في عالم الذكاء الاصطناعي، يسعى الباحثون دائمًا نحو تحسين دقة نماذج اللغات الضخمة (Large Language Models – LLMs) من خلال دمج المعرفة الخارجية. ولقد ظهر مؤخرًا إطار FT-RAG الذي يُعد خطوة كبيرة في هذا الاتجاه، حيث يعالج المشكلات التي تعيب الأنظمة التقليدية لاسترجاع المعلومات عند العمل مع البيانات الجدولية المنظمة.

تتمثل العقبة الكبرى التي تواجه الأنظمة الحالية في عدم قدرتها على فهم البيانات الجدولية بشكل عميق، مما يؤدي إلى دقة تراجع المعلومات. وفي محاولة لتجاوز هذه التحديات، يقدم FT-RAG آلية جديدة تعتمد على تحليل الجداول إلى وحدات دلالية صغيرة وبناء رسوم بيانية منظمة.

يستخدم FT-RAG آلية توسيع للجيران الهيكلي للعثور على الكيانات المتصلة دلاليًا خلال استرجاع الرسوم البيانية، متبعًا ذلك بدمج متعدد الوسائط لتوحيد سياق نتائج استرجاع الجداول.

واحدة من أبرز النقاط في هذا البحث هي إنشاء مكتبة جديدة للبيانات المعقدة تُدعى Multi-Table-RAG-Lib، والتي تتضمن 9870 زوجًا من الأسئلة والأجوبة ذات التعقيد العالي، مصممة خصيصًا لتحفيز الاندماج بين الجداول والنصوص.

وقد تفوق FT-RAG على أفضل الأنظمة الحالية، حيث حقق تحسينًا نسبته 23.5% في معدلات النجاح على مستوى الجدول، و59.2% على مستوى خلايا البيانات. كما شهدت دقة إنشاء القيم الفعلية زيادة مذهلة بنسبة 62.2%.

يشير كل هذا إلى كفاءة إطار FT-RAG في ربط الحقائق بين البيانات الجداولية والوثائق المختلطة، وهو ما يؤكد قدرته على أن يصبح معيارًا جديدًا للأداء في مجال معالجة البيانات المعقدة.