دليل DTT: نموذج جدول مدفوع بالمثال لتوافق الانضمام عن طريق الاستفادة من نماذج اللغة الكبيرة

تعتمد العديد من المنظمات على البيانات من مصادر حكومية ومصادر خارجية، وتلك المصادر نادراً ما تتبع نفس تنسيق البيانات. وهذا يقدم تحديات في دمج البيانات من مصادر متعددة أو توافق المصادر الخارجية مع قواعد البيانات الداخلية. أنظمة قواعد البيانات التجارية لا توفر الدعم الكافي لدمج البيانات من مصادر متنوعة، والدمج اليدوي يستغرق وقتاً طويلاً وغير فعال. الطرق المعتمدة على أحدث تقنيات دمج البيانات التي تعتمد على دوال التشابه والتحولات النصية غالباً ما تفشل في التعامل مع الحالات المعقدة حيث تتطلب عدة خريطة، أو تتجاوز الخرائط التحولات النصية البسيطة. في هذه الورقة، ندرس الإمكانيات التي تقدمها النماذج العصبية العميقة لتحويل الجداول لتناسب الانضمام. على وجه الخصوص، نحن نصيغ المشكلة كمهمة تنبؤ ونطور إطار عمل يستفيد من نماذج اللغة العميقة الكبيرة لتحويل بيانات الجدول من تنسيق المصدر إلى تمثيل الهدف المرغوب. يمكن لإطار العمل لدينا تعلم الأنماط بكفاءة لتحويل تنسيق المصدر إلى تنسيق مستهدف باستخدام أمثلة قليلة، والتي يمكن بعد ذلك استخدامها في مهام مثل الانضمام للجدول، وملء القيم المفقودة، والكشف عن الأخطاء. بالمقارنة مع أحدث الطرق في رسم خرائط الربط والانضمام، يقدم إطار العمل لدينا أداءً أكثر دقة وقابلية للتوسع بشكل ملحوظ على كل من مجموعات البيانات الواقعية والمصنعة. كما تظهر تقييماتنا التجريبية أن أداء إطار العمل المقترح باستخدام النموذج المعدل لدينا يوازي أو يتفوق على نماذج اللغة الكبيرة مثل GPT-3، على الرغم من الفارق الكبير في الحجم، وأن استخدام نماذج اللغة الكبيرة ضمن إطارنا يحسن من أدائها.