SheetCompass: Hierarchical Relation Graphs for Agentic Spreadsheet Reasoning
يُعد SheetCompass إطار عمل وكيلًا موجهًا بالرسوم البيانية ومدفوعًا بالذاكرة، يعالج أوجه القصور في الاستدلال الحالي القائم على النماذج اللغوية الكبيرة (LLM) للجداول الحسابية من خلال نمذجة العلاقات الهيكلية الهرمية والسياقات المكانية صراحةً داخل أوراق العمل وعبرها، لتمكين الأتمتة الأكثر فعالية لدفاتر العمل المعقدة.
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
لغز الجداول الحسابية الرقمية
تخيل أنك تحاول تعليم روبوت فائق الذكاء كيف يقرأ جدولاً حسابياً فوضوياً متعدد الصفحات. في عالم الذكاء الاصطناوي، يشبه هذا الأمر مطالبة محقق بحل جريمة من خلال قراءة قائمة كلمات انتُزعت من كتاب وخلطت في سطر واحد. الجداول الحسابية مميزة لأنها ليست مجرد قوائم بيانات؛ بل هي خرائط بصرية. لها صفوف، وأعمدة، وصلات خفية بين الصفحات المختلفة تحكي قصة عن المال، أو المبيعات، أو المخزون. بالنسبة للإنسان، النظر إلى جدول حسابي يشبه مسح خريطة مدينة: فأنت تدرك فوراً كيف يتصل شارع "المبيعات" بجادة "الأسعار". لكن بالنسبة للنماذج اللغوية الكبيرة (LLMs) — وهي نوع من الذكاء الاصطناعي الذي يكتب القصائد ويجيب على الأسئلة — غالباً ما تكون الجداول الحسابية كابوساً. فعندما نغذي هذه النماذج بجدول حسابي، فإننا عادةً ما نقوم بتسطيحه إلى سلسلة طويلة من النصوص، مثل تحويل مبنى ثلاثي الأبعاد إلى ورقة مسطحة. وبفعل ذلك، نفقد "أين" و"كيف" توجد البيانات. ينسى الروبوت أن رقماً في أعلى اليسار ينتمي إلى فئة في أسفل اليمين، أو أن ورقتين مختلفتين تتحدثان في الواقع مع بعضهما البعض. هذه الورقة، التي تحمل عنوان SheetCompass، تطرح سؤالاً بسيطاً ولكنه جوهري: كيف نعلم الذكاء الاصطناعي أن يرى الخريطة مجدداً، بدلاً من مجرد قراءة قائمة الكلمات؟
قصة الورقة: بناء بوصلة للذكاء الاصطناعي
أدرك مؤلفو هذه الورقة، العاملون في جامعة العلوم والتكنولوجيا في الصين، أن المشكلة لم تكن في أن الذكاء الاصطناعي ليس ذكياً بما يكفي؛ بل كانت المشكلة في أن الذكاء الاصطناعي كان ينظر إلى الجدول الحسابي بالطريقة الخاطئة. هم يجادلون بأن معاملة الجدول الحسابي كوثيقة نصية بسيطة يجردها من البنية التي تجعلها مفيدة. ولإصلاح ذلك، بنوا نظاماً جديداً يسمى SheetCompass. فكر في SheetCompass ليس كروبوت يقرأ فحسب، بل كفريق من ثلاثة مستكشفين خبراء يعملون معاً باستخدام خريطة مصممة خصصاً لهذا الغرض.
أولاً، كان على الفريق حل مشكلة "النص المسطح". فبدلاً من تغذية الذكاء الاصطناعي بفقرة طويلة ومربكة، يحول SheetCompass الجدول الحسابي إلى رسم بياني هرمي (Hierarchical Graph). تخيل الجدول الحسابي كغرفة فوضوية مليئة بالأثاث. تحاول الطرق التقليدية وصف الغرفة عبر سرد كل قطعة في جملة واحدة: "كرسي، طاولة، مصباح، كرسي، طاولة..."، أما SheetCompass، فيقوم ببناء نموذج ثلاثي الأبعاد للغرفة. فهو ينشئ "عقدة جدول" (Table Node) للجدول بأكمله و"عقد أعمدة" (Column Nodes) للرؤوس، ثم يرسم خطوطاً تربط بينها. بل إنه يرسم "خطوطاً دلالية" خاصة بين الأعمدة التي تبدو مختلفة ولكنها تعني الشيء نفسه (مثل "السعر" في ورقة و"التكلفة" في ورقة أخرى)، حتى لو كانت بعيدة عن بعضها. هذا يخلق هيكلاً ثابتاً ومنظماً يمكن للذكاء الاصطناعي التنقل فيه دون أن يضيع.
