أطلقت Google Research TabFM — نموذج Foundation لبيانات الجداول مع Zero-Shot

أطلقت Google Research TabFM — نموذج foundation للبيانات الجدولية مع zero-shot

قدمت Google Research TabFM — نموذج foundation للبيانات الجدولية، قادر على إجراء تصنيف وانحدار zero-shot بدون تدريب على مجموعات بيانات محددة؛ تم الإبلاغ عن هذا من قبل بوابة MarkTechPost في 1 يوليو 2026.

كيف يعالج TabFM الجداول

يحصل TabFM على تنبؤات في تمريرة أمامية واحدة، باستخدام التعلم في السياق — يعتمد النموذج "أثناء التنقل" على أمثلة داخل الطلب نفسه، بدون دورة تدريب منفصلة لكل مجموعة بيانات.

• الصيغة — نموذج foundation للبيانات الجدولية
• القدرات — تصنيف وانحدار zero-shot
• الطريقة — التعلم في السياق، التنبؤ عبر تمريرة أمامية واحدة
• لا يتطلب — التدريب على مجموعة البيانات، ضبط المعاملات الفائقة، هندسة الميزات اليدوية
• البنية المعمارية — الاهتمام الهجين

يعلن اسم النموذج عن بنية اهتمام هجين — تسمح بالنظر في العلاقات بين الصفوف (الكائنات) والأعمدة (الميزات) للجدول في نفس الوقت، وهو ما لا يتم دمجه بشكل افتراضي في المحولات الكلاسيكية المركزة على النصوص.

لماذا البيانات الجدولية مشكلة منفصلة للذكاء الاصطناعي

معظم البيانات المؤسسية ليست نصوصًا أو صورًا، بل جداول: صفوف العملاء، والمعاملات، والمقاييس. لفترة طويلة كانت أفضل الأدوات لهذه المهام تبقى تعزيز التدرج والنماذج الكلاسيكية للتعلم الآلي مثل XGBoost و LightGBM — فهي دقيقة، لكن يجب إعادة تدريب كل واحدة وضبطها لمجموعة بيانات محددة ومهمة محددة، وأي تغيير في تكوين الميزات يعني دورة إعداد بيانات جديدة.

فكرة نموذج foundation للجداول هي أن نموذجًا واحدًا يعمل لمهام عديدة: قم بتدريب نموذج كبير على جداول متنوعة عديدة مقدمًا، ثم طبقه على بيانات جديدة بدون إعادة تدريب — بالقياس على كيفية حل نماذج اللغة للمهام النصية الجديدة بدون ضبط دقيق إذا تم السؤال بشكل صحيح. بالنسبة للبيانات الجدولية كان يُعتبر هذا المسار صعب التحقيق منذ فترة طويلة بالضبط لأن جداول متنوعة: كل واحدة لديها مجموعتها الخاصة من الأعمدة وأنواع البيانات والعلاقات الدلالية بينها، على عكس النصوص حيث تكون القواعد والمفردات مشتركة لجميع الوثائق.

ما يعنيه هذا لمحللي البيانات

إذا كان نهج TabFM zero-shot يعمل بشكل جيد بما يكفي على بيانات المؤسسة الحقيقية، فإنه يغير اقتصاديات مهام ML النموذجية مع الجداول: بدلاً من دورة "جمع مجموعة البيانات → تدريب النموذج → ضبط المعاملات الفائقة → النشر" سيكون هناك خطوة واحدة فقط — تغذية البيانات للنموذج والحصول على تنبؤ. هذا ذو قيمة خاصة للمهام حيث تكون مجموعة البيانات صغيرة أو تتغير بسرعة، وليس من المجدي اقتصاديًا تدريب نموذج منفصل لها.

ما يعنيه هذا

تنقل Google Research مرة أخرى منطق نماذج foundation — "التدريب مرة واحدة، تطبيق في كل مكان" — من النصوص والصور إلى مجال البيانات الجدولية، التي ظلت حتى الآن مجالًا للتعلم الآلي الكلاسيكي. إذا تم تأكيد النهج في الممارسة العملية على نطاق واسع من المهام، ستتطور المنافسة ليس فقط بين نماذج foundation للجداول من شركات مختلفة، ولكن أيضًا بين هذه الفئة الجديدة من النماذج وتعزيز التدرج المألوف — على من سيصبح الأداة الافتراضية للمهام ML النموذجية مع البيانات الجدولية.