MWS AI تفتح مصدر OpenAutoNLU: مكتبة تختار تلقائيًا بين 3 طرق لتدريب روبوت الدردشة
لكي يفهم الروبوت ما يريده العميل، يختار المطوّر طريقة التدريب يدويًا، وينظّف التوسيم، ويعلّم الروبوت رفض الأسئلة الخارجة عن الموضوع. فتحت MWS AI مصدر مكتبة OpenAutoNLU، التي تختار تلقائيًا، بحسب عدد الأمثلة لكل فئة، إحدى ثلاث طرق: من التعلّم بعدد قليل من الأمثلة (few-shot) وصولًا إلى الضبط الدقيق الكامل. وإذا لم تتوفر عيّنة اختبار، فسيولّدها GPT-4o-mini: ولم يتجاوز الفرق بينها وبين الاختبار الحقيقي 5%. وبالنسبة إلى نموذج أولي لروبوت يملك توسيمًا محدودًا، فهذه بداية سريعة.
معالج بواسطة الذكاء الاصطناعي من Habr: MTS AI؛ بتحرير Hamidun News
تخيّلوا روبوت دعم في أحد المصارف. عليه أن يفهم ما يريده العميل: حظر البطاقة، أو معرفة الحد الائتماني، أو تغيير الباقة. تُسمّى هذه المهمة NLU، أي فهم اللغة الطبيعية. ولتدريب روبوت كهذا، يختار المطوّر طريقة التدريب، ويضبط الإعدادات، وينظّف التوسيم المعيب، ثم يكتشف أن الروبوت يجيب بثقة عن أسئلة الطقس التي لم يتدرّب عليها. وتُعرف هذه الطلبات «الخارجة عن الموضوع» في الأدبيات باسم OOD (out of scope). وقد فتح فريق MWS AI، بالتعاون مع باحثين من جامعة ITMO وجامعة MBZUAI، مصدر مكتبة OpenAutoNLU، التي يُفترض أن تزيل هذا العمل اليدوي الروتيني من تصنيف النصوص واستخراج الكيانات (NER).
ما المشكلة التي تحلّها المكتبة
يحدّد المؤلفون، ومنهم المتحدث باسم المشروع غريغوري أرشينوف، ثلاث نقاط ضعف في أدوات AutoML الحالية. فهي إما لا تستطيع تدريب نماذج NLU مباشرةً دون إعداد إضافي، وإما لا تستطيع بناء كواشف جيدة للطلبات الخارجة عن الموضوع، وإما أنها معقّدة أكثر من اللازم وتتطلب خبرة.
وهذا هو العمل الروتيني بالتفصيل. أولًا، يجب معرفة المعاملات الفائقة (hyperparameters) المناسبة مسبقًا، أو تجريب جميع التركيبات والإعدادات الجاهزة، وهذا بطيء ومكلف حسابيًا. ثانيًا، نادرًا ما يكون التوسيم في المشاريع الحقيقية نظيفًا: فيه أخطاء وأمثلة ملتبسة وتكرارات واختلال في توزيع الفئات. ولا تفحص معظم حلول AutoML جودة البيانات داخل خط المعالجة نفسه. ثالثًا، في بيئة الإنتاج يتلقى النموذج ما لم يظهر في التدريب. وعادةً لا تؤخذ هذه الأمثلة في الحسبان، أو يُشترط توسيمها مسبقًا، وهو ما لا يتيسر دائمًا.
OpenAutoNLU مكتبة Python ذات واجهة API بسيطة. يقدّم المستخدم البيانات ويطلق التدريب، بينما يجري اختيار الوضع وتحليل البيانات وموازنتها والتحضير للاستدلال تلقائيًا. وقد دخلت المكتبة بالفعل ضمن أدوات منصة MWS AI Agents Platform.
كيف تعمل: مثال عملي
الفكرة الرئيسية أن المكتبة تنظر إلى توزيع الفئات وإلى الحد الأدنى لعدد الأمثلة في الفئة الواحدة، ثم تختار الاستراتيجية بنفسها. إذا كانت البيانات قليلة جدًا، يُفعَّل AncSetFit: وهو أسلوب few-shot يعتمد على أمثلة مرساة، ومصمَّم لـ 2–5 أمثلة لكل فئة. وعند الحجم المتوسط يعمل SetFit: أي sentence-transformer يعلوه مصنِّف بسيط. وحين تتوفر أمثلة كافية، يُضبط المحوّل (transformer) بأكمله، مع إمكانية اختيار المعاملات عبر Optuna إذا رغب المستخدم. وبشكل افتراضي يجري ذلك في عشر تكرارات، مع التوقف بعد خمس خطوات دون تحسّن في المقياس المستهدف macro-F1.
لنفترض أن في مجموعة بيانات النوايا لديكم فئات لها مثالان فقط، وأخرى لها المئات. سيقوّي النظام الفئات الصغيرة أولًا عبر التعزيز (augmentation) باستخدام Augmentex، وعند الحاجة عبر LLM. أما في أوضاع few-shot، فيقصّ الفئات الكبيرة بالمقابل: حتى 80 مثالًا في SetFit وحتى 5 في AncSetFit، كي لا يُفسد اختلال التوازن عملية التدريب. بعد ذلك تُقيّم المكتبة البيانات من جديد، وقد تبدّل الوضع.
