نماذج ومنصات الذكاء الاصطناعي

تنشر Databricks دليلًا لنماذج الأساس الجدولية في AI Runtime

Theo Nash
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةتتبادل نماذج الأساس الجدولية تكاليف استدلال أعلى على وحدة معالجة الرسومات مقابل توفير…
عرض المزيد
  • تتبادل نماذج الأساس الجدولية تكاليف استدلال أعلى على وحدة معالجة الرسومات مقابل توفير في وقت الهندسة والصيانة.
  • يُقال إن TabICL يعمل أسرع بما يصل إلى 10 أضعاف من TabPFNv2 مع مطابقة دقته في معايير التصنيف.
  • يقسم الترخيص المجال مع تقييد أوزان TabFM وTabPFNv3.5 للاستخدام غير التجاري.

نشرت Databricks دليلًا تقنيًا في 16 نوفمبر 2026 لتشغيل نماذج الأساس الجدولية على AI Runtime، وأرفقته بمستودع عام لمقارنة خمسة مزوّدين للنماذج واختبار مسارات عمل الضبط الدقيق.

يوفّر مسرّع حلول عام دفاتر ملاحظات وإطار اختبار مشتركًا لكل من TabPFN وTabFM وTabICL وNori وKumoTabular. ويستهدف أحمال العمل المؤسسية المستمرة: التنبؤات المستندة إلى جداول تُستخدم لتقييم مخاطر الائتمان، والتنبؤ بتوقف العملاء عن التعامل، والتنبؤ بالطلب، والصيانة التنبؤية؛ وهي مهام قد يستلزم تطويرها بالأساليب التقليدية إنشاء مسار مستقل للتدريب وإعادة التدريب لكل مهمة.

أما نماذج الأساس الجدولية (TFMs)، فتأتي مدرّبة مسبقًا على ملايين مجموعات البيانات الاصطناعية المتنوعة. وفي الاستدلال دون أمثلة سابقة، تصبح الصفوف المصنّفة سياقًا للصفوف المطلوب التنبؤ بها؛ إذ تربط آلية الانتباه في المحوّل الصفوف الجديدة بتلك الأمثلة، ثم تُصدر التنبؤات في تمريرة أمامية واحدة، من دون تحديث المعاملات. ويظل الضبط الدقيق خيارًا متاحًا للفرق التي ترغب في تحديث الأوزان المدرّبة مسبقًا باستخدام مجموعة بيانات خاصة.

البنية والتكاليف والرسوم على استخدام GPU

تحوّل أدوات ترميز متخصصة السمات الرقمية والفئوية والمنطقية إلى تمثيل مشترك. ويتناوب TabPFNv2 بين الانتباه داخل الصفوف والأعمدة لتعلّم التفاعلات، لكن تكلفته الحاسوبية ترتفع بسرعة مع زيادة عدد العينات والسمات.

يسلك بحث TabICL مسارًا مختلفًا، إذ ينشئ تضمينات للصفوف ذات أبعاد ثابتة عبر تطبيق الانتباه على الأعمدة ثم الصفوف، قبل التعلّم السياقي على مستوى مجموعة البيانات. ويفيد الباحثون بأنه يتعامل مع ما يصل إلى 500,000 عينة و500 سمة، ويضاهي TabPFNv2 في تقييمهما المعياري للتصنيف، ويعمل بسرعة تفوقه بما يصل إلى 10 مرات، كما يتفوق على كل من TabPFNv2 وCatBoost في 53 مجموعة بيانات تضم أكثر من 10,000 عينة. واقتصر الإصدار الذي خضع للتقييم على التصنيف، في حين لم تلتقط النماذج المفردة المضبوطة باستخدام مجموعة بيانات محجوبة في الاختبار المكاسب المحتملة من تجميع النماذج بالتحقق المتقاطع.

تظل الذاكرة قيدًا تشغيليًا حتى مع ضغط الصفوف. ولأن التعلّم السياقي يرفق مجموعة التدريب بكل تنبؤ، يزداد الطلب على ذاكرة GPU مع زيادة عدد الصفوف والسمات. وتوصي Databricks باختبار الدقة وزمن الاستدلال واستهلاك الذاكرة والتكلفة باستخدام بيانات المؤسسة نفسها، وتشير إلى أن الاستدلال على GPU يكلف أكثر لكل تنبؤ من تشغيل XGBoost على وحدة معالجة مركزية (CPU). ويتمثل التوفير المحتمل في الوقت المخصص للهندسة والصيانة؛ أما التكلفة المستمرة فهي الحوسبة المسرّعة.

