🤖 AI

ProfiliTable: Profiling-Driven Tabular Data Processing via Agentic Workflows

يُعد ProfiliTable إطار عمل متعدد الوكلاء ذاتي التشغيل يستفيد من التوصيف الديناميكي، وتوليد الكود المعزز بالمعرفة، والتغذية الراجعة ذات الحلقة المغلقة لتحويل نوايا المستخدم الغامضة بشكل موثوق إلى مسارات معالجة بيانات جدولية قوية ومتوافقة مع معايير الحوكمة، متفوقاً بذلك على النماذج المرجعية الحالية في السيناريوهات المعقدة متعددة الخطوات.

المؤلفون الأصليون: Wei Liu, Yang Gu, Xi Yan, Zihan Nan, Beicheng Xu, Keyao Ding, Bin Cui, Wentao Zhang

نُشر 2026-05-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Wei Liu, Yang Gu, Xi Yan, Zihan Nan, Beicheng Xu, Keyao Ding, Bin Cui, Wentao Zhang

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 أن لديك جدول بيانات ضخمًا وفوضويًا مليئًا ببيانات من العالم الحقيقي. ربما تكون سجلات مبيعات بها أسعار مفقودة، أو قوائم عملاء بتنسيقات تواريخ غير متسقة، أو سجلات مخزون حيث تعني كلمة "NA" شيئًا مختلفًا في كل عمود. يعطيك مديرك تعليمات غامضة: "أصلح عمود العملة وتأكد من أن التواريخ كلها ذات تنسيق قياسي."

إذا طلبت من ذكاء اصطناعي قياسي (مثل نموذج لغوي كبير أساسي) القيام بذلك، فقد يكتب كودًا يبدو مثاليًا على الورق ولكنه يفشل في الواقع. قد يخمن أن "العملة" تعني الدولار، بينما البيانات في الواقع تستخدم اليورو أو الين أو حتى ملاحظات مكتوبة بخط اليد. الأمر يشبه طباخًا يحاول طهي وصفة دون تذوق المكونات أولاً.

ProfiliTable هو نظام جديد صُمم لحل هذه المشكلة. فبدلاً من مجرد التخمين، يعمل كفريق من خبراء استقصاء البيانات الذين يعملون معًا لفهم البيانات قبل محاولة إصلاحها.

إليك كيف يعمل، باستخدام تشبيهات بسيطة:

١. المشكلة: "الرسام الأعمى"

تحاول أدوات الذكاء الاصطناعي الحالية غالبًا رسم لوحة (كتابة الكود) دون النظر إلى اللوحة (البيانات الفعلية). إنها تعتمد على قواعد عامة. إذا قلت لها "وحد العملة"، فقد تكتب مجرد نص برمجي (script) عام. إذا كانت البيانات تحتوي على رموز غريبة أو قيم غير متوقعة، فإن النص البرمجي سيتعطل أو ينتج نتائج غير منطقية. إنهم "عميان" عن الخصائص الفريدة لبياناتك.

٢. الحل: فريق من الوكلاء المتخصصين

لا يستخدم ProfiliTable عقلًا واحدًا كبيرًا؛ بل يستخدم فريقًا من الوكلاء المتخصصين الذين يتحدثون مع بعضهم البعض في حلقة مستمرة. فكر في الأمر كطاقم بناء حيث لكل فرد وظيفة محددة:

