TempReasoner: olay zaman çizelgesi oluşturma için sinirsel zamansal grafik ağları

Sürekli olayların olduğu bir dünyada zaman çizelgeleri neden önemli

Her gün kuruluşlar zaman damgalı bilgilerle boğuşuyor: haber uyarıları, tıbbi kayıtlar, hukuki belgeler, sensör günlükleri ve daha fazlası. Ne olduğunu, hangi sırayla gerçekleştiğini ve neyin neye neden olduğunu anlamak şaşırtıcı derecede zor; özellikle ipuçları birçok kaynağa dağılmışsa. Bu makale, dağınık zamana ilişkin verileri otomatik olarak insanlara güven veren açık ve tutarlı olay zaman çizelgelerine dönüştürmek için tasarlanmış bir yapay zeka sistemi olan TempReasoner’ı tanıtıyor.

Dağınık veriden olup bitenin öyküsüne

Gerçek dünya verilerinin çoğu düzenli bir kronoloji halinde gelmez. Bir dava yıllara yayılan dilekçeler, e-postalar ve tanık ifadeleri içerebilir; bir salgın laboratuvar sonuçları, hastane notları ve haber raporlarında kaydedilebilir. TempReasoner bunu her bir olay atfını bir graf düğümü olarak ele alıp, olayların ne zaman gerçekleştiğini ve nasıl ilişkili olduklarını yakalayan bağlantılarla birbirine bağlayarak çözer. Ham metni veya yapısal kayıtları okur, olay tanımları ve zaman göstergeçlerini çıkarır ve hem anlamı (ne olduğu) hem de zamanlamayı (ne zaman olduğu) yakalayan sayısal vektörlere gömer. Sistem, alan başına yeniden yazılmaya gerek kalmadan siyaset ve hukuktan tıp ve mühendisliğe kadar birçok alanda çalışacak şekilde tasarlanmıştır.

Zamana aynı anda birden çok açıdan bakmak

TempReasoner’daki temel düşünce zamanın tek bedene uymadığıdır. Bazı sorular dakika veya saat düzeyine bağlıdır—örneğin bir ilaç dozu reaksiyondan önce mi verildi—diğerleri ise diplomatik krize zemin hazırlayan aylar veya yıllar gibi daha uzun dönemlere bağlıdır. TempReasoner, aynı anda birden fazla zaman çözünürlüğünde desenleri görmek için “çok ölçekli” zamansal dikkat kullanır. İnce düzey sinyalleri (örneğin dakika veya gün düzeyi) ve kaba eğilimleri (aylar veya yıllar) ayrı ayrı kodlar, sonra bunları birleştirir; böylece model kısa vadeli dönemeçleri uzun vadeli yaylarla tartabilir. Uygulamada bu, sistemin mali piyasadaki ardışık işlemler gibi hızlı gelişmeleri izlemesini sağlarken, ülkeler arasındaki gerilimlerin yavaş yavaş tırmanması gibi daha geniş anlatıları da anlamasını sağlar.

Olayların yaşayan bir haritasını oluşturmak ve geliştirmek

Sabit bir olaylar arası bağlantı kümesine güvenmek yerine TempReasoner, olayların nasıl bağlanması gerektiğini sürekli öğrenir ve günceller. Uyarlanabilir grafik oluşturma modülü iki olayın anlam açısından ne kadar benzer olduğunu ve zaman açısından ne kadar yakın olduklarını tahmin eder, ardından bunları ne kadar güçlü bağlayacağına karar verir. Bu evrilen ağ üzerinde hiyerarşik bir kodlayıcı iki tür işlemciyi birleştirir: adım adım dizileri izlemekte üstün olan bir yinelemeli ağ ve uzak ama ilişkili olayları bağlamak için uzun zaman aralıklarına atlayabilen bir dönüştürücü tarzı dikkat mekanizması. Özelleştirilmiş bir “tutarlılık kaybı” modeli bariz çelişkilerden kaçınmaya yönlendirir—örneğin bilinen olarak daha sonra gerçekleşen bir olayın zaman çizelgesinde daha önce gösterilmesini engellemek—aynı zamanda veriler belirsiz veya çelişkili olduğunda belirsizliğe izin verir.

