في عالم تحليل البيانات العميق، تتجه النماذج نحو التعلم في سياق محدد، حيث تستقبل النماذج مجموعة من أزواج البيانات (x, y) كمرجع، وتقوم بتوقع التسميات لمدخلات جديدة دون الحاجة لتحديث الأوزان. في هذا الإطار، يطرح الباحثون تحدياً للرأي السائد بأن تحقيق عموميات واسعة يستوجب التدريب على مجموعات بيانات ضخمة أو صناعية.

تشير النتائج إلى أن مقداراً بسيطاً من البيانات يمكن أن يكون كافياً لتحقيق العموميات، حيث أظهرت دراسة جديدة أن القيام بتدريب ذاتي بسيط باستخدام بيانات من طاولة حقيقية واحدة يمكن أن ينتج انتقالاً مدهشاً عبر معايير متنوعة.

عبر إجراء تدريبات وتقييمات منهجية على العديد من المجموعات المتنوعة، تم تحليل الجوانب الأكثر أهمية في بناء نموذج أساسي لتحليل البيانات (Tabular Foundation Model - TFM) القادر على التعميم عبر مجالات متعددة.

ارتبطت هذه النتائج بإجراءات التدريب المسبقة التي تشترك فيها معظم نماذج TFM، حيث أظهرت أن عدد ونوعية المهام التي يمكن تشكيلها من مجموعة بيانات معينة تعد ذات أهمية قصوى بالنسبة للأداء اللاحق.

هذا الاكتشاف يمكن أن يغير مفاهيم تدريب وتحليل نماذج الذكاء الاصطناعي، مما يسهل التطويرات المستقبلية في هذا المجال.