پیش‌بینی‌هایی که آینده را تغییر می‌دهند، تحلیل سری‌های زمانی را دشوار می‌کنند

مدل‌های سری زمانی در سامانه‌هایی مانند مدیریت موجودی و مراقبت‌های بالینی، با پیش‌بینی‌هایشان می‌توانند مداخله‌هایی را به‌دنبال داشته باشند که مشاهدات بعدی را تغییر می‌دهند. نویسندگان پیش‌چاپ arXiv این داده‌های حاصل را «مسیرهای شکل‌گرفته به‌دست هوش مصنوعی» می‌نامند؛ وضعیتی که با تبدیل سامانه‌ها به عامل‌هایی خودمختار با توانایی پیش‌بینی، اقدام و به‌خاطرسپردن در بازه‌های زمانی طولانی، پیچیده‌تر می‌شود.

چنین داده‌هایی برای پایش فوری عملکرد مفیدند، اما اگر بعداً مانند داده‌های منفعل تحلیل شوند، ممکن است گمراه‌کننده باشند. برای نمونه، الگوریتم می‌تواند کمبود موجودی‌ای را که پیش‌بینی و مداخله مانع آن شده، نشانهٔ تقاضای طبیعی و باثبات بداند؛ یا بحرانی پزشکی را که پیشگیری شده، هشدار کاذب تلقی کند. به‌گفتهٔ چکیده، این ابهام می‌تواند به کارهایی متکی بر داده‌ها، از بازآموزی مدل و حافظهٔ عامل گرفته تا کاربردهای بعدی، منتقل شود. متن ارائه‌شده از چکیده در میانهٔ جمله پایان می‌یابد و جزئیات بیشتر مقاله را دربر ندارد.