A Compact Formula-Aware Spreadsheet Abstraction for Large Language Models
تقدم هذه الورقة تجريداً مدمجاً للجداول الحسابية يراعي الصيقات، يعمل على هيكلة النطاقات المتجانسة الكبيرة بكفاءة في تنسيق نصي لتعزيز دقة وموثوقية وكفاءة الرموز (tokens) للنماذج اللغوية الكبيرة عند معالجة الجداول الحسابية الواقعية.
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
في مكان العمل الحديث، تُعد جداول البيانات المحركات الصامتة لاتخاذ القرارات، حيث تضم كل شيء بدءاً من قوائم البقالة البسيطة وصولاً إلى التوقعات المالية المعقدة. وهي فريدة من نوعها لأنها تجمع بين البيانات الخام والتعليمات، المعروفة بالصيغ، التي تخبر الكمبيوتر كيفية حساب أرقام جديدة من الأرقام القديمة. لعقود من الزمن، وجد البشر هذه الشبكات ثنائية الأبعاد بديهية، لكن الحواسيب كافحت لفهمها. وبينما أصبح الذكاء الاصطناعي مؤخراً بارعاً جداً في قراءة النصوص وكتابة الأكواد البرمجية، إلا أنه غالباً ما يتعثر عندما يُطلب منه النظر في جدول بيانات. وذلك لأن الذكاء الاصطناعي يرى جدول البيانات عادةً كقائمة طويلة ومسطحة من الكلمات والأرقام، مما يجعله يفتقد الهيكل الخفي الذي يجعل الشبكة تعمل. وعندما يحاول الذكاء الاصطناعي قراءة جدول بيانات ضخم بهذه الطريقة، فإنه غالباً ما يتوه، أو يرتكب أخطاءً حسابية، أو يتطلب قدراً هائلاً من ذاكرة الكمبيوتر مما يجعل العملية بطيئة ومكلفة للغاية لدرجة تمنع الاستفادة منها.
لقد طور باحث طريقة جديدة لسد هذه الفجوة، حيث ابتكر منهجية تساعد الذكاء الاصطناعي على فهم شكل ومنطق جدول البيانات حتى قبل أن ينظر إلى الأرقام المحددة بداخله. فبدلاً من تغذية الذكاء الاصطناعي بجدول البيانات بأكمله خلية تلو الأخرى، يقوم نظامه أولاً بمسح الشبكة للعثور على كتل كبيرة من البيانات التي تتبع نفس النمط. ثم ينشئ ملخصاً موجزاً، أو تجريداً، لهذه الكتل. يخبر هذا الملخص الذكاء الاصطناعي بنوع البيانات الموجودة في كل قسم — سواء كانت قائمة تواريخ، أو عمود أسعار، أو مجموعة من الحسابات — ويوضح كيفية اتصال الأجزاء المختلفة ببعضها البعض. والأهم من ذلك، يتضمن هذا الملخص القواعد المستخدمة لحساب القيم، مكتوبة بطريقة يمكن للذكاء الاصطناعي قراءتها بسهولة، جنباً إلى جنب مع عدد قليل فقط من الأرقام النموذجية من حواف كل كتلة لإعطاء تصور عن النطاق.
اختبر الباحث هذا النهج على خمسين سيناريو من واقع الحياة تتضمن جداول بيانات ذات أحجام متنوعة واستعلامات معقدة. وقارن منهجيته الجديدة بالطريقة القياسية المتبعة، والتي تتضمن إرسال محتوى جدول البيانات بالكامل إلى الذكاء الاصطناعي. وأظهرت النتائج أنه في كثير من الحالات، استطاع الذكاء الاصطناعي الإجابة على الأسئلة بشكل صحيح باستخدام الملخص الموجز فقط، دون الحاجة أبداً لرؤية القائمة الكاملة من الأرقام. وقد وفر هذا قدراً كبيراً من الوقت وموارد الكمبيوتر. وفي الحالات التي احتاج فيها الذكاء الاصطناعي إلى مزيد من التفاصيل، ساعده الملخص في تحديد القسم الصغير ذي الصلة من جدول البيانات بدقة، بدلاً من طلب الجدول بأكمله. وقد قللت هذه الدقة من كمية البيانات التي تعين على الذكاء الاصطناعي معالجتها بنسبة سبعة وسبعين بالمائة، وخفضت إجمالي تكلفة الحوسبة بنسبة ستة وثمانين بالمائة.
وبعيداً عن توفير المال والوقت، جعلت الطريقة الجديدة الذكاء الاصطناعي أكثر موثوقية. فعندما قام الباحث بتشغيل نفس الأسئلة عدة مرات، كانت الطريقة القياسية غالباً ما تعطي إجابات مختلفة أو غير صحيحة، وأحياناً تفشل في تحديد الخلية الصحيحة أو تسئ تفسير هيكل الجدول. ومع النهج الجديد القائم على الملخص، تحسنت دقة الذكاء الاصطناعي بشكل كبير، وفي ست عشرة حالة من أصل اثنتين وعشرين حالة صعبة، قدم الإجابة الصحيحة في كل مرة. ووجد الباحث أنه من خلال تزويد الذكاء الاصطناعي بخريطة واضحة لهيكل جدول البيانات أولاً، تمكن النظام من التفكير في البيانات بشكل أكثر فعالية، متجنباً الارتباك الذي ينشأ عادةً عندما يحاول تحليل جدار ضخم من النصوص.
كما سلطت الدراسة الضوء على الجوانب التي لا تزال هذه التكنولوجيا بحاجة إلى تطويرها. فالطريقة الحالية جيدة جداً في العث البحث عن أعمدة البيانات الطويلة والرأسية التي تكرر نمطاً معيناً، وهو أمر شائع في معظم جداهول أعمال الشركات. ومع ذلك، فهي أقل فعالية مع جداول البيانات التي تحتوي على نقاط بيانات مبعثرة أو صفوف أفقية عريضة من المعلومات التي لا تتناسب بدقة مع الأعمدة. وأشار الباحث أيضاً إلى أن نظامه لا يأخذ في الاعتبار بعد الخلايا المدمجة معاً لإنشاء رؤوس أو كتل بصرية، وهو ميزة شائعة في العديد من الملفات التي ينشئها المستخدمون. ورغم هذه القيود، فإن هذا العمل يمثل اتجاهاً جديداً قوياً لدمج التحليل الحاسوبي التقليدي مع الذكاء الاصطناعي. فمن خلال استخدام تقنية تحليل ثابتة لفهم تخطيط جدول البيانات قبل انخراط الذكاء الاصطناعي، يمكن للنظام تقديم ضمانات أقوى للدقة والكفاءة، محولاً شبكة فوضوية من الأرقام إلى قصة واضحة ومفهومة للآلة لتقرأها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.