المفسر (مدير المشروع):
هذا الوكيل يستمع إلى تعليماتك الغامضة ("أصلح العملة") ويحدد بالضبط ما يجب القيام به. إنه يقرر ما إذا كانت هذه مهمة بسيطة من خطوة واحدة أم مشروعًا معقدًا متعدد الخطوات.
المحلل (المحقق):
هذا هو الجزء الجديد والأهم. قبل كتابة أي كود، يقوم المحلل بالدخول إلى مستودع البيانات ويبدأ في التحقيق. هو لا ينظر فقط إلى أسماء الأعمدة؛ بل يقوم فعليًا بأخذ عينات من البيانات.
- تشبيه: إذا قلت للمحلل "أصلح العملة"، فهو لا يخمن. بل يخرج عدسة مكبرة، وينظر إلى القيم الفعلية، ويقول: "آه، أرى 'USD'، و'€'، و'Yen' مختلطة مع بعض الأخطاء الإملائية مثل 'dollars'". إنه يبني خريطة تفصيلية لما تبدو عليه بياناتك حقًا.
المولد (البنّاء):
الآن بعد أن عرف البنّاء بالضبط كيف تبدو البيانات (بفضل المحلل) وأصبح لديه مكتبة من الأدوات المختبرة مسبقًا (مثل صندوق أدوات يحتوي على نصوص برمجية محددة لـ "إصلاح العملة" أو "إصلاح التواريخ")، فإنه يكتب الكود. ولأن لديه الخريطة، فهو لا يخمن؛ بل يبني حلاً مصممًا خصيصًا للفوضى التي وجدها.
المقيم والملخص (المفتشون):
بمجرد تشغيل الكود، يقوم هؤلاء الوكلاء بفحص النتيجة. هل أصلحت المشكلة حقًا؟
- تشبيه: إذا ترك الكود بعض رموز "€" خلفه، فإن الملخص لا يكتفي بقول "خطأ". بل يحقق في سبب الخطأ ويخبر البنّاء: "لقد فاتك رموز اليورو لأنك لم تفحص الصفحة الثانية من الملف".
الحلقة (دورة التحسين):
إذا وجد المفتش خطأً، فإن الفريق لا يستسلم. بل يعيدون تلك الملاحظات إلى المحلل والبنّاء. يعود المحلل للتحقيق في الجزء المحدد الذي فشل، ويحاول البنّاء مرة أخرى بمعلومات أفضل. يحدث هذا حتى تصبح البيانات نظيفة.

٣. لماذا هو أفضل؟

يزعم البحث أن نهج "التحليل الديناميكي" (Dynamic Profiling) هذا يغير قواعد اللعبة لثلاثة أسباب:

١. إنه يتوقف عن التخمين: من خلال استكشاف البيانات بنشاط أولاً، يتجنب النظام الأكواد التي تكون "صحيحة بنيويًا ولكنها خاطئة دلاليًا" والتي تعاني منها أدوات الذكاء الاصطناعي الأخرى.
٢. إنه يتعامل مع التعقيد: تتطلب مشكلات بيانات العالم الحقيقي غالبًا خطوات عديدة (تنظيف، ثم فرز، ثم دمج). يقوم ProfiliTable بتفكيك هذه المشكلات الكبيرة إلى مهام صغيرة يمكن إدارتها، وحلها واحدة تلو الأخرى.
٣. إنه موثوق: في اختباراتهم، كان ProfiliTable هو النظام الوحيد الذي نجح في تشغيل الكود لـ ١٠٠٪ من المهام، حتى المهام الصعبة جدًا. أما الأنظمة الأخرى فغالبًا ما كانت تتعطل أو تنتج كودًا لا يمكن تشغيله على الإطلاق.

الخلاصة

يغير ProfiliTable الطريقة التي يتعامل بها الذكاء الاصطناعي مع البيانات. فبدلاً من تطبيق قاعدة بشكل أعمى، فإنه يعمل كخبير بشري: ينظر إلى البيانات، يفهم خصائصها الفريدة، يخطط لإصلاح محدد، يبني الحل، ويفحص العمل قبل أن يعلن الانتهاء. وهذا يجعله أكثر موثوقية في تحويل جداول البيانات الفوضوية من العالم الحقيقي إلى بيانات نظيفة وقابلة للاستخدام.

ملخص تقني: ProfiliTable

بيان المشكلة

تعد معالجة الجداول — التي تشمل التنظيف، والتحويل، والتعزيز، والمطابقة — مرحلة أساسية ولكنها عرضة للأخطاء بشكل كبير في مسارات البيانات الواقعية. وبينما أظهرت النماذج اللغوية الكبيرة (LLMs) قدرة واعدة في أتمتة هذه المهام من خلال توليد كود قابل للتنفيذ (مثل pandas أو SQL) بناءً على تعليمات باللغة الطبيعية، إلا أن الأساليب الحالية تعاني من قيود جوهرية. فغالباً ما تواجه الطرق الحالية صعوبة في التعامل مع التعليمات الغامضة، وهياكل المهام المعقدة متعددة الخطوات، والافتقار إلى التغذية الراجعة المنظمة. ونتيجة لذلك، فإنها غالباً ما تنتج كوداً صحيحاً من الناحية التركيبية (syntactically correct) ولكنه معيب من الناحية الدلالية (semantically flawed).

