في عالم الذكاء الاصطناعي، يعد الاستدلال الزمني على الجداول شبه الهيكلية المتطورة أحد أكبر التحديات التي تواجه نظم الاستفسار الحالية. لقد ظهرت دراسة حديثة على موقع arXiv، تقترح نهجًا جديدًا يعد بمثابة ثورة في كيفية تعاملنا مع البيانات الزمنية.

الأسلوب المقترح يعيد صياغة المهمة كمشروع لبناء قاعدة بيانات تلقائية. يتضمن ذلك الخطوات الثلاث التالية: أولا، مطالبة نموذج اللغة الكبير (LLM) بتوليد مخطط متعدد العلاقات يتوافق مع الصيغة الطبيعية الثالثة (3NF) استنادًا إلى الجداول الزمنية من ويكيبيديا. ثانياً، ملء هذا المخطط للحصول على قاعدة بيانات قابلة للاستعلام. وأخيرًا، توليد وتنفيذ استفسارات SQL ضد هذه القاعدة، حيث تُستخدم دقة الإجابة كمعيار خارجي لتقييم قاعدة المعرفة المبنية.

في تجربة تمت على شبكة من ثلاثة مولدات مخططات وعبر ستة نماذج استفسار، اتضح أن مصدر المخطط يمثل 79.5% من تباين المطابقة الدقيقة مقابل 1.6% للنموذج الاستفساري. وبالتالي، استبدال المخطط أو بنية التوجيه المرتبطة به يزيد دقة المطابقة الدقيقة بين 14.7 و20.0 نقطة، بينما استبدال النموذج الاستفساري تحت مخطط ثابت يزيدها بين 4.4 و12.1 نقطة.

من خلال هذه الأدلة، تم تحليل ثلاثة مبادئ تصميم مخططات يمكن أن تحسن الأداء: التوازن في التحجيم، التسمية الدلالية، والتثبيت الزمني الثابت، مما تم صياغته كفرضيات ارتباطية.

وأظهرت أفضل التكوينات (Gemini 2.5 Flash schemas + Gemini-2.0-Flash queries) تحقيق دقة مطابقة دقيقة تبلغ 80.39، متفوقةً بفارق 11.5 نقطة عن أفضل مستوى متداول حتى الآن (68.89). كما حقق تكوين ذو أوزان مفتوحة دقة قدرها 79.52.

هل أنتم مستعدون لتبني هذا النهج الجديد في نظم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!