AWS: ضبط نماذج Amazon Nova يرفع دقة استخراج البيانات من البريد الإلكتروني إلى 94.77%

نشرت مدونة AWS Machine Learning Blog حالة عملية عن ضبط نماذج Amazon Nova باستخدام خدمة Amazon SageMaker AI لاستخراج البيانات من البريد الإلكتروني المؤسسي: ارتفعت الدقة إلى 94.77% وانخفضت تكاليف المعالجة بنسبة 50%.

ما هي Amazon Nova

Amazon Nova عائلة من النماذج الأساسية متعددة الوسائط من AWS، كُشف عنها في مؤتمر re:Invent في أواخر عام 2024. تضم العائلة نماذج نصية بأحجام مختلفة — Micro وLite وPro وPremier — إضافة إلى نموذجَي توليد الصور والفيديو Canvas وReel. تتوفر جميع النماذج عبر خدمة Amazon Bedrock، وتقدّمها AWS بوصفها بديلًا أرخص وأسرع من نماذج المزوّدين الآخرين، مع جودة مماثلة في المهام المؤسسية الشائعة مثل تصنيف النصوص والتلخيص واستخراج البيانات.

لماذا يخطئ النموذج الجاهز في الرسائل البريدية

بدون تدريب إضافي، كثيرًا ما يخلط النموذج العام بين الحقول المتقاربة في المعنى داخل البريد الوارد — مثل عنوان التسليم وعنوان الفوترة، أو رقم الطلب ورقم طلب الدعم. فكل شركة تصوغ طلباتها وتنسّق رسائلها بطريقتها الخاصة، والنموذج الجاهز لا يعرف هذه الخصوصيات. ويعالج الضبط (fine-tuning) عبر Amazon SageMaker AI هذه المشكلة تحديدًا: يتدرّب النموذج على أمثلة حقيقية من رسائل المؤسسة نفسها، ويحفظ قوالب بياناتها الخاصة — صيغ الأرقام ومواضع الحقول والمصطلحات المتخصصة في قطاعها.

• بلغت دقة استخراج البيانات من الرسائل 94.77%
• انخفضت تكاليف معالجة الرسالة الواحدة بنسبة 50%
• نُفّذ الضبط عبر خدمة Amazon SageMaker AI
• تعلّم النموذج التمييز بين الحقول المتشابهة في بنيتها والتعرّف على أنماط شركة بعينها

من يستفيد من دقة تتجاوز 94%

يُعد استخراج البيانات من البريد الوارد مهمة روتينية لدى خدمات الدعم وشركات الخدمات اللوجستية وأقسام التأمين والمالية، التي تفرز يوميًا وبشكل يدوي الطلبات والفواتير والاستفسارات والشكاوى. وبدقة تقارب 95% يمكن إسناد معظم هذه الرسائل إلى النموذج بصورة آلية كاملة، مع إبقاء الحالات المعقدة أو المثيرة للجدل للموظفين وحدهم. كما أن انخفاض تكلفة المعالجة إلى النصف يجعل الأتمتة مجدية حتى مع أحجام كبيرة من المراسلات الواردة. ويمكن تطبيق نهج مماثل لا على البريد فحسب، بل على أي مستندات شبه منظّمة — كالفواتير ونماذج الاستبيان ونماذج الملاحظات.

كيف تجري عملية الضبط في SageMaker AI

Amazon SageMaker AI خدمة مُدارة من AWS تغطي دورة العمل الكاملة مع نماذج تعلّم الآلة: من إعداد البيانات وإطلاق التدريب إلى النشر والمراقبة في بيئة الإنتاج. ولضبط نموذج لغوي مثل Nova، تحتاج الشركة إلى جمع مجموعة من الأمثلة الموسومة — رسائل حقيقية وُسمت حقولها يدويًا مسبقًا — وتمريرها إلى SageMaker AI، الذي يطلق عملية الضبط الدقيق لأوزان النموذج لهذه المهمة المحددة. وعلى خلاف تدريب النموذج من الصفر، يتطلب الضبط بيانات وموارد حوسبة أقل بكثير، لأن النموذج يفهم اللغة أصلًا، ويحتاج فقط إلى تكييفه مع خصوصية مهمة واحدة ضيقة.

ماذا يعني ذلك

تُظهر حالة AWS الفائدة العملية للضبط في المهام المؤسسية الضيقة: فنموذج Nova، وهو صغير نسبيًا بمقاييس القطاع، يمكنه بعد الضبط على بيانات الشركة نفسها أن ينافس في الدقة نماذج عامة أغلى ثمنًا، مع كلفة تشغيل أقل بوضوح. وبالنسبة للأعمال، يعني ذلك أن طريق توفير التكاليف في أتمتة المهام الروتينية لا يمر فقط عبر شراء نموذج أقوى، بل عبر ضبط نموذج متاح أصلًا على بيانات الشركة الخاصة.

تُظهر حالة AWS الفائدة العملية للضبط في المهام المؤسسية الضيقة: فنموذج Nova، وهو صغير نسبيًا بمقاييس القطاع، يمكنه بعد الضبط على بيانات الشركة نفسها أن ينافس في الدقة نماذج عامة أغلى ثمنًا، مع كلفة تشغيل أقل بوضوح. وبالنسبة للأعمال، يعني ذلك أن طريق توفير التكاليف في أتمتة المهام الروتينية لا يمر فقط عبر شراء نموذج أقوى، بل عبر ضبط نموذج متاح أصلًا على بيانات الشركة الخاصة.