في عالم الذكاء الاصطناعي، تبرز نماذج اللغة الضخمة (LLMs) كأداة قوية في مهام معالجة اللغة الطبيعية (NLP)، ولكن لا تزال تواجه تحديات عند التعامل مع البيانات الجدولية. فاسترجاع المعلومات الدقيقة من الجداول يتطلب عمليات استدلال معقدة ودقيقة، وهو ما يعد محط اهتمام الباحثين.

لتجاوز هذه التحديات، قدم الباحثون نهجًا مبتكرًا في معالجة أسئلة البيانات الجدولية (Table Question Answering - TQA) دون الحاجة إلى تدريب مسبق لنماذج اللغة. تعتمد الاستراتيجية الجديدة على إطارين هيكليين:
1. **TableGrid Navigation (TGN)**:
تستخدم هذه الطريقة حلقة ثلاثية الوحدات للتنقل بشكل تكراري خلال الصفوف والأعمدة، مما يساعد على تحديد الأدلة بدقة وتحسين استجابات النموذج.
2. **Progressive Inference Prompting (PIP)**:
هذه الآلية تفرض تحديد الأعمدة كشرط لتحديد الصفوف بشكل تدريجي، مما يسهل صياغة استجابة دقيقة وفقًا للسؤال المطروح.

لقد تم تقييم هذه الطرق على مجموعة بيانات TableBench وFeTaQa، حيث أظهرت النتائج تحسينًا ملحوظًا، حيث حقق TGN تقدمًا بمقدار 3.8 نقطة عن أفضل نتائج سابقة، بينما سجل PIP أعلى أداء مقارنة بأساليب ReAct وChain-of-Thought.

علاوة على تحسين نتائج الاستدلال، يمكن استخدام TGN وPIP كقوالب إشرافية لتحسين نماذج صغيرة، مما يسهم في تقليل الفجوة في الأداء بين النماذج الصغيرة وتلك الكبيرة في البيئات ذات الموارد المحدودة.

هذا التطور يعد بمثابة خطوة كبيرة نحو تحقيق أفضل النتائج في الاستفادة من البيانات الجدولية، مما يوفر حلولًا متعددة الاستخدامات وفعالة من حيث التكلفة في مجال معالجة البيانات.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!