ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارTNW→ المصدر

Databricks تُظهر كيف يتنبأ الذكاء الاصطناعي بالجداول دون تدريب: حتى مليون صف

عادةً ما يُدرَّب نموذج مستقل لكل مهمة جدولية، مثل مخاطر الائتمان أو فقدان العملاء. نشرت Databricks شيفرة لخمسة نماذج ذكاء اصطناعي تتكيف مع أمثلتك لحظة التنبؤ نفسها. وعلى بطاقات Nvidia H100 يتعامل TabPFN-3 مع ما يصل إلى مليون صف، لكن كلفة التنبؤ أعلى منها مع خوارزمية التعزيز XGBoost على معالج عادي. قارِن النماذج على بياناتك الخاصة قبل اعتمادها.

معالج بواسطة الذكاء الاصطناعي من TNW؛ بتحرير Hamidun News
Databricks تُظهر كيف يتنبأ الذكاء الاصطناعي بالجداول دون تدريب: حتى مليون صف
المصدر: TNW. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليTNW ↗
رئيس التحرير
حقيقة رئيسية #1يمكن استخدام TabICLv2 وMitra v2 وKumoTabular تجاريًا
حقيقة رئيسية #2يتطلب TabFM والإصدار الجديد من TabPFN اتفاقًا منفصلًا مع مطوّريهما
حقيقة رئيسية #3تنمو الذاكرة المستهلكة مع عدد الصفوف، لأن النموذج يعيد قراءة العينة بأكملها

تخيّل أن مصرفًا يحتاج إلى تقييم المخاطر في طلبات القروض، وأن متجرًا يريد معرفة العملاء الذين سيغادرونه قريبًا. هذه بيانات جدولية: الصفوف هي العملاء، والأعمدة هي سمات مثل العمر أو قيمة المشتريات أو عدد حالات التأخر عن السداد. وعادةً ما يدرّب الفريق نموذجًا مستقلًا لكل مهمة من هذا النوع، وغالبًا ما يكون نموذج التعزيز XGBoost، ثم يعيد تدريبه بانتظام. وفي يوم الاثنين عرضت Databricks مسارًا مختلفًا: نماذج ذكاء اصطناعي تتنبأ بالجدول دون تدريب منفصل للمهمة. أصدرت الشركة دليلًا وشيفرة مفتوحة لخمسة نماذج من هذا النوع. وبحسب بياناتها، يعمل أحدها، وهو TabPFN-3، على بطاقات Nvidia H100 مع جداول تصل إلى مليون صف و200 عمود.

كيف يعمل ذلك ببساطة

تُسمّى هذه النماذج نماذج جدولية تأسيسية. تُدرَّب مسبقًا على ملايين الجداول الاصطناعية لتتعلم القوانين العامة: كيف ترتبط الأعمدة عادةً ببعضها، وكيف يبدو التشويش والقيم الشاذة. وحين تحضر الشركة جدولها الخاص، لا حاجة إلى أي تدريب إضافي. تمرّر إلى النموذج أمثلة من الصفوف معروفة الإجابات، مثل عملاء سابقين غادروا أو بقوا، فيتكيف معها لحظة التنبؤ نفسها.

يشبه ذلك محللًا خبيرًا. فهو لا يبني نموذجًا جديدًا من الصفر، بل يطّلع على حالاتك السابقة ويقيّم الحالة الجديدة فورًا. نشرت Databricks شيفرة تقارن بين خمسة نماذج: TabICLv2 وMitra v2 وKumoTabular وTabFM وإصدار TabPFN الجديد. ويُقترح تشغيلها على AI Runtime، وهي خدمة GPU من Databricks تُحاسَب على الاستخدام الفعلي، وتعمل بوضع المعاينة منذ مارس.

يزداد الاهتمام بهذا الاتجاه. فشركة SAP، التي تعمل بشكل وثيق مع Databricks، تتعاون مع Prior Labs مطوّرة TabPFN، كما أصدرت H2O.ai تطويرًا خاصًا بها في هذا المجال.

أين العيب

تذكر Databricks نفسها العيوب، وهي جوهرية. الأول هو الكلفة. فالتنبؤ الواحد على GPU أغلى منه مع XGBoost التقليدي على معالج عادي. وإذا كان لديك تدفق من ملايين التنبؤات يوميًا، فسرعان ما يتحول الفارق إلى بند ملحوظ في الفاتورة.

الثاني هو الذاكرة. فالنموذج يعيد قراءة عينة التدريب بأكملها مع كل تنبؤ، ولذلك ينمو استهلاك الذاكرة مع عدد الصفوف. أما نموذج التعزيز العادي فالأمر معه مختلف بعد التدريب: النموذج الجاهز خفيف الحجم وسريع.

