🤖 machine learning

DataMaster: Towards Autonomous Data Engineering for Machine Learning

تقدم الورقة البحثية DataMaster، وهو إطار عمل لوكيل مستقل يعزز أداء تعلم الآلة من خلال تحسين مهام هندسة البيانات — مثل الاكتشاف، والاختيار، والتحويل — عبر بحث ذي بنية شجرية مع أحواض بيانات مشتركة وذاكرة تراكمية، محققاً تحسينات ملحوظة في اختبارات MLE-Bench Lite وPostTrainBench دون تعديل خوارزميات التعلم الأساسية.

المؤلفون الأصليون: Yaxin Du, Xiyuan Yang, Zhifan Zhou, Wanxu Liu, Zixing Lei, Zimeng Chen, Fenyi Liu, Haotian Wu, Yuzhu Cai, Zexi Liu, Xinyu Zhu, WenHao Wang, Linfeng Zhang, Chen Qian, Siheng Chen

نُشر 2026-05-12

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Yaxin Du, Xiyuan Yang, Zhifan Zhou, Wanxu Liu, Zixing Lei, Zimeng Chen, Fenyi Liu, Haotian Wu, Yuzhu Cai, Zexi Liu, Xinyu Zhu, WenHao Wang, Linfeng Zhang, Chen Qian, Siheng Chen

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول خبز أفضل كعكة شوكولاتة في العالم. في الماضي، كان السر وراء كعكة أفضل هو اختراع فرن جديد، أو مخفقة ثورية، أو خوارزمية خبز معقدة وجديدة. ولكن مؤخرًا، أصبحت جميع الأفران والمخفقات متشابهة تمامًا. السر الحقيقي للفوز بمسابقة الخبز ليس في الأداة التي تستخدمها؛ بل في المكونات.

إذا كنت تريد كعكة أفضل، فأنت بحاجة إلى العثين على أفضل حبوب الكاكاو، وأطزج البيض، والمزيج المثالي من السكر. لكن العثور على هذه المكونات وتحضيرها عمل شاق. عادةً، يتعين على الخباز الذهاب إلى السوق، وتخمين أي الحبوب جيدة، وغسلها، وتقطيعها، والأمل في الحصول على أفضل نتيجة. إذا فشلت الكعكة، فعليه البدء من جديد، وغالبًا ما ينسى ما الذي سار بشكل خاطئ في المرة الماضية.

DataMaster هو "مساعد ذكي" جديد مصمم للقيام بهذا بالضبط من أجل الذكاء الاصطناعي (AI). فبدلاً من محاولة بناء عقل ذكاء اصطناعي أفضل (الوصفة)، يركز DataMaster بالكامل على إيجاد وتحضير أفضل البيانات (المكونات) لتغذية ذلك العقل.

إليك كيف يعمل، مقسمًا إلى أجزاء بسيطة:

1. المشكلة: "رحلة البحث عن المكونات"

في الوقت الحالي، غالبًا ما يعامل مهندسو الذكاء الاصطناعي البيانات وكأنها صندوق ثابت من المكونات يُقدم لهم. يحاولون تعديل الوصفة (الكود) لجعلها تعمل. لكن الورقة البحثية تجادل بأن الاختراق الحقيقي يحدث عندما تذهب للبحث عن مكونات أفضل.

التحدي: الإنترنت مليء بالبيانات المحتملة، لكنها فوضوية. بعضها سيء، وبعضها غير قانوني للاستخدام، وبعضها لا يناسب الوصفة.
الطريقة القديمة: يبحث إنسان (أو بوت بسيط) عن البيانات، ويحاول استخدامها، ويرى ما إذا كان الذكاء الاصطناعي قد تحسن، وإذا فشل، ينسى ما حدث ويجرب شيئًا آخر. الأمر يشبه محاولة خبز كعكة عبر تذوق لقمة واحدة، ثم رمي الشيء بأكمله، والبدء من الصفر في كل مرة.

