Constraint-Aware Synthetic Tabular Data Generation via Inter-Column Constraint Discovery with LLM Agents

في العصر الرقمي، تُحبس كميات هائلة من المعلومات في جداول البيانات، حيث تسجل كل شيء بدءاً من جداول مواعيد الرحلات الجوية وطلبات الائتمان وصولاً إلى إحصائيات كرة السلة والتاريخ الطبي. وعندما تكون البيانات الحقيقية نادرة أو حساسة أو يصعب مشاركتها، يلجأ الباحثون والمهندسون إلى البيانات الاصطناعية: وهي سجلات مُنشأة حاسوبياً تحاكي الأنماط الإحصائية للعالم الحقيقي. تسمح هذه المجموعات البيانية الاصطناعية للفرق ببناء واختبار البرمجيات، وتدريب الذكاء الاصطناعي، واستكشاف السيناريوهات دون المخاطرة بالخصوصية أو كشف التفاصيل السرية. ومع ذلك، ثمة مشكلة كبيرة لطالما أرقت هذا المجال؛ فبينما تبرع الحواسيب في نسخ الشكل العام للبيانات — لضمان أن متوسط العمر أو توزيع الدخل يبدو صحيحاً — إلا أنها غالباً ما تفشل في فهم القواعد المنطقية العميقة التي تربط الأعمدة ببعضها البعض. فقد يولد الحاسوب طلباً اصطناعياً يتم فيه تسليم طرد قبل حتى أن يتم شراؤه، أو سجلاً مالياً لا يتطابق فيه الإجمالي مع حاصل ضرب السعر في الكمية. هذه الأخطاء، المعروفة بالانتهاكات الهيكلية، تجعل البيانات تبدو حقيقية في ظاهرها ولكنها تنهار أمام أبسط الفحوصات المنطقية، مما يجعلها عديمة الفائدة للتحليل الجاد أو اتخاذ القرار.

لقد طور فريق من الباحثين طريقة جديدة لإصلاح هذا الخلل، عبر إنشاء نظام يعلّم الذكاء الاصطناعي كيفية اكتشاف وفرض القواعد المنطقية الخفية لمجموعة بيانات ما. وبدلاً من محاولة إجبار مولد البيانات على اتباع قواعد صارمة منذ البداية، وهو أمر غالباً ما يشوه البيانات أو يتطلب إعادة تدريب معقدة، يعمل نهجهم كخطوة معالجة لاحقة متطورة. يستخدم النظام أولاً النماذج اللغوية الكبيرة — وهي أدوات ذكاء اصطناحي متقدمة مدربة على كميات هائلة من النصوص — لقراءة أوصاف مجموعة البيانات وسجلاتها النموذجية. تعمل هذه النماذج كمدققين فضوليين، حيث تقترح فرضيات حول كيفية ارتباط الأعمدة المختلفة ببعضها البعض. فقد تقترح أن تاريخ التسليم يجب أن يكون دائماً لاحقاً لتاريخ الطلب، أو أن نوع منتج معين يمكن شحنه فقط عبر طرق محددة.

يكمن الابتكار في كيفية اختبار هذه الاقتراحات وتنقيحها. فبدلاً من قبول تخمينات الذكاء الاصطناعي بشكل أعمى، يقوم النظام بترجمة كل فكرة إلى تعليمات صارمة قابلة للقراءة آلياً يمكن التحقق منها مقابل كل صف في البيانات الأصلية. وإذا فشلت القاعدة المقترحة ولو لمرات قليية، فإن النظام لا يستبعدها فوراً، بل يعرض على الذكاء الاصطناعي الأمثلة المحددة التي انكسرت فيها القاعدة، مما يسمح للنموذج بمراجعة فرضيته. وتستمر دورة الاقتراح والاختبار والتصحيح هذه حتى يستقر النظام على مجموعة من القواعد التي تصح طوال مجموعة البيانات بأكملها. وقد ركز الباحثون على ثلاثة أنواع رئيسية من العلاقات: المعادلات حيث يكون رقم ما هو النتيجة الدقيقة لأرقام أخرى، والمتباينات حيث يجب أن تكون قيمة ما أكبر أو أصغر من قيمة أخرى، والتبعية المنطقية حيث يحدد تصنيف عنصر ما الفئات المسموح بها لعناصر أخرى.

بمجرد اكتشاف القواعد والتحقق منها، يطبقها النظام على البيانات الاصطناعية الناتجة عن أي أداة قياسية. فهو يعمل كمنسق، حيث يقوم بإصلاح الأخطاء بترتيب محدد لضمان أن تصحيح خطأ ما لا يؤدي إلى خلق خطأ آخر. فعلى سبيل المثال، إذا كانت القاعدة تتطلب أن يكون الإجمالي هو مجموع جزأين، فإن النظام يقوم أولاً بإصلاح الإجمالي بناءً على الجزأين، ثم يعدل الجزأين فقط لتتناسب مع أي حدود أوسع. يضمن هذا التسلسل الدقيق أن مجموعة البيانات النهائية تلتزم بجميع القوانب المكتشفة في آن واحد. وفي تجاربهم، اختبر الباحثون سير العمل هذا على سبع مجموعات بيانات عامة مختلفة، تتراوح من سجلات الطيران إلى استهلاك الطاقة في صناعة الصلب، باستخدام أربعة أنواع مختلفة من مولدات البيانات. وقبل عملية الإصلاح، كانت البيانات الاصطناعية تحتوي غالباً على مئات الانتهاكات، بل إن بعض مجموعات البيانات أظهرت أن كل سجل مُولد تقريباً قد خرق قاعدة واحدة على الأقل. وبعد تطبيق النظام لتصحيحاته، انخفض عدد الانتهاكات إلى الصفر لكل قاعدة يمكن فرضها.

والأهم من ذلك، أن عملية التنظيف الصارمة هذه لم تفسد فائدة البيانات. فقد قاس الباحثون مدى جودة أداء البيانات المنقحة في مهام من الواقع، مثل تدريب نموذج للتنبؤ بالمخاطر الائتمانية أو تأخيرات الرحلات الجوية. وفي معظم الحالات، تحسنت فائدة البيانات بالفعل، وفي أسوأ الحالات، كان الانخفاض في الأداء ضئيلاً للغاية. كما حافظ النظام على الخصائص الفردية للبيانات، مما ضمن بقاء توزيع القيم في كل عمود وفياً للأصل. وتثبت هذه الدراسة أنه من خلال التعامل مع القواعد المنطقية كنظام من القيود المتفاعلة بدلاً من مجرد فحوصات معزولة، فإنه من الممكن توليد بيانات اصطناعية ليست متشابهة إحصائياً مع الواقع فحسب، بل سليمة هيكلياً أيضاً. ويقدم هذا النهج مساراً عملياً للمضي قدماً في إنشاء بيانات اصطناعية موثوقة، مما يضمن أن السجلات الاصطناعية المستخدمة لتدريب أنظمتنا المستقبلية مبنية على أساس من الحقيقة المنطقية.