Scikit-LLM: تصنيف نصي متعدد الوسوم من دون مجموعة تدريب باستخدام LLM

Scikit-LLM هي مكتبة Python توفر الوصول إلى نماذج اللغة من خلال واجهة scikit-learn المألوفة. يمكن لمصنفها zero-shot تعيين عدة تسميات لنص واحد تلقائياً—بدون مجموعة بيانات معنونة وبدون ضبط نموذج.

لماذا التصنيف القياسي غير كافٍ

تعمل المناهج القياسية لتصنيف النصوص على مبدأ "وثيقة واحدة—تسمية واحدة." التقييم إما إيجابي أو سلبي. يتعلق طلب العميل بالتسليم أو الإرجاع أو الدفع. بالنسبة للمهام البسيطة، هذا كافٍ. النصوص الحقيقية أكثر تعقيداً. مقالة عن تنظيم ذكاء اصطناعي جديد تلمس التكنولوجيا والقانون والأعمال والسياسة في نفس الوقت. مراجعة الهاتف الذكي تتعلق بالكاميرا والبطارية وجودة البناء في وقت واحد. التصنيف متعدد التسميات مصمم بالضبط لمثل هذه الحالات—كل نص يتلقى مجموعة من التسميات المناسبة بدلاً من تسمية واحدة فقط. قبل LLM، كان هذا يتطلب مجموعات بيانات معنونة بعناية واختيار العمارة (Binary Relevance أو Classifier Chain أو Label Powerset) وضبط العتبة الطويل. كل فئة جديدة تعني أمثلة معنونة إضافية. LLMs تغير هذه المعادلة.

كيف يعمل وضع zero-shot

يستخدم Scikit-LLM نموذج لغة كـ "مصنف ذكي قائم على الوصف." يحتاج المطور فقط إلى توفير قائمة الفئات كنص عادي—GPT-4 أو GPT-4o Mini أو موفر متوافق يحدد تلقائياً أي منها ينطبق على كل وثيقة. يقوم المعامل `multi_label=True` بتبديل المصنف إلى وضع متعدد التسميات.

بشكل مهم، zero-shot لا يعني جودة منخفضة. نماذج LLM الحديثة تفهم السياق والدلالات على مستوى لا تصل إليه نماذج BERT إلا بعد الضبط الدقيق على مئات الأمثلة المعنونة. بالنسبة للعديد من المهام الحقيقية، يتفوق LLM zero-shot على المصنفات المتخصصة التي تحتوي على آلاف الوثائق المشروحة.

تظل الواجهة متوافقة تماماً مع نظام scikit-learn: طرق `.fit()` و `.predict()`، دعم `Pipeline` والتحقق من الصحة المتقاطع عبر `GridSearchCV`.

يمكن استبدال المصنف التقليدي بمصنف قائم على LLM حرفياً في سطر واحد من الكود.

• لا توجد حاجة لبيانات التدريب—فقط قائمة الفئات كنص
• يعمل مع النص بأي لغة دون تكوين إضافي
• التوافق الكامل مع `Pipeline` و `GridSearchCV` من scikit-learn
• وضع few-shot: أضف عدة أمثلة لتحسين الدقة في المجالات المتخصصة
• الإخراج—مصفوفات NumPy القياسية المتوافقة مع بقية مجموعة ML

حيث يتم تطبيق هذا

التصنيف متعدد التسميات عبر LLM يحل بالفعل عدة مهام عملية مستقرة.

الوسائط والمحتوى. تقوم منصات الأخبار بتصنيف المواد تلقائياً حسب المواضيع والأنواع والجغرافيا—تحصل قطعة واحدة على عدة تسميات بدون مشاركة المحرر، مما يسرع الاعتدال ويحسن خوارزميات التوصية.

دعم العملاء. يتم توجيه الاستفسارات إلى فرق متعددة في نفس الوقت: قد يتعلق بريد واحد بالتسليم وجودة المنتج والاسترداد—ويدخل في ثلاث طوابير معالجة مرة واحدة.

النصوص القانونية. يتم تصنيف العقود حسب نوع الالتزام والقانون الواجب التطبيق ومستوى المخاطرة دون مراجعة يدوية من المحامين. وهذا يقلل وقت المراجعة الأولية من أيام إلى دقائق.

مجموعات البحث. تعليق سريع لآلاف الوثائق في ساعات بدلاً من أسابيع—مفيد بشكل خاص في بداية مشروع NLP جديد أو عند العمل مع الأرشيفات القديمة.

"الفرق بين التصنيف أحادي التسمية ومتعدد التسميات هو الفرق بين الرؤية

بالأبيض والأسود والرؤية الملونة"، غالباً ما يشرح مطورو NLP عند مواجهة بيانات حقيقية.

ما يعنيه هذا

يقلل Scikit-LLM حاجز الدخول لمهام NLP المعقدة إلى بضعة أسطر من الكود فقط. التصنيف متعدد التسميات، الذي كان يتطلب بيانات معنونة ونموذج متخصص ذات مرة، يحل الآن في وضع zero-shot في دقائق. بالنسبة للفرق التي تعمل مع النص غير المنظم، هذا يغير ليس فقط مجموعة الأدوات—بل أي المشاكل تستحق المحاولة على الإطلاق.