في عالم الذكاء الاصطناعي اليوم، تتواجد نماذج أساس لكل نوع من البيانات، سواء كانت نصوصًا أو صورًا أو حتى صوتًا. لكن ما يزال هناك فئة هامة من البيانات لم تُعط الاهتمام الكافي: البيانات الجدولية. نظرًا لأهمية هذه البيانات في اتخاذ قرارات مصيرية في مختلف المجالات، ظهرت الحاجة الملحة لنموذج جديد يُفهم هذه البيانات بصورة أصلية دون الحاجة إلى عمليات معالجة معقدة.

نقدم لكم نموذج اللغة البياني (Data Language Model - DLM)، الذي يُعتبر الفئة المفقودة من نماذج البيانات الجدولية. يُمكن هذا النموذج للذكاء الاصطناعي فهم الجداول تمامًا كما يفهم نموذج اللغة الجمل، وذلك بشكل مباشر ودون الحاجة إلى تسلسل أو معالجة مسبقة، من خلال التعامل مع القيم الخام للخلايا.

أول نموذج في فئة DLM تم تقديمه هو Schema-1، والذي يتضمن 140 مليون معلمة وتم تدريبه على أكثر من 2.3 مليون مجموعة بيانات جدولة صناعية وحقيقية. يتمتع Schema-1 بقدرة تفوق نماذج الأشجار المدعومة بالانحدار (Gradient-Boosted Trees) ونماذج التلقائية (AutoML)، مؤديًا أداءً مذهلاً في معايير تقييم التنبؤ على مستوى الصف.

فيما يتعلق بإعادة بناء القيم المفقودة، يُظهر Schema-1 أداء أقل خطأً في إعادة البناء مقارنة بجميع الأساليب الإحصائية التقليدية، بل ويتفوق حتى على نماذج اللغات الضخمة في متوسط الأداء عبر الظروف. يكمن سر اعتماديته في فهم الشكل الهيكلي لتوزيع البيانات الخاصة به بشكل أفضل من المعرفة العالمية المرمزة في اللغة.

الأكثر إثارة هو أن هذا النموذج يمكنه تحديد القطاع الصناعي لأي مجموعة بيانات غير مرئية فقط من خلال القيم الخام، مما يجعله أداة مثالية لمواجهة التحديات الجدولية التي لم يكن بالإمكان التعامل معها من قبل.

باختصار، يقدم نموذج اللغة البياني (DLM) طبقة فهم بيانية أصلية كانت تفتقر إليها مجموعة الذكاء الاصطناعي، مما يعزز من إمكانيات تحليل البيانات الجدولية بدقة أكبر وبكفاءة أعلى. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!