2. الحل: مطبخ "DataMaster"

DataMaster هو عميل مستقل (روبوت طاهٍ ذكي) يعامل البيانات باعتبارها الشيء الأساسي الذي يجب تحسينه، وليس الكود. وهو يستخدم ثلاث أدوات رئيسية للقيام بذلك:

أ. شجرة البيانات (DataTree) (خريطة القرار)

تخيل شجرة حيث يمثل كل فرع منها طريقة مختلفة لتحضير مكوناتك.

الأغصان الحمراء (الاستكشاف - Exploration): تخرج هذه الأغصان إلى "السوق" (الإنترنت) للعثور على مكونات خام جديدة (مجموعات بيانات خارجية). هي لا تطبخ بعد؛ بل تجمع فقط المرشحين المحتملين.
الأغصان السوداء (الاستغلال - Exploitation): تأخذ هذه الأغصان المكونات التي تم جمعها وتقوم بطبخها بالفعل. فهي تنظف البيانات، وتمزجها، وتغذي بها الذكاء الاصطناعي لترى ما إذا كان طعم الكعكة سيصبح أفضل.
لماذا شجرة؟ إذا فشل أحد أغصان الشجرة (طريقة واحدة لخلط البيانات)، فإن الروبوت لا يستسلم، بل يجرب غصنًا آخر. إنه يبقي جميع الأغصان حية حتى يمكنه مقارنتها لاحقًا.

ب. مجمع البيانات (Data Pool) (المخزن المشترك)

عندما يجد غصن أحمر مكونًا جديدًا رائعًا (مجموعة بيانات)، فإنه لا يستخدمه مرة واحدة ثم يرميه. بل يضعه في مخزن مشترك.

يمكن لأي غصن آخر في الشجرة أن يتوجه إلى المخزن، ويأخذ ذلك المكون، ويجرب استخدامه بطريقة مختلفة. وهذا يعني أن الروبوت لا يضيع الوقت في البحث عن نفس المكون الجيد مرتين.

ج. الذاكرة العالمية (Global Memory) (دفتر الوصفات)

هذه هي ذاكرته طويلة المدى. هو يتذكر:

"لقد جربنا خلط الشوكولاتة مع الملح، وفشل الأمر."
"وجدنا مصدرًا رائعًا لحبوب الفانيليا يوم الثلاثاء."
"طريقة التنظيف المحددة هذه حققت نتائج مذهلة في الكعكة الأخيرة."
لماذا هذا مهم؟ بدون ذلك، سيكرر الروبوت أخطاءه. بوجود هذه الذاكرة، يتعلم الروبوت من كل محاولة، حتى لو كانت تلك المحاولة قد حدثت في غصن مختلف من الشجرة.

3. كيف يلعب اللعبة

يمتلك الروبوت قدرًا محدودًا من الوقت والمال (ميزانية). لا يمكنه تجربة كل تركيبة ممكنة من المكونات.

يستخدم استراتيجية ذكية (مثل لعبة الشطرنج) ليقرر أي غصن سيستكشفه بعد ذلك.
إذا أظهر أحد الأغصان بوادر واعدة (الكعكة طعمها جيد)، فإنه يقضي المزيد من الوقت هناك.
إذا بدا أحد الأغصان ميتًا، فإنه يقطعه ويجرب اتجاهًا جديدًا.
يقوم باستمرار بفحص "اختبار التذوق" (نتائج التدريب اللاحقة) ليرى ما إذا كانت المكونات الجديدة قد جعلت الذكاء الاصطناعي أكثر ذكاءً بالفعل.

