بنت IBS Software نموذج ذكاء اصطناعي NER ثنائي اللغة لخدمات اللوجستيات على Bedrock

نشرت AWS Machine Learning Blog تحليلاً تقنياً حول كيفية بناء IBS Software لنظام ثنائي اللغة للتعرف على الكيانات المسماة (NER) لخدمات اللوجستيات الشحنات باستخدام تقطير المعرفة القائم على الرموز على منصة Amazon Bedrock.

ما هو NER ولماذا تحتاج إليه اللوجستيات

التعرف على الكيانات المسماة (NER) هي مهمة معالجة اللغات الطبيعية حيث يجد النموذج ويصنف كيانات معينة في النص: أسماء الشركات والعناوين وأرقام الحاويات والتواريخ وأسماء الموانئ. في لوجستيات الشحنات، تصل المستندات (الفواتير والإقرارات الجمركية والتعليمات) غالباً بلغات مختلفة، واستخراج البيانات يدوياً منها هو عملية تستغرق وقتاً طويلاً وعرضة للأخطاء.

كيفية عمل تقطير المعرفة القائم على الرموز

تقطير المعرفة هي تقنية حيث يتم تدريب نموذج أصغر وأكثر إحكاماً لإعادة إنتاج سلوك نموذج أكبر مع الحفاظ على معظم دقته مع تكاليف حسابية أقل بكثير. يطبق الأسلوب القائم على الرموز التقطير على مستوى الرموز الفردية للنص، وهو أمر مهم بشكل خاص لمهمة NER، حيث تكون دقة وضع علامات على كل كلمة في الجملة حرجة.

• التكنولوجيا—نموذج NER ثنائي اللغة لخدمات اللوجستيات الشحنات
• طريقة التدريب—تقطير المعرفة القائم على الرموز
• المنصة—Amazon Bedrock، مستفيداً من قدرات تقطير المعرفة في AWS
• مؤلف الحالة—شركة IBS Software

يسمح استخدام تقطير المعرفة بدلاً من نشر نموذج لغة كبير بحجم كامل لـ IBS Software بتحقيق دقة قبول للتعرف على الكيانات بتكاليف استدلال أقل—حرج لشركات اللوجستيات التي تعالج أحجام كبيرة من المستندات يومياً.

ما الذي يعنيه هذا

توضح حالة IBS Software نمطاً عملياً للصناعات ذات البيانات المتخصصة والمتعددة اللغات: ليس من الضروري الاحتفاظ بنموذج عام ثقيل في الإنتاج—يمكن لنموذج مكثف ومضغوط يتم تدريبه لمهمة محددة مثل NER حلها بكفاءة واقتصادية أكثر.