لكن امتلاك خريطة ليس كافياً؛ إذ يحتاج المستكشفون إلى معرفة كيفية استخدامها. يقدم SheetCompass نظام ذاكرة ثنائية المستوى. جزء من الذاكرة يشبه مكتبة من القواعد الخبيرة (المعرفة الخبيرة - Expert Knowledge)، حيث يعلم الذكاء الاصطناعي أشياء مثل "لا تحذف الصفوف، بل أخفِها فقط" أو "كيفية حساب الجدول المحوري". والجزء الآخر هو مذكرات الأخطاء السابقة (خبرة الاستنتاج - Reasoning Experience)، حيث يتذكر النظام ما سار بشكل خاطئ في المحاولات السابقة حتى لا يكرر نفس الخطأ. هذا يشبه طالباً لا يمتلك كتاباً مدرسياً فحسب، بل يحتفظ أيضاً بدفتر لتصحيحات اختباراته الخاصة.
أخيراً، يستحضر النظام فريقاً متعدد الوكلاء (Multi-agent Team). بدلاً من وجود ذكاء اصطناعي واحد يحاول القيام بكل شيء، يقسم SheetCompass العمل إلى ثلاثة أدوار:
- الملاح (المستكشف - Navigator/Explorer): ينظر هذا الوكيل إلى خريطة الرسم البياني، ويجد الأعمدة والجداول الصحيحة، ويحدد ترتيب الخطوات اللازمة لحل المشكلة.
- البناء (المبرمج - Builder/Programmer): يأخذ هذا الوكيل الخطة ويكتب الكود الفعلي للقيام بالعمليات الحسابية أو إنشاء الرسوم البيانية، مع التأكد من التزامه الصارم بالخريطة حتى لا يبتدع بيانات وهمية.
- المفتش (المتأمل - Inspector/Reflector): هذا هو حارس السلامة. بعد تشغيل الكود، يتحقق المفتش من النتائج مقابل قائمة مراجعة. إذا بدا الحساب غريباً (مثل طرح رقم عشري صغير من سعر ضخم)، يوقف المفتش العملية، ويقول "انتظر، هذا لا يبدو منطقياً"، ويعيد الفريق لإصلاح الأمر.
ما وجدوه
اختبر الباحثون SheetCompass على عدة مجموعات بيانات صعبة تضمنت جداول حسابية معقدة تحتوي على جداط متعددة وتعليمات شاقة. وقارنوا نظامهم الجديد بطرق الذكاء الاصطناعي الشهيرة الأخرى، بما في ذلك تلك التي تكتب الكود دفعة واحدة أو تستخدم حلقات وكلاء أبسط. كانت النتائج واضحة: حقق SheetCompass تفوقاً ملحوظاً في إنجاز المهمة بشكل صحيح من المرة الأولى.
في اختباراتهم، عند استخدام نموذج ذكاء اصطناعي قوي (GPT-4)، حقق SheetCompass معدل نجاح بنسبة 63.2% في أحد المعايير الرئيسية (SCB)، متفوقاً على أفضل طريقة تالية والتي حققت 61.1% فقط. وفي اختبار صعب آخر (SB) يتطلب من الذكاء الاصطناعي اجتياز كل فحص في سلسلة من التجارب، رفع SheetCompass معدل النجاح إلى 18.3%، وهي قفزة كبيرة عن أفضل نتيجة سابقة بلغت 13.5%. وعندما استخدموا نموذجاً أكثر تقدماً (GPT-5)، اتسعت الفجوة، حيث وصل SheetCompass إلى 71.3% في معيار SCB و 22.0% في معيار SB الصعب.
كما أجرى البحث "دراسات استئصال" (Ablation Studies)، وهي تشبه تفكيك آلة لمعرفة أي جزء منها هو الأكثر أهمية. ووجدوا أنه إذا أزالوا خريطة الرسم البياني، ينخفض أداء النظام بشكل حاد، مما يثبت أن الخريطة هي القطعة الأكثر أهمية. كما وجدوا أن المفتش (Reflector) كان حيوياً؛ فبدونه، يرتكب النظام المزيد من الأخطاء لأنه لا يستطيع رصد أخطائه بنفسه.
لماذا هذا الأمر مهم
يشير المؤلفون إلى أن المفتاح لجعل الذكاء الاصطناعي بارعاً في الجداول الحسابية ليس فقط بجعل الذكاء الاصطناعي أكثر ذكاءً، بل بإعطائه طريقة أفضل لرؤية البيانات. فمن خلال تحويل النص المسطح إلى رسم بياني مهيكل واستخدام فريق من الوكلاء المتخصصين للتحقق من عمل بعضهم البعض، يسد SheetCompass الفجوة بين كيفية قراءة البشر للجداول طبيعياً وبين كيفية معالجة الكمبيوتر للمعلومات. لا تدعي الورقة أنها حلت كل مشاكل الجداول الحسابية في العالم، لكنها تظهر أن هذا النهج الجديد المتمثل في "الإدراك الهيكلي" المقترن بـ "الاستنتاج التعاوني" هو طريق قوي للمضي قدماً. إنها تشير إلى أنه لكي يتقن الذكاء الاصطناعي حقاً الأدوات الواقعية الفوضوية التي نستخدمها كل يوم، عليه أن يتوقف عن قراءة القوائم ويبدأ في قراءة الخرائط.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.