Zespół badaczy opracował MACTS-EM, innowacyjny system do prognozowania szeregów czasowych oparty na współpracy specjalizowanych agentów AI. Architektura zawiera agentów skupionych na rozpoznawaniu wzorców, wykrywaniu anomalii, wnioskowaniu przyczynowym i kwantyfikacji niepewności, które koordynuje warstwa metakognitywna. System posiada też emergentny mechanizm pamięci umożliwiający przenoszenie wiedzy między różnymi domenami.
Wyniki testów na danych finansowych, klimatycznych, energetycznych i epidemiologicznych pokazują wyraźną przewagę MACTS-EM nad istniejącymi metodami. Podejście wieloagentowe uzyskało 8-12 procent poprawę w dokładności prognoz, 22-27 procent lepszą zdolność do transfer learningów bez dodatkowych danych treningowych oraz 16-21 procent lepszą odporność na rezim shifts - sytuacje, gdy statystyczne właściwości danych ulegają nagłym zmianom.
To osiągnięcie jest istotne dla praktycznych zastosowań, gdzie tradycyjne modele znajdują się w impasie. Rzeczywiste szeregi czasowe regularnie napotykają anomalnie, zmianę kontekstu czy potrzebę łączenia informacji z różnych źródeł. Kolaboratywne podejście agencie wydaje się być naturalnszym sposobem radzenia sobie z tą złożonością niż monolityczne architektury.