وعلى وجه التحديد، تعتمد العديد من الوكلاء الحاليين على توصيف (profiling) ثابت قائم على القواعد أو عينات محدودة (مثل فحص عدد قليل من الصفوف فقط)، وهو ما يفشل في استيعاب النطاق الكامل لقيم البيانات اللازمة لتفسير نوايا المستخدم الغامضة (مثل "توحيد عمود العملة"). وبدون استكشاف نشط وتكيفي لمحتوى البيانات الفعلي، لا يمكن للوكلاء بناء جداول مطابقة مناسبة أو التعامل مع الفروق الدقيقة الخاصة بالمجال، مما يؤدي إلى أداء هش في بيئات الإنتاج.

المنهجية: ProfiliTable

لمعالجة هذه التحديات، يقترح المؤلفون ProfiliTable، وهو إطار عمل متعدد الوكلاء يعمل ذاتياً ويتمحور حول التوصيف الديناميكي (dynamic profiling). وخلافاً لاستهلاك البيانات الوصفية (metadata) السلبي، يعامل ProfiliTable التوصيف كعملية نشطة وتكرارية لبناء الدلالات تتطور من خلال التفاعل، والتغذية الراجعة، وتكامل المعرفة.

يعمل إطار العمل كمسار مغلق الحلقة وذاتي التحسين يتضمن عدة وكلاء متخصصين:

المفسر (Interpreter): يقوم بتحليل تعليمات المستخدم باللغة الطبيعية لتحديد تعقيد المهمة (خطوة واحدة مقابل خطوات متعددة) وتوجيه الطلب وفقاً لذلك.
الموصِّف (Profiler): يعمل كوحدة تجذير دلالي (semantic grounding). فهو يستخدم حلقة استكشاف من نوع ReAct (الاستنتاج + الفعل) لاستجواب الجداول المدخلة الخام بنشاط. وبدلاً من الاعتماد فقط على بيانات المخطط (schema metadata)، يقوم بتنفيذ إجراءات خفيفة (مثل أخذ عينات من القيم الفريدة، وحساب التوزيعات) لصياغة واختبار فرضيات حول جودة البيانات وهيكلها. وهذا يولد ملخص توصيف ديناميكي ( $p^{(t)}$ ) يربط بين القصد اللغوي والواقع الجدولي.
المفكك (Decomposer): بالنسبة للمهام متعددة الخطوات، يقوم هذا الوكيل بتفكيك التعليمات المعقدة إلى تسلسل مرتب من المهام الفرعية الذرية، مما يسمح باسترجاع مشغل (operator) مستهدف لكل خطوة.
المولد (Generator): يقوم بتخليق كود قابل للتنفيذ عبر تجذير قصد المستخدم وملخص التوصيف الحالي في إطار توليد مدعوم بالاسترجاع (RAG). فهو يسترجع نماذج مشغلات منسقة ومتحقق منها مسبقاً من قاعدة معرفية لضمان اعتماد الكود المولد على بدائيات (primitives) موثوقة ومتخصصة في المجال.
المقيم (Evaluator): ينفذ الكود المولد في بيئة معزولة (sandbox) ويحسب درجة خاصة بالمهمة ( $s^{(t)}$ ) باستخدام منطق متوافق مع الحقيقة الأرضية (مثل مقيلة F1)، مما يضمن أن الكود "القابل للتشغيل" هو أيضاً كود "صحيح".
الملخص (Summarizer): يعمل في حلقة من نوع ReAct على الجدول المعالج للتحقق من التوافق مع القصد الأصلي. فهو يصيغ فرضيات التحقق، وينفذ إجراءات تحقق خفيفة، ويقدم رؤى تشخيصية ( $\tau^{(t)}$ ) فيما يتعلق بالأهداف الفرعية غير المكتملة.
المنهي (Finalizer): يدير عملية إنهاء الحلقة التكرارية. فهو يختار أفضل مرشح أداءً عبر جميع التكرارات إذا لم يتم استيفاء عتبة النجاح، مما يضمن أن سير العمل يعيد النتيجة الأكثر دقة التي تم رصدها.

الابتكار الجوهري هو سياق التوصيف الديناميكي الموحد ( $P^{(t)}$ )، الذي يدمج بشكل تكراري ملخص التوصيف النشط، والمشغلات المسترجعة، وسجل التغذية الراجعة لتوجيه توليد الكود وتحسينه لاحقاً.

