Neues KI-Framework löst komplexe Tabellenanalyse mit kontinuierlichem Lernen

Forscher haben ein innovatives KI-System vorgestellt, das die Analyse von unstrukturierten Tabellen – mit verschachtelten, bidirektionalen Überschriften und ungewöhnlichen Layouts – revolutioniert. Das System, genannt Deep Tabular Research (DTR), ermöglicht mehrstufiges logisches Denken über verknüpfte Tabellenbereiche und löst damit Aufgaben, die bisher selbst großen Sprachmodellen schwerfielen.

DTR arbeitet als geschlossener Entscheidungsprozess. Zunächst wird ein hierarchisches Metagraph erstellt, das die bidirektionale Semantik der Tabelle erfasst und natürliche Sprachabfragen in einen suchbaren Operationsraum übersetzt. Anschließend wählt ein erwartungsorientiertes Auswahlverfahren die vielversprechendsten Ausführungspfade aus, um die Effizienz zu maximieren.

Ein entscheidendes Merkmal ist die kontinuierliche Lernschleife: Historische Ausführungsergebnisse werden in einer siamese strukturierten Erinnerung gespeichert, die Parameterupdates und abstrahierte Textinformationen kombiniert. Dadurch kann das System seine Strategien laufend verfeinern und sich an neue Tabellenformate anpassen.

Umfangreiche Tests auf anspruchsvollen, unstrukturierten Tabellenbenchmarks zeigen, dass die Trennung von strategischer Planung und niedriger Ebene der Ausführung entscheidend für die Leistung bei langen Analysepfaden ist. Das neue Framework demonstriert damit deutlich die Notwendigkeit, komplexe Tabellenaufgaben als dynamische Entscheidungsprobleme zu behandeln.