باختصار
نموذج الأساس للبيانات الجدولية (Tabular Foundation Model، واختصاره TFM) نموذج محوّل (Transformer) متدرّب مسبقًا، بياخد صفوف معروفة التسمية من جدولك كسياق، ويتنبّأ بتسميات صفوف جديدة في تمريرة أمامية واحدة. من غير تدريب على بياناتك، ولا ضبط معاملات.
بالتفصيل
من أوائل الأمثلة TabPFN سنة 2022: محوّل بيعمل تصنيف لجداول صغيرة في أقل من ثانية. الفكرة إنه بيستخدم «التعلّم داخل السياق» (In-Context Learning): بيشوف أمثلة معروفة في المدخل نفسه ويتعلّم منها من غير ما أوزانه تتغيّر. ومتدرّب مرّة واحدة على بيانات اصطناعية مولّدة من «نماذج سببية» عشوائية. وأفادت الورقة إنه تفوّق على الأشجار المعزّزة في مجموعات بيانات صغيرة، وكان قريب من أنظمة AutoML المعقّدة بسرعة أعلى لحد 230 ضعف.
ومن الأحدث نماذج Kumo Tabular من NVIDIA، اللي بتتراوح من 28 لـ215 مليون معامل، ومتدرّبة كلّها على جداول اصطناعية فيها أنماط فوضوية زي القيم المفقودة والصفوف المكرّرة المتعارضة، بسياق يوصل لـ60 ألف صف. وبتطلّع للانحدار قيم مئينية متعدّدة، يعني تنبّؤ ومعاه تقدير لعدم اليقين.
ليه ده مهم؟ لأن أغلب بيانات الشركات جداول، والحلّ المعتاد كان نماذج زي الأشجار المعزّزة محتاجة تدريب وضبط وهندسة ميزات لكل مشكلة.
مثال عملي
عندك جدول فيه 5,000 عميل سابق، مع أعمارهم ومدّة اشتراكهم وعدد الشكاوى، وعمود «هل ألغى الاشتراك؟». بتدّي النموذج الجدول ده كسياق، ومعاه 200 عميل حالي من غير العمود الأخير. في ثواني بيرجّع احتمال الإلغاء لكل عميل، من غير ما تكتب سطر تدريب.
مصطلحات مرتبطة
- Tabular Data — البيانات الجدولية.
- In-Context Learning — التعلّم داخل السياق.
- Synthetic Data — البيانات الاصطناعية.
المصادر: arXiv — TabPFN، MarkTechPost — Kumo Tabular — 2022-07-05, 2026-10-01
