TabWM يتعلم التنبؤ بالتعديلات في قاعدة البيانات: F1 ارتفع من 0,016 إلى 0,685

قدّم باحثون نموذج TabWM (Tabular World Model)، وهو نموذج يتنبأ، اعتمادًا على سجل عمليات التنفيذ في نظام غير مألوف، بكيفية تغيير إجراء جديد لقاعدة بياناته العلائقية. وعلى 512 «عالمًا» محجوزًا للاختبار ارتفعت قيمة F1 الكاملة للتعديلات من 0,016 من دون عمليات تنفيذ مرصودة إلى 0,685 مع 64 مثالًا في السياق. ولا يحتاج ذلك إلى تحديث معاملات النموذج، إذ تُستنتج الديناميكيات مباشرة من السياق. وللتدريب المسبق بنى المؤلفون WorldRel، وهو مولّد لعوالم علائقية قابلة للتنفيذ.

من لقطة الحالة إلى الديناميكيات

يعمل التعلم العلائقي الكلاسيكي على لقطة من قاعدة البيانات: فانطلاقًا من الجداول الحالية والروابط بينها يتنبأ بخاصية معينة. وهذا يكفي للتحليلات، لكنه لا يكفي لاتخاذ القرارات، لأن السؤال هناك مختلف: ماذا سيحدث لقاعدة البيانات بعد إجراء محدد؟ يعتمد الجواب على قواعد النظام المعني. فمنطق العمل والمشغّلات (triggers) والقيود وكود التطبيق لا تظهر في الجداول نفسها، وهي التي تحدد أي الصفوف ستظهر وأيها سيتغير وما القيم التي ستُسند إليها.

يقترح المؤلفون النظر إلى كل نظام من هذه الأنظمة بوصفه «عالمًا» علائقيًا مستقلًا، وطرح السؤال: هل يمكن فهم سلوكه من عمليات التشغيل المرصودة؟ يتلقى TabWM في سياقه عمليات تنفيذ من عالم غير مألوف، وعليه أن يتنبأ بالتعديلات المتناثرة المنظَّمة التي سيُحدثها الإجراء الجديد. ولا يوجد تدريب إضافي (fine-tuning) على هذا العالم.

كيف تُقاس الدقة

المقياس صارم. لا يُعدّ التعديل صحيحًا إلا إذا تطابقت ثلاثة مكوّنات: العملية والموضع العلائقي والقيمة. ولا يكفي تخمين أن «شيئًا ما سيُضاف في مكان ما». وهذه النتائج على العوالم المحجوزة التي لم يرها النموذج في أثناء التدريب:

• 512 عالمًا محجوزًا في مجموعة الاختبار؛
• قيمة F1 الكاملة للتعديلات 0,016 من دون عمليات تنفيذ مرصودة؛
• قيمة F1 الكاملة 0,685 مع 64 عملية تنفيذ في السياق؛
• التدريب على عوالم اصطناعية من مولّد WorldRel؛
• التكيف مع عالم جديد من دون تحديث المعاملات.

يدل الارتفاع من 0,016 إلى 0,685 على أن النموذج يستخدم السياق فعلًا. فمن دون أمثلة لا يكاد يخمّن شيئًا صحيحًا، وهذا متوقع لأنه لا مصدر لديه لقواعد العالم. أما مع 64 مثالًا فيستعيد الجزء الأكبر من بنية التغييرات.

مستقبلات متخيَّلة واختيار الإجراءات

الفكرة العملية الرئيسة أن تنبؤات TabWM هي تعديلات علائقية صريحة، لا متجهات مخفية. ويمكن تطبيق هذه التعديلات على قاعدة البيانات للحصول على الحالة التالية ثم مواصلة التنبؤ انطلاقًا منها. وبهذه الطريقة يفرد النموذج سلسلة من عدة خطوات ويقارن تسلسلات الإجراءات المرشحة قبل تنفيذ أي منها.

يفيد المؤلفون بأن البحث الأوسع في هذه المستقبلات المتنبأ بها يرفع العائد الفعلي لتسلسلات الإجراءات المختارة. غير أن الوصف المتاح لا يتضمن قيمًا رقمية لهذا التحسن، ولذلك لا يمكن تقدير حجمه. كما ينبغي الانتباه إلى أن الأخطاء تتراكم عند التطبيق التكراري: فمع قيمة F1 الكاملة 0,685 للخطوة الواحدة ستنحرف السلاسل الطويلة عن الواقع. أما مدى هذا الانحراف فستبيّنه التجارب في الورقة نفسها.

وثمة مسألة منفصلة تتعلق بالانتقال إلى بيئات أخرى. فالعوالم في الاختبار قابلة للتنفيذ وقد وُلّدت وفق المبادئ نفسها التي وُلّدت بها عوالم التدريب. وكيف سيتصرف النموذج على قاعدة بيانات مؤسسية حية تراكمت فيها استثناءات على مدى سنوات، فلا يتضح من الملخص.

أين يمكن تطبيق ذلك

تقدّم هذه الورقة مخططًا واضحًا للفرق التي تبني وكلاء (agents) فوق قواعد البيانات وأنظمة الأعمال. فإذا كانت لديكم سجلات تنفيذ، يمكن بالاستناد إليها تدريب نموذج ديناميكيات أو ضبطه واستخدامه محاكيًا منخفض التكلفة. وسيتمكن الوكيل من اختبار الإجراءات المرشحة على التعديلات المتنبأ بها، لا على بيئة الإنتاج.

من الناحية العملية ينبغي التحقق من ثلاثة أمور. أولها عدد عمليات التنفيذ التي يحتاجها نظامكم ليستقر مستوى الجودة: فالرقم 64 في الاختبار المرجعي (benchmark) مؤشر استرشادي لا ضمانة. وثانيها مدى دقة التعديلات في الفروع النادرة من المنطق. وثالثها مدى سرعة نمو الخطأ على سلاسل من خمسة إلى عشرة إجراءات. وإذا كانت الإجابات مقبولة، فإن هذا النهج يتيح مقارنة الخطط من دون آثار جانبية، وهذا أغلى ما يفتقر إليه الوكلاء الذين يعملون على بيانات حقيقية.