Google Research تطلق TabFM — نموذج أساسي للبيانات الجدولية يعمل بأسلوب zero-shot

قدّمت Google Research نموذج TabFM، وهو نموذج أساسي (foundation model) للبيانات الجدولية قادر على تنفيذ التصنيف والانحدار بأسلوب zero-shot دون تدريب على مجموعة بيانات بعينها، بحسب ما أفاد به موقع MarkTechPost في 1 يوليو 2026.

كيف يعالج TabFM الجداول

يحصل TabFM على تنبؤاته في تمريرة أمامية واحدة (forward pass) باستخدام التعلّم السياقي (in-context learning). أي أن النموذج يعتمد «على الفور» على أمثلة موجودة داخل الطلب نفسه، دون دورة تدريب منفصلة لكل مجموعة بيانات.

• الصيغة — نموذج أساسي للبيانات الجدولية
• القدرات — تصنيف وانحدار بأسلوب zero-shot
• الأسلوب — التعلّم السياقي، والتنبؤ في تمريرة أمامية واحدة (forward pass)
• لا يتطلب — تدريبًا على مجموعة البيانات، ولا ضبطًا للمعاملات الفائقة (hyperparameters)، ولا هندسة يدوية للخصائص (feature engineering)
• البنية — انتباه هجين (hybrid-attention)

يشير اسم النموذج إلى بنية انتباه هجينة تتيح مراعاة العلاقات بين صفوف الجدول (الكائنات) وبين أعمدته (الخصائص) في الوقت نفسه. وهذا أمر لا تتضمنه المحوّلات (transformers) التقليدية المصمَّمة للنصوص بشكل افتراضي.

لماذا تشكّل البيانات الجدولية مشكلة مستقلة للذكاء الاصطناعي

معظم بيانات المؤسسات ليست نصوصًا ولا صورًا، بل جداول: صفوف للعملاء والمعاملات والمؤشرات. وظلّت أفضل الأدوات لهذه المهمة طويلًا هي التعزيز المتدرّج (gradient boosting) ونماذج ML الكلاسيكية مثل XGBoost وLightGBM. وهي دقيقة، لكن كل نموذج منها يحتاج إلى إعادة تدريب وضبط لكل مجموعة بيانات ولكل مهمة، وأي تغيير في تركيبة الخصائص يعني دورة جديدة من إعداد البيانات.

تقوم فكرة النموذج الأساسي للجداول على أن يصلح نموذج واحد لمهام كثيرة: يُدرَّب نموذج كبير واحد مسبقًا على مجموعة واسعة من الجداول المتباينة، ثم يُطبَّق على بيانات جديدة دون إعادة تدريب. وهذا يشبه ما تفعله النماذج اللغوية حين تحلّ مهام نصية جديدة دون تدريب إضافي إذا صيغ الطلب لها بشكل صحيح. وظلّ هذا المسار يُعدّ صعب المنال في البيانات الجدولية تحديدًا بسبب تباين الجداول: لكل جدول مجموعة أعمدة وأنواع بيانات وروابط دلالية خاصة به، بخلاف النص الذي تشترك مستنداته في القواعد النحوية والمفردات.

ماذا يعني ذلك لعلماء البيانات

إذا عمل نهج zero-shot في TabFM بدقة كافية على بيانات المؤسسات الواقعية، فسيغيّر ذلك اقتصاديات مهام ML المعتادة مع الجداول. فبدلًا من دورة «جمع مجموعة البيانات ← تدريب النموذج ← ضبط المعاملات الفائقة ← النشر»، ستبقى خطوة واحدة: تمرير البيانات إلى النموذج والحصول على التنبؤ. وتزداد قيمة ذلك في المهام التي تكون فيها مجموعة البيانات صغيرة أو سريعة التغيّر، فلا يكون تدريب نموذج منفصل لها مجديًا.

ماذا يعني ذلك

تنقل Google Research مرة أخرى منطق النماذج الأساسية — «درّب مرة واحدة وطبّق في كل مكان» — من النصوص والصور إلى مجال البيانات الجدولية، الذي ظلّ حتى الآن حكرًا على التعلّم الآلي الكلاسيكي. وإذا تأكد هذا النهج عمليًا على طيف واسع من المهام، فلن تقتصر المنافسة على النماذج الأساسية للجداول بين الشركات المختلفة، بل ستشمل أيضًا المواجهة بين هذه الفئة الجديدة من النماذج والتعزيز المتدرّج المعتاد، لتحديد من سيصبح الأداة الافتراضية لمهام ML المعتادة مع البيانات الجدولية.