IBS Software تبني نموذج ذكاء اصطناعي ثنائي اللغة للتعرّف على الكيانات المسمّاة في الشحن واللوجستيات على Bedrock

نشرت مدونة AWS Machine Learning Blog تحليلًا تقنيًا يوضّح كيف بنت شركة IBS Software نظامًا ثنائي اللغة للتعرّف على الكيانات المسمّاة (NER) في مجال الشحن واللوجستيات، باستخدام تقطير المعرفة على مستوى الرموز (token-based) على منصة Amazon Bedrock.

ما هو NER ولماذا يحتاجه قطاع اللوجستيات

التعرّف على الكيانات المسمّاة (Named Entity Recognition أو NER) مهمة في معالجة اللغة الطبيعية، يحدّد فيها النموذج كيانات محدّدة داخل النص ويصنّفها، مثل أسماء الشركات والعناوين وأرقام الحاويات والتواريخ وأسماء الموانئ. وفي الشحن واللوجستيات، كثيرًا ما تصل المستندات (بوالص الشحن والإقرارات الجمركية والتعليمات) بلغات مختلفة، ويُعدّ استخراج هذه البيانات يدويًا عملية مرهقة وعرضة للأخطاء.

كيف يعمل تقطير المعرفة على مستوى الرموز

تقطير المعرفة (knowledge distillation) تقنية يتعلّم فيها نموذج أصغر حجمًا محاكاة سلوك نموذج كبير، فيحتفظ بجزء كبير من دقته بتكلفة حوسبية أقل بكثير. ويطبّق النهج القائم على الرموز (token-based) التقطير على مستوى كل رمز نصي على حدة، وهو أمر بالغ الأهمية في مهمة NER، حيث تُعدّ دقة وسم كل كلمة في الجملة عاملًا حاسمًا.

• التقنية — نموذج NER ثنائي اللغة (bilingual) للشحن واللوجستيات
• أسلوب التدريب — تقطير المعرفة على مستوى الرموز (token-based knowledge distillation)
• المنصة — Amazon Bedrock، مع استخدام إمكانات تقطير المعرفة من AWS
• صاحب الحالة — شركة IBS Software

ويتيح اعتماد تقطير المعرفة بدلًا من نشر نموذج لغوي كبير كامل الحجم لشركة IBS Software تحقيق دقة مقبولة في التعرّف على الكيانات بتكلفة استدلال (inference) أقل، وهو أمر حيوي لشركات اللوجستيات التي تعالج كميات كبيرة من المستندات يوميًا.

ماذا يعني ذلك

تُظهر حالة IBS Software نمطًا عمليًا للقطاعات التي تتعامل مع بيانات متخصصة ومتعددة اللغات: ليس من الضروري الإبقاء على نموذج عام ثقيل في بيئة الإنتاج، فقد يحلّ نموذج مقطَّر أصغر حجمًا، مدرَّب لمهمة محدّدة مثل NER، هذه المهمة بكفاءة أعلى وتكلفة أقل.