4. النتائج: هل كان طعم الكعكة أفضل؟

اختبر المؤلفون DataMaster في "مطبخين" مختلفين تمامًا:

مطبخ "Kaggle" (MLE-Bench Lite): هذه مسابقة طبخ قياسية حيث يتم توفير المكونات بالفعل، ولكن يمكنك إضافة المزيد أو تنظيفها.
- النتيجة: نجح DataMaster في تحسين "معدل الميداليات" (الفوز في المسابقة) بنسبة 32% مقارنة بالبدء بالمكونات الأساسية فقط. لقد وجد أن تنظيف وخلط البيانات بشكل أفضل كان هو المفتاح للفوز.
مطبخ "اللوحة البيضاء" (PostTrainBench): هذا النوع أصعب. يُعطى الروبوت نموذج ذكاء اصطناعي خام بدون أي مكونات. عليه أن يخرج، ويجد البيانات من الصفر، ويعلم النموذج كيفية القيام بأشياء مثل حل المسائل الرياضية أو كتابة الكود.
- النتيجة: أخذ DataMaster نموذج ذكاء اصطناعي أساسي، ومن خلال إيجاد وتنسيق البيانات المناسبة، جعله يتفوق في الأداء على نموذج تم تدريبه بواسطة خبير بشري في اختبار علمي محدد (GPQA). لقد انتقل من درجة متوسطة بلغت 8% إلى أكثر من 31%.

الخلاصة الكبرى

لفترة طويلة، كان التقدم في الذكاء الاصطناعي يتعلق ببناء عقول أكبر وأذكى (النماذج). تقول هذه الورقة البحثية: "توقفوا عن بناء عقول أكبر؛ ابدأوا بتغذيتها بطعام أفضل."

يثبت DataMaster أنه إذا كان لديك عميل مستقل يمكنه البحث عن البيانات وتنسيقها وخلطها بشكل منهجي مع تذكر ما نجح في الماضي، فيمكنه جعل نموذج ذكاء اصطناعي ثابت أكثر ذكاءً بشكل كبير دون تغيير سطر واحد من الكود الخاص به. إنه يحول هندسة البيانات من مهمة يدوية فوضوية إلى عملية بحث ذكية ومنظمة.

ملخص تقني: DataMaster: نحو هندسة بيانات ذاتية القيادة لتعلم الآلة

1. صياغة المشكلة

تتناول الورقة البحثية تحولاً في مشهد تعلم الآلة (ML)، حيث أصبحت التحسينات في بنيات النماذج، ووصفات التدريب، وموارد الحوسبة أكثر معيارية. وبناءً على ذلك، أصبحت مكاسب الأداء تعتمد بشكل متزايد على جودة البيانات، واختيارها، وتكوينها. ومع ذلك، لا تزال أنظمة تعلم الآلة ذاتية القيادة الحالية تظل في الغالب مركزة على النموذج (model-centric)، حيث تتعامل مع البيانات كمدخل ثابت أو بُعد إجرائي مساعد بدلاً من كونها الكائن الأساسي للتحسين.

يصيغ المؤلفون هندسة البيانات ذاتية القيادة المشروطة بالمهمة (task-conditioned autonomous data engineering) كمسألة بحثية جديدة. في هذا الإطار:

المدخلات: مهمة نهائية $T$ ، خوارزمية تعلم ثابتة $a_0$ ، حالة بيانات أولية قابلة للتنفيذ $D_0$ ، وميزانية موارد $B$ .
القيد: تظل خوارزمية التعلم $a_0$ دون تغيير.
الهدف: يجب على وكيل ذاتي القيادة تعظيم الأداء النهائي $E(T, a_0, D)$ من خلال العمل حصرياً على حالة البيانات $D$ .
التحديات: المشكلة ذات عالم مفتوح (مصادر البيانات المفيدة مبعثرة عبر الويب بجودة وتراخيص غير معروفة) وأفق طويل (قيمة قرار البيانات لا يمكن التحقق منها إلا بعد التدريب والتقييم النهائي). يجب على الوكيل اكتشاف البيانات، وتنظيفها، وتكييفها، ودمجها مع تجنب الفشل المتكرر والاستفادة من المعرفة التراكمية.

