تعتبر [توقعات](/tag/توقعات) تخلف [الائتمان](/tag/الائتمان) من التحديات المعقدة في مجال [تعلم](/tag/تعلم) الآلات، حيث تتطلب [تحليل بيانات](/tag/[تحليل](/tag/تحليل)-[بيانات](/tag/بيانات)) ذات بنية جدولية وتقنيات فعالة لتعزيز [التوقعات](/tag/التوقعات). يتمثل أحد أبرز التحديات في عدم التوازن الكبير بين الفئات المختلفة، مما يؤثر سلباً على [دقة النماذج](/tag/[دقة](/tag/دقة)-[النماذج](/tag/النماذج)).

في هذا الإطار، تسلط [الأبحاث](/tag/الأبحاث) الأخيرة الضوء على أهمية "[نماذج البيانات](/tag/[نماذج](/tag/نماذج)-[البيانات](/tag/البيانات)) الأساسية الجدولية" (Tabular Foundation [Models](/tag/models) - TFMs) في معالجة هذه القضايا. يتجاوز [التحليل](/tag/التحليل) التقليدي الذي يعتمد على مقارنة [نماذج](/tag/نماذج) واحدة مع أخرى، إذ أثبتت الدراسات أن طرق [بناء](/tag/بناء) سياق [البيانات](/tag/البيانات) تلعب دوراً محورياً في [دقة](/tag/دقة) [التوقعات](/tag/التوقعات).

تم اختبار [أداء](/tag/أداء) أربعة [نماذج](/tag/نماذج) تقليدية وخمسة [نماذج](/tag/نماذج) TFMs على مجموعتي [بيانات](/tag/بيانات) شهيرتين، هما "Home Credit" و"Lending Club". وشمل هذا الاختبار تغيير [استراتيجيات](/tag/استراتيجيات) [بناء](/tag/بناء) السياق، والعديدة منها أثبتت تفوقها بوضوح. على سبيل المثال، زادت [استراتيجيات](/tag/استراتيجيات) العينة المتوازنة والهجينة من نقاط منطقة تحت منحنى [ROC](/tag/roc) (AUC) بمقدار ما بين 3 إلى 4 نقاط مقارنة بالعينة الموحدة.

اللافت للنظر، أنه مع مجموعة سياق متوازنة تحتوي على 5,000 إلى 10,000 مثال، استطاعت أقوى [نماذج](/tag/نماذج) TFMs [تحقيق](/tag/تحقيق) نتائج تتساوى مع تلك التي تحققت باستخدام الأساليب التقليدية التي تعتمد على كامل [البيانات](/tag/البيانات). يُظهر ذلك أن التركيز على كيفية [بناء](/tag/بناء) السياق، وليس فقط اختيار النموذج، هو المفتاح لتحقيق أفضل النتائج في [سياقات](/tag/سياقات) [مخاطر](/tag/مخاطر) [الائتمان](/tag/الائتمان) غير المتوازنة.

بإجمال، تعكس هذه النتائج أهمية [استراتيجيات](/tag/استراتيجيات) إعادة [عينة](/tag/عينة) [البيانات](/tag/البيانات) وتركيز العمليات على كيفية [بناء](/tag/بناء) [السياق](/tag/السياق) لتعزيز أدائنا في [توقع المخاطر](/tag/توقع-[المخاطر](/tag/المخاطر)) الائتمانية بشكل فعال.