تتقدم تقنيات الذكاء الاصطناعي بخطوات متسارعة، ويظهر بحث جديد على منصة arXiv كيف يمكن تحسين جودة الإجابة على الأسئلة متعددة الجداول بواسطة نظام جديد يسمى GRAB. يتكون نظام GRAB من مجموعة من الجسور التي تربط بين البيانات العلائقية (Relational Data) وهيكلية الرسوم البيانية (Graph Structure) من خلال حقول مخصصة ومؤشرات مدفوعة بالاستعلام.

في هذا النظام المبتكر، يتم نقل البيانات العلائقية إلى رسم بياني هتيروجيني (Heterogeneous Graph)، ويتم ترميزها عبر تمرير الرسائل (Message Passing). ثم تُرسل الإشارات إلى نموذج لغوي كبير (Large Language Model - LLM) من خلال مجموعة صغيرة من الرموز الكامنة المشروطة بالاستعلام (Query-Conditioned Latent Tokens). وهذا يعزز من توفير تمثيل هيكلي مُركّز وذو صلة بالمهام للنموذج، مما يساعده على معالجة المعلومات بشكل أكثر فعالية مع الحفاظ على قدراته العامة في التفكير.

أحد الجوانب الفريدة لهذا البحث هو أن النموذج اللغوي الكبير يبقى ثابتًا بشكل كامل، مما يُتيح له الاحتفاظ بقدرته على التفكير بشكل عام دون تغيير. يتم تدريب فقط المُشَفّر الخفيف الوزن والجسر الكامن، مما يجعل عملية التدريب فعالة وعبقرية.

أظهرت الاختبارات أن هذه الطريقة الجديدة تُحسّن الأداء بشكل ملحوظ في الإجابة على الأسئلة العلائقية، حيث تسجل أكبر التحسينات في بيئات متعددة الجداول. يمثل هذا البحث خطوة هامة نحو ربط التعلم العميق العلائقي مع نماذج اللغات الكبيرة بشكل متواصل ومنهجي.