في عالم الذكاء الاصطناعي، تبرز نماذج الأساس الجدولية (Tabular Foundation Models - TFMs) كأداة قوية لمواجهة تحديات اكتساب البيانات في بيئات العمل الحقيقية. هذه النماذج قادرة على التكيف مع مهام جديدة فقط من خلال الصفوف المعلمة في سياقها، لكن الحصول على هذه التسميات يمكن أن يكون مكلفاً لضرورة المعرفة المتخصصة لضمان جودة البيانات.

لكن ماذا لو دخل التعلم النشط (Active Learning) في الصورة؟ في دراسة جديدة، تم تطبيق القواعد التقليدية لاكتساب البيانات في سياق نماذج الأساس الجدولية. حيث يتغير النموذج الدليل لاكتساب المعرفة مع كل تسمية تضيفها، مما يثير تساؤلات حول كيفية تأثير التنوع، وعدم اليقين التنبؤي، واكتساب المعلومات المستهدف على الأداء.

قامت الدراسة بدراسة أسلوبين هما Target-Aware Nearest Neighbor (TANN) واكتساب المعلومات التنبؤية المتوقعة في السياق (EPIC)، وقامت بتقييمهما مقارنة بالقواعد التقليدية عبر عشرين معياراً مع نموذجين معتمدين من TFMs ونماذج الأشجار المعززة (Gradient-Boosted Decision Trees).

تشير النتائج إلى ثلاثة ملاحظات رئيسية:
(i) في أي وقت: يكون اكتساب البيانات المعتمد على التنوع هو الأفضل خلال الجولات الأولى من الاكتساب.
(ii) أين: من الضروري أن تُعلم الصفوف في مجموعة التسمية بما يخدم المدخلات المستهدفة.
(iii) كيف: تقدم أسلوب EPIC أفضل النماذج مع الحفاظ على 80-87% من الأداء الكامل مع تصنيف 5-10% فقط من المجموعة في أكبر ثمانية معايير.

تفتح هذه الدراسة آفاقاً جديدة لفهم كيفية تحسين أداء نماذج التنبؤ من خلال استراتيجيات التعلم النشط في عالم البيانات الجدولية.

ما هي أفكاركم حول تطبيقات التعلم النشط في مجالات عملكم؟ شاركونا في التعليقات!