تخيل أنك تحاول حل لغز ما، لكن الأدلة التي أُعطيت لك عبارة عن فوضى عارمة. بعضها مكتوب بشفرة سرية، وبعضها الآخر مكتوب على ملاحظات لاصقة، والبعض الآخر مجرد حبر باهت. لديك محقق بارع (برنامج كمبيوتر) مستعد لحل القضية، ولكن في كل مرة تطرح فيها سؤالاً جديداً، يضطر المحقق للتوقف، وتنظيف الأدلة، وترجمة الشفرات، وإعادة تنظيم الملاحظات اللاصقة قبل أن يتمكن حتى من البدالبدء في التفكير. إنه أمر مرهق، وبطيء، وعرضة للأخطاء. هذا هو الصراع اليومي لـ "الإجابة على الأسئلة باستخدام الجداول" (Table Question Answering) في عالم الذكاء الاصطناعي. بدأت الحواسيب تصبح أكثر ذكاءً في القراءة والاستنتاج، لكنها غالباً ما تتعثر بسبب البيانات الفوضوية—جداول تبدو فيها التواريخ كنصوص، أو أرقام مختلطة بعملات مختلفة، أو علاقات مهمة مخفية في طريقة رسم الجدول. السؤال الكبير الذي يطرحه الباحثون هو: هل نقوم بتنظيف الفوضى في كل مرة نطرح فيها سؤالاً، أم ننظفها مرة واحدة وإلى الأبد، لكي يبدأ المحقق في العمل مباشرة؟

هنا يأتي دور QUIETT، وهو نهج جديد يقول: "لننظف المطبخ قبل أن نبدأ في الطهي". بدلاً من الانتظار لوصول سؤال محدد ثم التدافع لإصلاح الجدول، يعمل QUIETT مثل رئيس طهاة ماهر يأخذ كومة فوضوية من المكونات الخام ويحولها إلى محطة منظمة ومعدة للطهي تماماً قبل أن يطلب أي شخص وجبة. وجد الباحثون أنه من خلال القيام بهذا العمل المتمثل في "التحويل أولاً"، أصبح نظامهم أفضل بكثير في الإجابة على الأسئلة، حتى عندما كانت الأسئلة جديدة تماماً والجداول فوضوية للغاية. لقد اختبروا ذلك على أربعة مجموعات مختلفة من التحديات وخمسة أنواع من أدمغة الذكاء الاصطناعي، وكانت النتائج متسقة: الجدول النظيف والمنظم يساعد الذكاء الاصطناعي على التفكير بشكل أفضل، بغض النظر عن مدى ذكاء الذكاء الاصطناعي بالفعل.

المشكلة: معضلة "الجدول الفوضوي"

فكر في جدول حقيقي (مثل جدول بيانات من موقع إلكتروني أو قاعدة بيانات) كصندوق من قطع "ليغو" (LEGO) ملقى على الأرض. بعض القطع لها اللون الصحيح، لكن البعض الآخر مطلي بطريقة غريبة. بعض التعليمات مكتوبة بالإنجليزية، والبعض الآخر بالفرنسية، والبعض الآخر مجرد صور. إذا كنت تريد بناء قلعة محددة (الإجابة على سؤال)، فعادة ما تضطر إلى التوقف، وفرز القطع، ومعرفة أي منها يتناسب مع الآخر.

تتبع طرق الذكاء الاصطناعي الحالية هذا الفرز أثناء محاولتها بناء القلعة. في كل مرة تطرح فيها سؤالاً جديداً، يضطر الذكاء الاصطناعي إلى إعادة فرز قطع "الليغو". إذا سألت: "من فاز في المباراة؟"، فإنه يفرز النتائج. وإذا سألت: "كم استغرقت المباراة؟"، فعليه إعادة فرز التواريخ. هذا بطيء، ويعني أن الذكاء الاصطناعي قد يرتبك إذا تم تنظيم قطع "الليغو" بشكل مختلف لكل سؤال. الأمر يشبه محاولة قراءة كتاب تُقلب صفحاته بترتيب مختلف في كل مرة تقلب فيها الصفحة.