2. المنهجية: إطار عمل DataMaster

DataMaster هو إطار عمل لوكيل بيانات مدعوم بالذاكرة، مصمم للتنقل في فضاء البحث المفتوح لهندسة البيانات. يقوم بتوحيد اكتشاف البيانات الخارجي، وتكرير البيانات القابل للتنفيذ، والذاكرة التراكمية تحت حلقة تغذية راجعة للتدريب النهائي. يتكون إطار العمل من ثلاثة مكونات أساسية:

أ. شجرة البيانات (DataTree - البحث المهيكل)

تنظم DataTree عملية البحث عبر حالات البيانات القابلة للتنفيذ كبنية شجرية $T = (V, E)$ ، حيث تمثل العقد خطوات هندسة البيانات وتمثل الحواف وراثة السياق. وهي تستخدم نوعين متكاملين من العقد:

العقد الحمراء (استكشاف البيانات): تقوم هذه العقد بإجراء بحث خارجي مفتوح لاكتشاف مجموعات بيانات جديدة. وهي تولد استعلامات بحث بناءً على وصف المهمة وحالات الفشل، وتفحص المصادر من حيث الصلة والقابلية للاستخدام، وتخرج مجموعة من مدخلات مجموعات البيانات الجديدة $\Delta P_v$ لإضافتها إلى مجمع بيانات (Data Pool) مشترك.
العقد السوداء (استغلال البيانات): تستفيد هذه العقد من مجمع البيانات لتحسين خط أنابيب التدريب الحالي. فهي تختار المصادر، وتطبق قواعد التنظيف/التحويل، وتبني الميزات، وتكيف المدخلات لتناسب الخوارزمية الثابتة. وتقوم بتجسيد هذه القرارات في DataLoader قابل للتنفيذ وترسله للتدريب النهائي للحصول على درجة أداء $y_v$ .

ب. مجمع البيانات المشترك (Shared Data Pool)

يعمل هذا المكون كمستودع عالمي لمجموعات البيانات الخارجية المرشحة التي اكتشفتها العقد الحمراء. وهو يخزن ملفات تعريف تحتوي على مؤشرات المصدر، وملخصات المخططات (schema)، وملاحظات الفحص. تقرأ العقد السوداء من هذا المجمع لاختيار وتكوين البيانات، مما يضمن أن الاكتشافات التي تمت في فرع واحد يمكن إعادة استخدامها في الفروع الأخرى، مما يمنع جهود البحث المتكررة.

ج. الذاكرة العالمية (Global Memory)

تعمل الذاكرة العالمية كطبقة سجل مستمرة لعملية البحث. وهي تخزن سجلات على مستوى العقدة $r_v$ تحتوي على:

النتائج: درجات الأداء والتشخيصات.
المنتجات (Artifacts): تاريخ المعالجة القابل لإعادة الاستخدام وطرق التنظيف.
النتائج المستخلصة: التلميحات المفيدة وأنماط الفشل.
يسمح هذا للوكيل باسترجاع السياق من العقد الأب والعقد الشقيقة، مما يتيح التعلم عبر الفروع (على سبيل المثال، تجنب التحويلات الفاشلة أو إعادة استخدام المهايئات الناجحة).

د. نمو الشجرة والجدولة

لإدارة ميزانيات الحوسبة المحدودة، يستخدم DataMaster ما يلي:

سياسة النمو: آلية ديناميكية حيث تتبع العقدة الحمراء مجموعة من العقد السوداء لاختبار فائدة البيانات المكتشفة حديثاً. يقرر النظام ما إذا كان سيتعمق في الفرع (مزيد من التكرير) أو يتوسع (اكتشاف جديد) بناءً على التغذية الراجعة للتدريب.
سياسة الجدولة: مجدول جشع يعتمد على قاعدة الحد الأعلى للثقة (UCB). يقوم باختيار العقدة التالية للتنفيذ من خلال الموازنة بين المكافأة التراكمية للفرع والحاجة إلى استكشاف الاتجاهات غير المزورة كفاية، مما يضمن تخصيصاً فعالاً لميزانية التقييم.

