آلات لا تستطيع العد لكنها تخمن الأرقام

تستعرض المقالة لماذا يمكن لنماذج اللغة الكبيرة (LLMs) التنبؤ بالكميات الرقمية على الرغم من عدم فهمها الحقيقي للأرقام. على عكس أدوات الانحدار التقليدية مثل XGBoost، التي تستخدم نهج أشجار القرار، تعالج نماذج اللغة الكبيرة الأرقام كسلاسل من الأحرف، وتقسمها إلى رموز (tokens) بشكل تعسفي. في تجربة عام 2024 أجراها باحثون من جامعة أريزونا والجامعة التقنية في كلوج-نابوكا، تم إعطاء نماذج مثل GPT-4 وClaude 3 جدولاً من الأمثلة وطلب منهم التنبؤ بقيمة مفقودة. دون أي ضبط دقيق، كان أداؤها مماثلاً للبرامج المتخصصة، وفي دالة فريدمان رقم 2، تجاوز Claude 3 حتى خمساً من هذه الأدوات. ومن المثير للاهتمام أن زيادة عدد الأمثلة أدت إلى تحسين الدقة، وهو ما لا يمكن أن يُعزى إلى الحظ. هذا التعلم في السياق (in-context learning) ملحوظ لأنه لا يتطلب تدريباً إضافياً. ومع ذلك، فإن نماذج اللغة الكبيرة غير موثوقة: فتنبؤاتها تختلف بترتيب الصفوف ودقة الأرقام، وهي تفتقر إلى سقف للخطأ، وأحياناً تعطي إجابات خاطئة تماماً. على الرغم من كونها أغلى بعدة مرات من حيث الحجم لكل تنبؤ مقارنة بالأدوات الكلاسيكية، تتألق نماذج اللغة الكبيرة عندما تكون البيانات نادرة، أو تحتوي على نصوص، أو عندما تحمل أسماء الأعمدة معنى. نماذج متخصصة جديدة مثل TabPFN، التي نُشرت في مجلة Nature في أوائل عام 2025، تتفوق على نماذج اللغة الكبيرة في الجداول الرقمية البحتة ذات البيانات الصغيرة، إذ تستغرق أقل من ثلاث ثوانٍ للتغلب على مجموعة من الطرق الكلاسيكية التي استغرقت أربع ساعات. التوصية هي استخدام نماذج اللغة الكبيرة فقط عندما تكون البيانات قليلة أو يوجد نص ذو معنى، والنظر إليها كأداة تكميلية وليس بديلاً عن الأدوات الكلاسيكية.