Sistemi kafa karıştırıcı durumları çözmeye öğretmek

Gerçek veriler dağınıktır: “kısa süre sonra” veya “neredeyse aynı zamanda” gibi zaman ifadeleri belirsizdir ve farklı kaynaklar görüş ayrılığına düşebilir. Bunu ele almak için TempReasoner, bir karar verme ajanı gibi davranan bir pekiştirmeli öğrenme katmanı ekler. Ana model bir taslak zaman çizelgesi önerdikten sonra bu ajan küçük değişikliklerle—olayların yeniden sıralanması, eksik bağlantıların eklenmesi veya ilişkilerin ayarlanması—denemeler yapar ve nihai zaman çizelgesi daha doğru ve mantıksal olarak tutarlı olduğunda ödüllendirilir. Çok sayıda böyle denemeden sonra, kısmi notlardan tıbbi prosedürlerin sırasını yeniden oluşturmak veya hızlı gelişen krizlerle ilgili çelişkili haber raporlarını hizalamak gibi zor durumları çözme stratejilerini öğrenir.

Ne kadar iyi çalışıyor ve nerelerde kullanılabilir

Yazarlar TempReasoner’ı siyasi olaylar, haberler ve dilbilimsel olarak açıklanmış zaman çizelgelerini kapsayan beş iyi bilinen veri setinde test ettiler. Sistem olayların sıralanmasında %94.3 doğruluk elde ederek çeşitli uzman rakipleri geride bıraktı ve yine de hemen hemen gerçek zamanlı kullanım için yeterince hızlı çalıştı—olay dizisi başına yaklaşık 127 milisaniye. Ayrıca alanlar arasında iyi genelleşti: hukuki verilerle eğitilmiş bir model, sınırlı ince ayarla biyomedikal kayıtlar veya haberlere uyum sağlayabildi. Kenar aygıtları veya daha küçük sunucular gibi daha hafif ortamlar için TempReasoner-Lite adındaki sadeleştirilmiş bir sürüm, önemli ölçüde daha az hesap kaynağı kullanırken doğruluğun çoğunu sunar.

Günlük uygulamalar için bunun anlamı

Basitçe ifade etmek gerekirse, TempReasoner zaman damgalı gerçek yığınlarını okunabilir, güvenilir hikâyelere dönüştüren bir araçtır: ne olduğunu ve nedenini açıklar. Hukukta soruşturmacıların binlerce belgeden dava zaman çizelgeleri parçalamalarına yardımcı olabilir. Sağlıkta karmaşık hasta geçmişlerinde tedavi ve sonuç dizilerini netleştirebilir. Gazeteciler ve analistler için raporları hizalayarak ve tutarsızlıkları vurgulayarak doğrulama süreçlerini destekleyebilir. Yazarlar, sistemin son derece belirsiz dil ve çok uzun zaman çizelgeleriyle hâlâ zorluk yaşadığını ve özellikle yüksek riskli ortamlarda insan denetiminin gerekliliğini vurguluyorlar. Yine de TempReasoner, yalnızca olayları tanımakla kalmayan, aynı zamanda insanların akıl yürütmesine uygun biçimde zaman içinde nasıl geliştiğini anlayan yapay zekâya doğru önemli bir adımı temsil ediyor.

Atıf: Aldawsari, M. TempReasoner: neural temporal graph networks for event timeline construction. Sci Rep 16, 4985 (2026). https://doi.org/10.1038/s41598-026-35385-w

Anahtar kelimeler: zamansal akıl yürütme, olay zaman çizelgeleri, graf sinir ağları, bilgi grafikleri, derin öğrenme