3. المساهمات الرئيسية

صياغة المشكلة: تحدد الورقة هندسة البيانات ذاتية القيادة المشروطة بالمهمة كمسألة من الدرجة الأولى حيث تكون حالة البيانات، وليس كود النموذج، هي الهدف الأساسي للتحسين.
تصميم إطار العمل: تقدم DataMaster، وهو إطار عمل مبتكر يدمج DataTree للبحث المتفرع، وData Pool للمصادر الخارجية المشتركة، وGlobal Memory للاستخدام التراكمي عبر التكرارات.
التحقق التجريبي: قيم المؤلفون DataMaster على اختبارين متكاملين، مما أظهر أن التكرار المهيكل من جانب البيانات يمكن أن يحسن بشكل كبير الحلول القوية الأولية في كل من هندسة تعلم الآلة الكلاسيكية وتدريب LLM اللاحق (post-training).

4. النتائج التجريبية

قيم المؤلفون DataMaster على MLE-Bench Lite (22 مسابقة Kaggle) و PostTrainBench (7 قدرات تدريب LLM لاحق).

MLE-Bench Lite:
- حسن DataMaster معدل الميدالية (Medal Rate) بنسبة 32.27% عن النتيجة الأولية (ليصل إلى 68.18% مقابل 35.91%).
- حقق معدل الميدالية الذهبية (Gold Medal Rate) بنسبة 45.45%، متفوقاً على أقوى خط أساس (DatasetResearch) بمقدار 9.09 نقطة مئوية في معدل الميدالية.
- أكدت دراسات الاستئصال (Ablation studies) أن إزالة الذاكرة العالمية تسببت في انهيار الأداء (انخفض معدل الميدالية الذهبية من 80% إلى 20%)، مما يسلط الض الضوء على ضرورة الذاكرة التراكمية.
PostTrainBench:
- رفع DataMaster متوسط الدرجة من 8.47% (النموذج الأساسي) إلى 31.17%.
- تفوق على جميع خطوط الأساس، بما في ذلك Codex (18.46%) و DataFlex (19.09%).
- بشكل ملحوظ، في اختبار GPQA (الأسئلة العلمية لمستوى الدراسات العليا)، تجاوز DataMaster نموذج التعليمات الخاص بالخبراء البشر (31.02% مقابل 30.35%).
المتانة والتحجيم:
- أظهر النظام مكاسب متسقة عبر نماذج LLM مختلفة (GLM-5, Claude-4.6, Qwen3.5)، رغم أن GPT-5.4 كان أداؤه ضعيفاً بسبب عدم كفاية استخدام الأدوات.
- أظهرت تجارب تحجيم وقت الاختبار (test-time scaling) أن زيادة ميزانية البحث أدت إلى تحسينات مستمرة في الأداء، حيث تجاوزت العقدة النهائية المرجع الخاص بنموذج التعليمات.

5. الأهمية والادعاءات

تدعي الورقة أن هندسة البيانات ذاتية القيادة هي رافعة حيوية وقوية لتحسين أنظمة تعلم الآلة، وهي متميزة عن وتحسين لعمليات تحسين مركزة على النموذج.

تحول النموذج: تجادل الورقة بأنه مع تزايد معيارية تطوير النماذج، فإن "الرافعة الرئيسية المتبقية" لتحقيق مكاسب الأداء هي البيانات. لذلك، يجب أن تتجاوز الأنظمة الوكيلية (agentic systems) تحسين كود النموذج إلى تحسين حالة البيانات.
البحث المهيكل: تثبت الورقة أن معامل هندسة البيانات كعملية بحث مهيكلة قائمة على الشجرة مع ذاكرة تراكمية هو أفضل من عمليات البيانات المعزولة أو استرداد مجموعات البيانات البسيطة.
القدرة على التعميم: تشير النتائج إلى أن هذا النهج فعال عبر مجالات متنوعة، من مسابقات تعلم الآلة الجدولية إلى تدريب LLM اللاحق المعقد، ويمكنه حتى مضاهاة أو تجاوز خطوط أنابيب البيانات التي أعدها الخبراء في قدرات محددة.

يخلص المؤلفون إلى أن أنظمة تعلم الآلة ذاتية القيادة في المستقبل يجب أن تولي اهتماماً أكبر لدورة حياة البيانات الكاملة: الاكتشاف، الاختيار، التحويل، التحقق، وإعادة الاستخدام.