الثالث هو التراخيص. يمكن استخدام TabICLv2 وMitra v2 وKumoTabular تجاريًا. أما TabFM وأحدث إصدار من TabPFN فيجب الحصول عليهما بموجب اتفاق منفصل مع مطوّريهما. وإذا كنت تنوي اعتماد أحدث نموذج وأقواه مباشرة، فاستوضح الشروط أولًا.

وتنصح Databricks نفسها بعدم تصديق الوعود دون تحقق، وباختبار النماذج أولًا على بياناتك الخاصة. ولا يُفهم من المنشور أن النماذج الجدولية التأسيسية تتفوق في الدقة على نماذج التعزيز في كل الحالات. إنها أداة جديدة لها نقاط قوتها، وليست بديلًا عن كل ما كان يعمل سابقًا.

ماذا يفعل الممارسون بهذا

الميزة الرئيسية لهذا النهج هي سرعة البدء. فإذا أردت اختبار فرضية سريعًا أو بناء نموذج أولي أو حل مهمة لا تتوفر لها موارد لدورة ML كاملة، فقد يوفّر نموذج جاهز دون تدريب أسابيع من العمل. ويفيد ذلك خصوصًا حيث تقل البيانات الموسومة، ولا معنى لبناء مسار إعادة تدريب من أجل مهمة واحدة.

أما في الإنتاج الواسع ذي الميزانية الصارمة لكل تنبؤ، فيبدو XGBoost ونظائره على CPU أكثر موثوقية وأقل كلفة في الوقت الراهن. والمخطط المعقول هو: بناء النموذج الأولي على نموذج جدولي تأسيسي، ومقارنة جودته بنموذج التعزيز على البيانات نفسها، ثم تقرير ما إذا كان الدفع مقابل GPU بصورة دائمة مجديًا.

تتيح شيفرة Databricks المفتوحة مقارنة النماذج الخمسة في بيئة اختبار واحدة، دون إعداد البنية التحتية بنفسك. وبالنسبة إلى الفرق التي تعمل أصلًا على Databricks، هذه طريقة سريعة لمعرفة ما إذا كانت الفكرة تؤتي ثمارها على جداولها. وعلى الجميع الآخرين أن يطّلعوا مسبقًا على قيود التراخيص وكلفة التنبؤ قبل إدخال نموذج كهذا في بنيتهم المعمارية.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول كيف يعمل ذلك ببساطة؟

تُسمّى هذه النماذج نماذج جدولية تأسيسية. تُدرَّب مسبقًا على ملايين الجداول الاصطناعية لتتعلم القوانين العامة: كيف ترتبط الأعمدة عادةً ببعضها، وكيف يبدو التشويش والقيم الشاذة. وحين تحضر الشركة جدولها الخاص، لا حاجة إلى أي تدريب إضافي. تمرّر إلى النموذج أمثلة من الصفوف معروفة الإجابات، مثل عملاء سابقين غادروا أو بقوا، فيتكيف معها لحظة التنبؤ نفسها. يشبه ذلك محللًا خبيرًا. فهو لا يبني نموذجًا جديدًا من الصفر، بل يطّلع على حالاتك السابقة ويقيّم الحالة الجديدة فورًا.

ما أبرز التفاصيل حول أين العيب؟

تذكر Databricks نفسها العيوب، وهي جوهرية. الأول هو الكلفة. فالتنبؤ الواحد على GPU أغلى منه مع XGBoost التقليدي على معالج عادي. وإذا كان لديك تدفق من ملايين التنبؤات يوميًا، فسرعان ما يتحول الفارق إلى بند ملحوظ في الفاتورة. الثاني هو الذاكرة. فالنموذج يعيد قراءة عينة التدريب بأكملها مع كل تنبؤ، ولذلك ينمو استهلاك الذاكرة مع عدد الصفوف. أما نموذج التعزيز العادي فالأمر معه مختلف بعد التدريب: النموذج الجاهز خفيف الحجم وسريع. الثالث هو التراخيص. يمكن استخدام TabICLv2 وMitra v2 وKumoTabular تجاريًا.

ما أبرز التفاصيل حول ماذا يفعل الممارسون بهذا؟

الميزة الرئيسية لهذا النهج هي سرعة البدء. فإذا أردت اختبار فرضية سريعًا أو بناء نموذج أولي أو حل مهمة لا تتوفر لها موارد لدورة ML كاملة، فقد يوفّر نموذج جاهز دون تدريب أسابيع من العمل. ويفيد ذلك خصوصًا حيث تقل البيانات الموسومة، ولا معنى لبناء مسار إعادة تدريب من أجل مهمة واحدة. أما في الإنتاج الواسع ذي الميزانية الصارمة لكل تنبؤ، فيبدو XGBoost ونظائره على CPU أكثر موثوقية وأقل كلفة في الوقت الراهن.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…