قفزة مذهلة نحو المستقبل: KumoRFM-2 يُحدث ثورة في نماذج البيانات العلاقية!

في عالم الذكاء الاصطناعي، تعتبر معالجة البيانات العلاقية من التحديات الكبيرة. لكن مع إطلاق KumoRFM-2، النموذج الجديد المُدرّب مسبقاً، يبدو أن الأمور تتجه نحو الأفضل. تم تصميم KumoRFM-2 لدعم التعلم في السياق (in-context learning) والتعديل الدقيق (fine-tuning)، مما يتيح استخدامه في مجموعة واسعة من المهام التنبؤية.

ما يُميز KumoRFM-2 عن النماذج التقليدية هو قدرته على العمل مباشرة على البيانات العلاقية دون الحاجة إلى تغيير هيكل الجداول أو إعداد متغيرات الهدف يدوياً. فهو يُعالج جداول مرتبطة متعددة بشكل متزامن، مع الحفاظ على اتساق زمني دقيق.

تم تدريب KumoRFM-2 على مجموعة ضخمة من البيانات الواقعية والصناعية عبر أربعة محاور: أبعاد الصفوف والأعمدة لكل جدول، وأبعاد المفتاح الأجنبي والعينات المتقاطعة على مستوى قاعدة البيانات. مقارنةً بسابقتها KumoRFM-1، فإن KumoRFM-2 يقوم بحقن معلومات المهام منذ البداية، مما يُتيح اختيار أعمدة ذات صلة بالمهام بشكل أكثر حدة ويزيد من القدرة على التعامل مع البيانات المزعجة.

مما يثير الدهشة، أظهرت التجارب المكثفة على 41 معياراً تحدياً أن KumoRFM-2 يتفوق على الأساليب المشرفة والأساسية بنسبة تصل إلى 8%، مع الحفاظ على أداء قوي حتى في الظروف القاسية مثل بداية باردة (cold start) والبيانات المزعجة.

تُشير هذه التطورات إلى أن KumoRFM-2 هو أول نموذج مؤسسي يُظهر قدرة على تجاوز الأساليب المشرفة في المهام المعروفة، مع تحسين الأداء بشكل أكبر بعد التعديل الدقيق. والأهم من ذلك، بينما كانت KumoRFM-1 محدودة في معالجة مجموعات البيانات الصغيرة، فإن KumoRFM-2 يمكنه الآن التعامل مع مجموعات بيانات ضخمة تصل إلى مليار عنصر، مما يُبشر بعصر جديد في معالجة البيانات العلاقية.