الحل: سحر "المرة الواحدة والمنتهية" الخاص بـ QUIETT

قدم مؤلفو هذه الورقة، غوراف ناجباندي وفريقه من جامعة ولاية أريزونا، نظام QUIETT (التحويل المستقل عن الاستعلام - Query-Independent Table Transformation). الاسم قد يكون صعب النطق، لكن الفكرة بسيطة: التحويل أولاً، ثم الاستعلام لاحقاً.

تخيل أن لديك غرفة فوضوية. بدلاً من الانتظار حتى يسأل ضيف: "أين حذائي؟" ثم البحث بجنون في الغرفة بأكملها، تقرر ترتيب الغرفة مرة واحدة قبل وصول الضيف. تضع الأحذية في الخزانة، والكتب على الرف، والملابس في سلة الغسيل. الآن، بغض النظر عما يطلبه الضيف، الغرفة منظمة بالفعل، ويمكنك العثور على أي شيء فوراً.

يفعل QUIETT الشيء نفسه لجداول الكمبيوتر. يأخذ جدولاً خاماً وفوضوياً ويحوله إلى نسخة واحدة نظيفة "جاهزة للغة SQL" (التنسيق الذي تحبه الحواسيب) قبل أن يرى أي سؤال. وهو يتبع ثلاث قواعد صارمة:

1. عدم التلصص: لا يعرف ما هي الأسções التي ستُطرح لاحقاً. عليه أن يخمن ما قد يكون مطلوباً بناءً على الجدول نفسه.
2. لا شيء يُفقد: يعيد ترتيب المعلومات لكنه لا يرمي شيئاً.
3. نسخة واحدة: يصنع نسخة واحدة مثالية من الجدول ويستخدم نفس النسخة لكل سؤال.

كيف يعمل: خط الإنتاج المكون من ثلاث مراحل

لا يخمن QUIETT فحسب؛ بل يستخدم عملية ذكية من ثلاث خطوات لتحديد كيفية تنظيف الجدول:

1. اختبار "ما الخطأ؟" (استقصاء المشكلات):
   أولاً، يعمل QUIETT كطفل فضولي ينكز الجدول بعصا. يقوم بتوليد مجموعة من الأسئلة الاصطناعية الزائفة فقط ليرى أين يتعطل الجدول. على سبيل المثال، قد يسأل: "ما هو متوسط التاريخ؟". إذا كان الجدول يحتوي على تواريخ مكتوبة بصيغة "4 مارس 1789" و"1791-03-04" مختلطة معاً، فسيدرك الذكاء الاصطناعي: "أوه لا، لا يمكنني حساب المتوسط بهذه التنسيقات المختلطة!". هذه الخطوة تكشف جميع المشكلات المخفية، مثل التواريخ غير المتسقة، أو الرموز الغريبة، أو العلاقات المخفية.

2. المخطط الرئيسي (توليد الخطة):
   بمجرد العثور على المشكلات، يكتب QUIETT وصفة خطوة بخطوة لإصلاحها. هو لا يخمن فحسب؛ بل ينشئ خطة مهيكلة. رب الله يحتاج إلى تقسيم عمود يحتوي على "الاسم الأول" و"اسم العائلة" ملتصقين معاً، أو ربما يحتاج إلى تحويل جميع رموز العملات إلى دولارات. هذه الخطة تشبه مخططاً لعملية تجديد.

3. البناء (التنفيذ المهيكل):
   أخيراً، يتبع QUIETT المخطط لبناء الجدول الجديد والنظيف. يستخدم الأكواد للقيام بالعمل فعلياً، مما يضمن أن الجدول الجديد مثالي ويتبع القواعد. إذا فشلت خطوة ما، فإنه يحاول مرة أخرى أو يحافظ على البيانات الأصلية آمنة لضمان عدم فقدان أي شيء.

