في عالم الذكاء الاصطناعي المتقدم، يشهد استخدام نماذج اللغة الكبيرة (LLMs) تزايدًا ملحوظًا، خصوصًا في معالجة البيانات الجدولية. فهذه النماذج تحتاج إلى قدرة فائقة على فهم الأسئلة الطبيعية والمعلومات الهيكلية الموجودة في الجداول. ومع ذلك، ظلت هناك عدة عقبات تعيق تنفيذ هذه العملية. على سبيل المثال، الأساليب السابقة كانت تعاني من تدهور كبير في الأداء عند التعامل مع الجداول الكبيرة، نظراً لصعوبة نمذجة النصوص الطويلة وتقييد طول الإدخال لنماذج اللغة.

لحل هذه المشكلة، تم استخدام نهج text-to-SQL لاستخراج المعلومات الرئيسية من الجداول، مما يساعد على تقليل حجم البيانات المعالجة عن طريق إنشاء جداول أصغر. لكن تظل البيانات الجدولية، خاصة تلك الموجودة على الإنترنت، تعاني من نقص الهيكلية والاتساق اللازمين، مما يجعلها غير مناسبة لأداء العمليات المنطقية الرياضية باستخدام استفسارات SQL.

لذا، نقدم لكم إطار ProgramTab، الذي يرشد نماذج اللغة الكبيرة (LLMs) إلى كيفية إجراء معالجة البيانات الجدولية من خلال التعلم في السياق عبر استخدام أكواد Python، بالإضافة إلى استخراج المحتويات المهمة من الجداول من خلال عملية استخراج الصفوف والأعمدة وتوليد استفسارات SQL. وقد أثبتت نتائج التجارب على مجموعات بيانات معالجة الجداول أن إطار ProgramTab يتعامل بفعالية مع مهام الاستدلال على البيانات الجدولية ويتفوق على كل الأساليب المعتمدة على نماذج اللغة الكبيرة السابقة.

بهذا، يظهر ProgramTab كأداة واعدة تفتح آفاقًا جديدة لتحسين استخدام نماذج اللغة في السيناريوهات التي تتطلب معالجة البيانات الجدولية بشكل فعال. كيف ترى مستقبل تقنيات معالجة البيانات الجدولية؟ شاركونا آراءكم في التعليقات!