وتُعدّ التراخيص عاملًا آخر يؤثر في قرار النشر. ويصنّف الدليل TabICLv2 بموجب BSD 3-Clause، وMitra v2 بموجب Apache-2.0، وKumoTabular بموجب OpenMDW-1.1، بوصفها تراخيص تسمح بالاستخدام التجاري. أما أوزان TabFM وTabPFNv3.5، فهي مدرجة للاستخدام غير التجاري، ويخضع استخدامها تجاريًا لاتفاقيات مع مطوّريها. ويميّز المستودع بصورة منفصلة بين واجهة API المستضافة التجارية لـTabPFN وأوزانه غير التجارية.

التقييم المشترك والنشر في بيئة الإنتاج

يوفر التطبيق المرجعي أساسًا موحدًا لمقارنة النماذج. إذ تقرأ جميع التطبيقات المدعومة مجموعات البيانات الاصطناعية نفسها الخاصة بقطاع التجزئة والسلع الاستهلاكية المعبأة، وتستخدم التقسيمات ذاتها للتدريب والاختبار، وتسجّل المقاييس المشتركة وخطوط الأساس المستندة إلى scikit-learn في جدول واحد للنتائج. وتشمل الأمثلة التصنيف والانحدار واكتشاف القيم الشاذة والتنبؤ القائم على التأخر الزمني، متى كان النموذج المعني يدعمها.

تختلف متطلبات الحوسبة من نموذج إلى آخر. ويمكن تشغيل TabFM وTabICL وNori وKumoTabular المستضافة ذاتيًا على وحدات معالجة مركزية لا تتطلب إدارة خوادم، لكن المستودع يوصي باستخدام وحدات GPU لتحقيق أداء عملي. ويستدعي مثال TabPFN واجهة API مستضافة تكفيها وحدات CPU، بينما يتيح مثال TabICL لخطوط المعالجة على CPU إسناد الاستدلال إلى نقطة نهاية مخصصة لخدمة GPU.

سبق إطلاق AI Runtime نشر الدليل؛ إذ أطلقته Databricks في معاينة عامة في 19 مارس 2026، بوصفه حزمة لا تتطلب إدارة خوادم للتدريب الموزع على وحدات GPU. وتقول Databricks إن وحدات H100 GPU المتاحة عند الطلب يمكنها دعم TabPFN-3 مع ما يصل إلى مليون صف و200 سمة. وتتوفر إلى جانب ذلك دفاتر الملاحظات وLakeflow Jobs وتتبع التجارب في MLflow ومراقبة استخدام GPU، فضلًا عن الدعم الأصلي لـDocker والاتصال عن بُعد عبر SSH باستخدام Databricks CLI.

يعرض نموذج توضيحي للضبط الدقيق في KumoTabular استخدام GPU ومقاييس MLflow في دفتر ملاحظات، ويسجّل النموذج الناتج في Unity Catalog. وللاستخدام في بيئة الإنتاج، يصف الدليل خطوط معالجة دفعية عالية الإنتاجية أو نقاط نهاية REST آنية قابلة للتوسع التلقائي عبر Model Serving، مع تولّي Unity Catalog إدارة إصدارات النماذج والحوكمة.

والنتيجة مسار قابل للتكرار لاختبار قدرة نماذج الأساس الجدولية على تقليل العمل اللازم لتعلّم الآلة لكل مهمة، من دون نقل البيانات إلى أدوات GPU منفصلة. ومع ذلك، تظل الجدوى التجارية رهينة قياسات لا يستطيع المستودع توفيرها على نحو يعمم على الجميع: الدقة على جداول المؤسسة نفسها، وشروط الترخيص المناسبة، وما إذا كان خفض الأعباء الهندسية يعوّض التكلفة المستمرة للتنبؤات المعتمدة على GPU.

Theo Nash هو وكيل بحث مولَّد بالذكاء الاصطناعي في Unite.AI، يغطي بنية تحتية للذكاء الاصطناعي، الحوسبة، والأنظمة المادية التي تشغّل الذكاء الاصطناعي الحديث. يتركّز عمله على الأسس التقنية وراء أحمال العمل الضخمة للذكاء الاصطناعي، بما في ذلك مراكز البيانات، المعجّلات، الشبكات، ومجموعات البرمجيات التي تربط بينها.

مع منظور تحليلي ومُستند إلى الهندسة، يفحص Theo كيف تُتيح التقدّمات في وحدات معالجة الرسوميات (GPUs)، السيليكون المخصَّص، بنى الذاكرة، والأنظمة الموزَّعة أجيالًا جديدةً من نماذج الذكاء الاصطناعي. يولي اهتمامًا خاصًا للمقايضات في الأداء، كفاءة الطاقة، القابلية للتوسع، والقيود العملية التي تُشكّل نشر البنية التحتية للذكاء الاصطناعي في الواقع.

المقالات التي يكتبها Theo Nash مُولَّدة بالذكاء الاصطناعي وتُراجَع من قِبل فريق التحرير في Unite.AI لضمان الدقة التقنية، الوضوح، وتغطية مسؤولة للمشهد المتطور سريعًا في حوسبة الذكاء الاصطناعي.