نحو نماذج أساسية ثورية لقواعد البيانات العلائقية: دمج نماذج اللغة والشبكات العصبية البيانية

تشكل قواعد البيانات العلائقية (Relational Databases) عماد الكثير من المعلومات الهيكلية في العالم، وهي تلعب دوراً أساسياً في توجيه التطبيقات التنبؤية المعقدة. لكن على الرغم من التقدم الكبير في التعلم العميق، لا يزال هناك تحدٍ كبير في تطبيق هذه التقنيات على البيانات العلائقية. الحل التقليدي يعتمد على تحويل قواعد البيانات إلى جداول فردية عبر هندسة الميزات اليدوية، مما يؤدي إلى فقدان السياق العلائقي المهم.

هنا تأتي أهمية التعلم العميق العلائقي (Relational Deep Learning) الذي يعالج هذا الموضوع من خلال نمذجة قواعد البيانات كرسوم بيانية كيان علائقي (Relational Entity Graphs - REGs) مخصصة للشبكات العصبية البيانية (Graph Neural Networks - GNNs). ومع أن هذه الطريقة تُعتبر ثورية، إلا أنها ما زالت محددة بالمهام وقواعد البيانات.

في خطوة تكنولوجية جديدة، اقترح الباحثون هيكلًا هجينًا يجمع بين مشفر BART المحسن لالتقاط دلالات الصفوف الداخلية مع بنية GNN القائمة على GraphSAGE لتحقق تكاملاً مع السياق العلائقي. أظهرت التجارب على مجموعة بيانات RelBench أن GNN تعزز بشكل كبير من تمثيلات الصفوف التي أنتجها BART، محققة درجة ROC-AUC بلغت 67.40 في مهمة driver-dnf من مجموعة بيانات rel-f1.

هذا الأداء يعتبر تنافسياً مع المعايير المشرفة مثل LightGBM التي حققت 68.86، مما يضيق الهوة مع التعلم العميق العلائقي إلى 5.22 نقاط. ومع ذلك، تبقى الفجوة كبيرة عند مقارنتها بالنماذج الأساسية المتقدمة مثل KumoRFM التي حققت 82.63. هذه النتائج تشير إلى أن الهياكل الهجينة الخفيفة من LM-GNN تمثل مسارًا واعدًا وفعالاً نحو تطوير نماذج أساسية لقواعد البيانات العلائقية.

مالذي تعتقدون أنه يمكن أن يتضمنه المستقبل في هذا المجال؟ شاركونا آرائكم في التعليقات!