SIFT: مصنِّف مستندات ذاتي التعلّم يعيد تدريب نفسه دون تدخل بشري

قدّم باحثون SIFT (Self-Improving, Frozen-gate Training)، وهي خدمة لتصنيف المستندات تواصل التعلّم من حركة البيانات الفعلية وتعيد تدريب نفسها دون تدخل بشري. ونُشرت النسخة الأولية من الورقة (preprint) على arXiv في يوليو 2026.

كيف يعمل خط المعالجة الرخيص

يعتمد SIFT في التصنيف على خط معالجة رخيص عن قصد يعمل على CPU: يغذّي المشفّر المتناثر (sparse encoder) SPLADE نموذج LightGBM بالسمات، ولا يُرسَل إلى «قاضي» LLM المكلف سوى أقلية من الصفحات التي تنخفض فيها الثقة. أما الغالبية العظمى من المستندات فيصنّفها النظام دون اللجوء إلى النموذج اللغوي الكبير، ومن هنا تأتي التكلفة المنخفضة عند الاستدلال (inference).

• البنية: SPLADE (sparse encoder) ← رأس LightGBM، بالكامل على CPU
• لا يُصعَّد إلى «قاضي» LLM سوى الأقلية منخفضة الثقة من الصفحات
• إضافة نوع جديد من المستندات تتم عبر حزمة (bundle) تصريحية: فضاء التسميات، والعبارات المرجعية (anchor phrases)، ومسرد خاص بالقاضي
• إعادة التدريب مرة في الشهر، تلقائيًا ودون إنسان
• تكلفة التصنيف الحدّية تتجه نحو الصفر

لماذا ترتفع الدقة مع مرور الوقت

تتراكم دقة SIFT لأن أحكام «قاضي» LLM تُسجَّل في المدوّنة المصنَّفة، فيواصل النموذج المكلف تعليم النموذج الرخيص. ومع نمو المدوّنة تنخفض نسبة التصعيد إلى LLM، وتتغذى المدوّنة من حركة البيانات في بيئة الإنتاج، لا من مشروع تصنيف مكلف في البداية. وهكذا تزول العقبة الكلاسيكية أمام التصنيف في المؤسسات، وهي ضرورة أن يصنّف البشر آلاف المستندات أولًا: فالمدوّنة تُبنى ذاتيًا، وترتفع الدقة بمقدار الاستخدام.

كيف يُتجنَّب التدهور الصامت

الخطر الرئيسي في أي مصنِّف يعيد تدريب نفسه تلقائيًا هو التدهور الصامت: قد يسوء أداء النموذج دون أن يلاحظ أحد بعد إعادة التدريب الذاتي. ويعالج SIFT ذلك ببوابة ترقية (promote gate) من جزأين. الأولى فحص تراجع F1 على التسميات الحرجة؛ والثانية مجموعة «ذهبية» مجمّدة (frozen golden regression set) لا يتدرّب عليها النموذج إطلاقًا. وتعمل أي من البوابتين كحق نقض (فيتو) يمنع طرح الإصدار الجديد.

«هذا يحوّل «إعادة التدريب مرة في الشهر دون إنسان» من تهوّر إلى روتين»،

كما جاء في الورقة المنشورة على arXiv.

ماذا يعني ذلك

يقترح SIFT وصفة جاهزة للمؤسسات، يعمل فيها LLM مكلف معلّمًا لمصنِّف رخيص على CPU، وتتيح بوابتا حماية تفويض إعادة التدريب إلى الأتمتة. وإذا أمكن تكرار هذا النهج، فلن تحتاج الشركات بعد الآن إلى مشروع تصنيف واسع النطاق قبل إطلاق المصنِّف، إذ تتراكم البيانات والدقة ذاتيًا مع التشغيل.

الأسئلة الشائعة

ما هو SIFT؟

SIFT (Self-Improving, Frozen-gate Training) خدمة لتصنيف المستندات ديناميكيًا، تواصل التعلّم ذاتيًا من حركة البيانات في بيئة الإنتاج: يصنّف خط المعالجة الرخيص SPLADE + LightGBM الغالبية العظمى من الصفحات، بينما يحسم «قاضي» LLM الحالات المشكوك فيها ويغذّي مدوّنة التدريب.

هل يلزم تصنيف المستندات يدويًا؟

لا. فبدلًا من مشروع تصنيف مسبق لنوع جديد من المستندات، تكفي حزمة تصريحية (bundle) تضم فضاء التسميات والعبارات المرجعية ومسردًا لقاضي LLM. وبعد ذلك تنمو المدوّنة ذاتيًا من حركة البيانات الفعلية.

كيف يحمي SIFT نفسه من التدهور عند إعادة التدريب التلقائي؟

ببوابتين: فحص تراجع F1 على التسميات الحرجة، ومجموعة «ذهبية» مجمّدة لا يتدرّب عليها النموذج أبدًا. وإذا لم تُجتَز إحدى البوابتين على الأقل، فلا يُطرح الإصدار الجديد.