المساهمات الرئيسية

يحدد البحث ثلاث مساهمات رئيسية:

إطار عمل ProfiliTable: نظام مستقل متعدد الوكلاء يوحد الاستكشاف التفاعلي، والتحسين القائم على التغذية الراجعة، والتخليق المعزز بالمعرفة تحت نموذج توصيف ديناميكي للتغلب على هشاشة توليد الكود أحادي المحاولة (one-shot) باستخدام النماذج اللغوية الكبيرة.
معيار شامل (Benchmark): بناء معيار يتكون من 18 نوعاً مختلفاً من مهام معالجة الجداول، مصنفة إلى تنظيف، وتحويل، وتعزيز، ومطابقة، مصممة لتعكس تحديات التنسيق في العالم الحقيقي بشكل أفضل من المعايير الموجودة.
التحقق التجريبي: تجارب واسعة النطاق تثبت أن ProfiliTable يحقق أداءً رائداً (SOTA) عبر كل من الإعدادات أحادية الخطوة والمتعددة الخطوات، مع مكاسب ثابتة في الصحة، والاكتمال، وموثوقية التنفيذ مقارنة بالنماذج المرجعية القوية.

النتائج التجريبية

أُجريت التجارب باستخدام GPT-4o و GPT-5.2 كنماذج أساسية، مع مقارنة ProfiliTable بنماذج مرجعية مثل MetaGPT و CAMEL و ChatDev و CleanAgent و DataGovAgent.

المهام أحادية الخطوة: حقق ProfiliTable متوسط درجة مهمة (ATS) بلغ 86.82 (لـ GPT-4o) و 89.66 (لـ GPT-5.2)، متفوقاً بشكل كبير على أفضل النماذج المرجعية التالية (MetaGPT بنسبة 56.21 و ChatDev2.0 بنسبة 70.02، على التوالي).
المهام متعددة الخطوات: أرسى ProfiTable معياراً جديداً للأداء (SOTA) بمتوسط درجات مهمة بلغ 80.19 (لـ GPT-4o) و 82.49 (لـ GPT-5.2). والأهم من ذلك، كان هو الطريقة الوحيدة التي حققت معدل تشغيل للمهمة (TRR) بنسبة 100% في الإعدادات متعددة الخطوات، مما يضمن أن كل مهمة أنتجت مخرجاً قابلاً للتنفيذ.
الكفاءة: رغم الطبيعة التكرارية لإطار العمل، أظهر ProfiliTable كفاءة عالية في التكلفة. فقد استخدم أقل متوسط لعدد الرموز (tokens) بين أفضل المشاركين (حوالي 24,907 رمز لـ GPT-5.2 في الخطوة الواحدة) مع الحفاظ على دقة عالية، مما رسم حدوداً مثالية (Pareto-optimal) بين تكلفة الرموز وجودة الحل.
دراسات الاستئصال (Ablation Studies): أدى إزالة أي مكون أساسي (الموصِّف، التغذية الراجعة، RAG، أو المفكك) إلى تدهور الأداء. وقد تم تحديد آلية التغذية الراجعة كأهم مكون، حيث تسبب إزالتها في أكبر انخفاض في الأداء، لا سيالما في السيناريوهات متعددة الخطوات.

الأهمية والادعاءات

يزعم المؤلفون أن Profili-Table يسلط الضوء على الدور الحاسم لـ التوصيف الديناميكي في ترجمة النوايا الغامضة للمستخدمين بشكل موثوق إلى تحويلات جداول قوية ومتوافقة مع قواعد الحوكمة. ويجادل البحث بأن معالجة الجداول الموثوقة تتطلب أكثر من مجرد نماذج لغوية كبيرة قوية؛ فهي تتطلب مسارات عمل هيكلية وتأملية تعامل الجداول كقطع دلالية غنية وديناميكية.

من خلال الانتقال من التوصيف الثابت القائم على القواعد إلى الاستكشاف النشط القائم على الفرضيات، يعالج ProfiliTable مشكلة "الهشاشة" التي تعاني منها الوكلاء الحاليون. إن قدرة إطار العمل على تحقيق معدلات تشغيل بنسبة 100% في سيناريوهات الخطوات المتعددة المعقدة تضعه كمرشح قوي للنشر في بيئات الإنتاج، حيث تعتبر موثوقية التنفيذ بنفس أهمية صحة الكود. ويقترح العمل نموذجاً جديداً من "الوكالة القائمة على التوصيف" (profiling-driven agency)، حيث تعد الأنظمة التكرارية والتفاعلية والواعية بالفشل ضرورية لأتمتة المهام المتمحورة حول البيانات.