قواعد البيانات العلاقاتية (Relational Databases) تشكل العمود الفقري للأنظمة الحديثة في مجالات مثل الأعمال والعلوم والرعاية الصحية. رغم ذلك، يظل تطبيق التعلم الآلي التنبؤي على هذه البيانات تحدياً معقداً بسبب هيكلها المتعدد الجداول و المتنوع temporal structure. هنا يأتي دور تقنية التعلم العميق العلاقي (Relational Deep Learning) التي تعالج هذه التحديات عبر تمثيل قواعد البيانات كرسوم بيانية غير متجانسة وتطبيق الشبكات العصبية الرسومية (Graph Neural Networks) مباشرةً.

تم تقديم RelBench v2 مؤخراً، والذي يطرح مهام الإكمال التلقائي — وهو نوع من المهام المدفوعة عملياً حيث يكون الهدف هو التنبؤ بقيمة عمود موجود بناءً على السياق العلاقي، مما يشبه المساعد الذكي في ملء النماذج. جاء اقتراح RelGT-AC (Relational Graph Transformer for Autocomplete) ليقدم ثلاث مساهمات رئيسية:

1. **استراتيجية إخفاء الأعمدة**: تمنع الحلول السطحية من خلال إخفاء العمود الهدف أثناء ترميز تحت الرسم البياني.
2. **رأس مهام موحد**: يدعم التصنيف الثنائي، وتصنيف متعدد الفئات، ومهام الإكمال التلقائي ضمن نموذج واحد.
3. **ترميز نصوص TF-IDF**: يكشف ويشفّر الأعمدة النصية المجانية تلقائياً، مما يستعيد الإشارة اللغوية القوية التي تتجاهلها الترميزات الفئوية.

من خلال سبع مهام تغطي ثلاث مجموعات بيانات من RelBench v2 (rel-trial، rel-f1، rel-stack)، يتجاوز RelGT-AC أسس GraphSAGE في جميع مهام الإكمال التلقائي المتعلقة بالانحدار ويحقق زيادة تصل إلى 10 نقاط AUROC في المهام التي تعتمد على النصوص الكثيفة عبر مشفر TF-IDF.

إن RelGT-AC هو نصير جديد في عالم قواعد البيانات، مما يسهل على الشركات والعلماء استغلال بياناتهم بكفاءة أكبر. ولكن كيف تأثير هذه الابتكارات على مستقبل قواعد البيانات؟ ما رأيكم في هذا التطور؟ شاركونا في التعليقات.