النتائج: لماذا هذا مهم؟

اختبر الباحثون هذه الفكرة على أربع مجموعات مختلفة من البيانات (المعايير) باستخدام خمسة أنواع مختلفة من نماذج الذكاء الاصطناعي. كانت النتائج مبهرة.

• نتائج أفضل: عبر جميع المجالات، حسن QUIETT قدرة الذكاء الاصطناعي على الإجابة على الأسئلة. في المتوسط، رفع الدقة بمقدار 3 إلى 6 نقاط مئوية ودرجة "F1 score" (وهي مقياس لمدى مطابقة الإجابة للحقيقة) بمقدار 4 إلى 8 نقاط. قد يبدو هذا صغيراً، ولكن في عالم الذكاء الاصطناعي، هذه قفزة هائلة.
• يعمل للجميع: لم يهم إذا كان نموذج الذكاء الاصطناعي ضخماً وباهظ الثمن أو نموذجاً أصغر مفتوح المصدر؛ فقد ساعد الجدول النظيف الجميع.
• اختبار "الوضع الصعب": قام الفريق حتى بإنشاء "مجموعة تحدي" خاصة تحتوي على 2,500 سؤال صعب مصمم لكسر الذكاء الاصطناعي القياسي. في هذه الأسئلة الصعبة وغير المرئية، تفوق QUIETT على الطرق الأخرى بفارق كبير (5-8 نقاط). وهذا يشير إلى أن الهيكل الفوضوي لجداول العالم الحقيقي هو عائق رئيسي، وأن تنظيفها هو المفتاح لتحسين القدرة على الاستنتاج.

ما ليس عليه (وأين يفشل)

من المهم معرفة ما لا يفعله QUIETT. إنه ليس عصا سحرية تصلح كل شيء.

• ليس مثالياً: تعترف الورقة بأن النظام جعل الأمور أسوأ قليلاً في حوالي 7% إلى 9% من الجداول. يحدث هذا عادةً عندما تحتوي الجداول على خلايا "مكدسة" (مثل خلية واحدة تقول "جون، جين، وبوب") والتي يصعب تقسيمها بوضوح دون فقدان السياق.
• ليس لكل شيء: يعمل على الجداول المهيكلة (الصفوف والأعمدة). إنه لا يتعامل مع الجداول التي تختلط فيها فقرات نصية طويلة أو صور.
• يحتاج إلى مساعد ذكي: الجزء الذي يحدد ما هو الخطأ (استقصاء المشكلات) لا يزال بحاجة إلى نموذج ذكاء اصطناعي قادر للقيام بالتفكير.

الخلاصة الكبرى

الجزء الأكثر إثارة في هذه الورقة هو التحول في المنظور. لفترة طويلة، اعتقد الباحثون أن المفتاح لتحسين الذكاء الاصطناعي هو فقط جعل "المحقق" (نموذج الاستنتاج) أكثر ذكاءً. لكن هذه الورقة تقترح أنه في بعض الأحيان يكون المحقق ذكياً بما يكفي بالفعل؛ المشكلة تكمكم في مسرح الجريمة الفوضوي.

من خلال استثمار الوقت لتنظيف وتنظيم البيانات مرة واحدة قبل طرح أي أسئلة، يمكننا جعل أنظمة الذكاء الاصطناعي أكثر موثوقية ودقة بشكل كبير. إنه تذكير بأنه في عالم البيانات، القليل من التحضير يقطع شوطاً طويلاً. وكما يقترح المؤلفون، فإن نهج "التحويل أولاً" هذا يمكن أن يكون الأساس لعصر جديد من الاستنتاج في الجداول، حيث نتوقف عن التدافع لإصلاح البيانات ونبدأ في التركيز على حل اللغز.