في عالم البيانات الضخمة، دأبت تقنيات التعلم على تحسين أداء النماذج وتحقيق نتائج أفضل. وبينما كانت شبكات قبل البيانات (Prior-Data Fitted networks - PFNs) تسيطر على الساحة، قدمت لنا TabPFN-MT، البطل الجديد الذي يتميز بتعلم متعدد المهام (Multitask Learning).

تتميز TabPFN-MT بأنها تتجاوز قيود النماذج السابقة التي كانت تعمل على المهام الفردية فقط، مما يعني أن القدرة على توقع عدة قيم مستهدفة في نفس السياق كانت تتطلب استدعاءات متكررة. لكن مع نموذجنا الجديد، يتمكن الباحثون من معالجة المهام المتعددة في الوقت نفسه، مما يزيد من فعالية وفائدة هذه النماذج.

هذا النموذج لا يعتمد فقط على التدريب الكلاسيكي باستخدام التدرجات، بل يركز بدلاً من ذلك على التعلم في السياق (In-Context Learning)، مما يجعله مناسباً للبيانات الصغيرة إلى المتوسطة. حيث تمت تجربة TabPFN-MT عبر 344 مجموعة بيانات، ليحقق نتائج مذهلة تجعله يحتل المرتبة الأولى في تعلم المهام المتعددة، مع ترتيب دقة (Accuracy) بلغ 4.89.

ولعل الأبرز في هذا النموذج أنه يقلل التكلفة الاستدلالية للمهام المتعددة من O(T) إلى O(1) من عمليات الاستدعاء، مما يجعله اختيارًا مثاليًا للتطبيقات التي تتطلب التعامل مع أهداف متعددة في البيانات الجدولية.

بتصور جديد لتقنيات التعلم، يبدو أن TabPFN-MT لا يقدم تحسينات ملحوظة فقط في الأداء، بل يقابل تحديات الحوسبة بكفاءة مذهلة، مما يجعله أداة لا غنى عنها للمحللين والمطورين في مجال البيانات.