة. مستقبل التجارة هو قابل للتركيب ويعتمد على الأحداث. يجب أن تكون قادرًا على استبدال خدمة أساسية مثل التنبؤ دون الحاجة إلى إعادة تصميم عملك بالكامل. بصفتي مهندسًا معماريًا للتجارة الوكيلية (agentic commerce architect)، هذا هو الحديث الذي أجريه مع كل من عملائي. إن الحزم المتجانسة التي وفرت لك الاستقرار على مدى السنوات العشر الماضية أصبحت الآن قفصًا، تمنعك من احتضان الواقع الوكيلي الجديد.

المستقبل غير المريح هو مستقل

نحن عند نقطة تحول رائعة. بدأنا ببناء أنظمة أتمتة المهام اليدوية. والآن نقوم ببناء أنظمة أتمتة الاكتشاف الفكري. إطار عمل مثل SEA-TS لا يجيب على سؤال فحسب؛ بل يكتشف طريقة أفضل لطرحه. عندما تجمع هذا مع أطر عمل وكيلة أخرى، تصبح الآثار أكثر عمقًا. تخيل وكيلًا رئيسيًا يستخدم stratum لبناء خط أنابيب البيانات الأمثل [4]، ثم ينشر SEA-TS لتطوير خوارزمية تنبؤ مخصصة [3]، وأخيرًا يستخدم وكيلًا آخر لتشغيل حملة تسويقية بناءً على هذا التنبؤ. يتحول الدور البشري من كونه الباني إلى مهندس لمساحة المشكلة - الشخص الذي يحدد الأهداف والقيود ووظائف المكافأة.

لن يستبدل SEA-TS فريق علم البيانات لديك غدًا. لكن وظيفتهم على وشك التغيير إلى الأبد. سينتقلون من بناء النماذج إلى أن يصبحوا قيمين لوكلاء بناء النماذج. سيصبحون الخبازين، يهتمون بالخميرة، ويوجهون تطورها، ويضمنون أن المنتج النهائي ليس صحيحًا تقنيًا فحسب، بل سليمًا استراتيجيًا أيضًا. العلامات التجارية التي ستفوز في العقد القادم هي تلك التي تبدأ في بناء خميرتها الخاصة اليوم.

تعمل CTO.LA مع العلامات التجارية التجارية التي تبني البنية التحتية الوكيلية لدعم هذا المستقبل. دعنا نتحدث.

المراجع

1. FRAGMENTA: A Multi-Agent Framework for Autonomous Fragment-Based Drug Discovery
2. Computer Science > Robotics section on arXiv
3. Self-Evolving Agent for Time Series Algorithms (SEA-TS)
4. stratum: A System Infrastructure for Massive Agent-Centric ML
5. MOOSEnger — a Domain-Specific AI Agent for MOOSE Ecosystem
6. TritonDFT: Automating DFT with a Multi-Agent Framework
7. An End-to-End AutoML Framework for Tabular Data
8. Generating Behavior Trees from Natural Language with a Large Language Model for Human-Robot Collaboration
9. Multi-Source and Multi-Modal Data Fusion for Non-Daily-Dealt Fund-of-Funds Portfolio Allocation
10. A Multi-modal Content-based Recommender System for Custom Legal Datasets
11. Multi-Modal Predictive Subtyping of Breast Cancer
12. Causal Rule-enhanced Recommendation
13. [A Multi-Scale-Resolution-Aware Framework That Is Robust to Missing Modalities for Predicting Alzheimer

• agentic commerce
• commerce ai architecture
• ai
• machine learning