نموذج TabFM من جوجل يتنبأ بالبيانات الجدولية دون تدريب مخصص

كشفت شركة جوجل عن تطوير نموذجها الجديد TabFM (Table Foundation Model)، وهو نموذج أساسي للبيانات الجدولية يتميز بقدرته على التنبؤ بفعالية على الجداول التي لم يسبق له رؤيتها، متفادياً الحاجة إلى التدريب المخصص لكل مجموعة بيانات.

ويمثل هذا التطور نقلة نوعية في مجال تحليل البيانات الجدولية، حيث يهدف TabFM إلى تحقيق أثر مماثل لتأثير نماذج اللغات الكبيرة (LLM) في معالجة اللغات الطبيعية. وخلافاً لأساليب التعلم الآلي التقليدية التي تتطلب غالباً تعديل وتدريب نماذج منفصلة لكل مجموعة بيانات جديدة، فإن TabFM يتجنب هذه العملية بشكل كبير، مما يقلل من مرحلة "التوليف الدقيق" (fine-tuning) لكل مهمة.

يعتمد النموذج على التدريب المسبق المكثف على مجموعة واسعة ومتنوعة من الجداول. وخلال هذه المرحلة، يستخدم TabFM تقنيات التعلم ذاتي الإشراف (self-supervised learning) وآلية "الإخفاء" (masking) لتعلم الأنماط والعلاقات المعقدة داخل البيانات الجدولية. هذه المنهجية تسمح له بالتعميم والتكيف مع مجموعات بيانات جديدة دون الحاجة لإعادة التدريب أو الهندسة اليدوية للميزات (feature engineering).

وبفضل هذه الإمكانات، يعد TabFM بتبسيط كبير لعمليات تحليل البيانات الجدولية. فهو يقلل من الجهد المطلوب في الهندسة اليدوية للميزات، ويسرع من نشر النماذج، ويعزز من قدرتها على التكيف مع البيانات المتغيرة، مما قد يسهم في ديمقراطية تحليلات البيانات الجدولية ويجعلها في متناول جمهور أوسع من المطورين والمحللين.

تتطلب الأساليب التقليدية للتعلم الآلي مع البيانات الجدولية عادةً جهداً كبيراً في هندسة الميزات اليدوية وإعادة تدريب النموذج بشكل مستمر لكل مجموعة بيانات جديدة أو كل تغيير في متطلبات التحليل. يتجاوز TabFM هذه العقبات من خلال توفير حل أكثر شمولية ومرونة.