هل تساءلت يوماً عن كيفية تنظيف البيانات عندما لا يوجد لديك مرجع موثوق للنظافة؟ إن التنظيف التقليدي يمكن أن يكون معقداً بسبب وجود قيَم غريبة قد تمثل أخطاء حقيقية أو ملاحظات صالحة. في ورقة بحثية جديدة، نُفذت دراسة تجريبية لتقييم كيف تؤثر قدرات الوكلاء المختلفة (agent capabilities) على عمليات تنظيف البيانات دون مرجع موثوق.

تقدم الورقة إطار عمل مستند إلى الأدلة، يجمع بين عدة عناصر مثل السياق الهيكلي، وملف التعريف، واستدلال نماذج اللغات الضخمة (LLMs)، وتنفيذ الاختبارات، واسترجاع الأدلة بشكل مدروس، وتصنيف المصادر، ومحاذاة الاقتباسات، وإصلاحات محافظة، وبرامج قابلة للعكس، وتسجيل الأصول. تم تقييم سبع تكوينات عبر مجموعات بيانات مالية وسريرية وبيئية تم إدخال تشوهات مصطنعة عليها، مما أدى إلى 126 عملية تشغيل مكتملة.

أظهرت النتائج أن التكوين القائم على التصنيف المحدد حقق أعلى معدل F1 للكشف عن الأخطاء بنسبة 0.561. فيما حقق التكوين المحافظ الكامل الذي يعتمد على نماذج اللغات الضخمة أعلى معدل F1 بنسبة 0.421، ولكن لم يكن هناك تكوين واحد يعمل بشكل مثالي عبر جميع معايير التقييم. كما حققت التكوينات ذات التصنيف المصدر أقل معدلات قواعد غير مدعومة، في حين بقيت محاذاة الاقتباسات على مستوى القرار ضعيفة.

على الرغم من أن التكوين المحافظ الكامل لم ينتج عنه أي تعديلات غير آمنة أو غير ضرورية، إلا أن هذه المعدلات كانت صفرًا بالفعل قبل إضافة السياسة المحافظة. وبشكل عام، أظهرت النتائج أن القدرات الإضافية تقدم خيارات توازن بين الكشف والإصلاح وتأسيس الأدلة والسلوك الحذر والقدرة على إعادة الإنتاج وتكاليف التشغيل، بدلاً من تقديم تحسينات باستمرار.

تقدم هذه الدراسة إطارًا منهجيًا هيكليًا وطرقًا تجريبية لتقييم هذه التوازنات في تنظيف البيانات بدون مراجع موثوقة، مما يمكن أن يكون له تأثير كبير في مجالات متعددة تتطلب دقة عالية في البيانات.