وثمة طبقة مستقلة للتشخيص تخصّ التوسيم. فهي تُظهر الأمثلة التي ينبغي إعادة توسيمها: حيث يتعارض التنبؤ مع الوسم، وحيث يفتقر النموذج إلى الثقة، وأي الأمثلة لا تُنتج سوى ضجيج. وفي NER يُطبَّق تجميع لعدة تنبؤات باستخدام Monte Carlo dropout، وتُعامَل هذه التنبؤات كآراء موسِّمين مختلفين.
وللطلبات الخارجة عن الموضوع ثلاث طرق: Marginal Mahalanobis Distance وCentroid Mahalanobis Distance وMaxProb. وتعمل الأولى بصورة أفضل حين يضم أصغر فئة 81 مثالًا على الأقل. وتحدّد المكتبة عتبة الرفض اعتمادًا على أمثلة اصطناعية من فئة out of scope، ولذلك فليس من الضروري توسيمها يدويًا، مع أن بإمكانكم إضافة أمثلتكم الخاصة.
وإذا لم تتوفر عيّنة اختبار، فسيولّدها LLM انطلاقًا من أمثلة التدريب. وفي التجارب استُخدم GPT-4o-mini: وفي العيّنات التي تصل إلى 80 مثالًا لكل فئة لم يتجاوز الفرق بين الاختبار الاصطناعي والحقيقي 5%. ويصلح أي نقطة وصول متوافقة مع OpenAI، بما في ذلك نموذج محلي.
والناتج حزمة تحوي نقطة حفظ (checkpoint) بصيغة ONNX، ومجزّئ الرموز (tokenizer)، وخريطة الوسوم، وملف meta.json. ويحدّد مدير الاستدلال تلقائيًا CUDA أو CoreML أو CPU، ويختار حجم الدفعة كي لا تنفد الذاكرة.
ماذا عن التحقق، وأين يجب الحذر
قارن المؤلفون المكتبة بـ AutoIntent وAutoGluon وLightAutoML وH2O على أربع مجموعات بيانات للنوايا: banking77 وmassive وhwu64 وsnips. وجرت التجارب على عيّنات صغيرة (5–10 أمثلة لكل فئة)، ومتوسطة (81–100)، وعلى البيانات الكاملة، مع حساب متوسط النتائج على ثلاث عمليات تشغيل. وقيست F1-macro وF1-in-scope وF1-OOD. وأُجريت الاختبارات على جهاز مزوّد بـ NVIDIA H100 بسعة 80 غيغابايت.
والتحفظات واضحة. هذه قياسات أجراها المؤلفون أنفسهم على معايير نوايا قياسية، وأما كيف ستتصرف المكتبة على مجموعة بياناتكم المشوّشة فيلزم التحقق منه. كما أن قراءة توسيم BIO لمهمة NER مباشرةً غير مدعومة حتى الآن، وقد وُعد بها في الإصدار القادم.
والخلاصة العملية بسيطة. إذا كنتم تبنون روبوتًا أو موجِّهًا للطلبات أو نظامًا لاستخراج الكيانات، وتملكون بيانات موسومة قليلة، فإن OpenAutoNLU يتيح لكم تجميع نسخة أساسية صالحة للعمل بسرعة، مع تشخيص للتوسيم وحماية من الطلبات الخارجة عن الموضوع. والعرض التجريبي متاح مؤقتًا على openautonlu.dev، ويمكنكم بناؤه بأنفسكم وفق التعليمات الموجودة في المستودع.
- 21 نوفمبر 2026صندوق Plural يجمع مليار يورو — ضعف حجم صندوقه السابق — لدعم الشركات الناشئة الأوروبية
- 21 نوفمبر 2026مجلس إدارة Nvidia يقيل هوانغ: صفقة Hugging Face البالغة 12.9 مليار دولار في خطر
- 21 نوفمبر 2026OpenAI تفتح نماذجها أمام أربعة مدققين خارجيين: Apollo وMETR وTransluce وGoodfire
- 21 نوفمبر 2026كاليفورنيا تقاضي OpenAI بسبب وكلاء ذكاء اصطناعي اخترقوا Hugging Face: غرامة 2500 دولار عن كل مخالفة
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما المشكلة التي تحلّها المكتبة؟
يحدّد المؤلفون، ومنهم المتحدث باسم المشروع غريغوري أرشينوف، ثلاث نقاط ضعف في أدوات AutoML الحالية. فهي إما لا تستطيع تدريب نماذج NLU مباشرةً دون إعداد إضافي، وإما لا تستطيع بناء كواشف جيدة للطلبات الخارجة عن الموضوع، وإما أنها معقّدة أكثر من اللازم وتتطلب خبرة. وهذا هو العمل الروتيني بالتفصيل. أولًا، يجب معرفة المعاملات الفائقة (hyperparameters) المناسبة مسبقًا، أو تجريب جميع التركيبات والإعدادات الجاهزة، وهذا بطيء ومكلف حسابيًا.
ما أبرز التفاصيل حول كيف تعمل: مثال عملي؟
الفكرة الرئيسية أن المكتبة تنظر إلى توزيع الفئات وإلى الحد الأدنى لعدد الأمثلة في الفئة الواحدة، ثم تختار الاستراتيجية بنفسها. إذا كانت البيانات قليلة جدًا، يُفعَّل AncSetFit: وهو أسلوب few-shot يعتمد على أمثلة مرساة، ومصمَّم لـ 2–5 أمثلة لكل فئة. وعند الحجم المتوسط يعمل SetFit: أي sentence-transformer يعلوه مصنِّف بسيط. وحين تتوفر أمثلة كافية، يُضبط المحوّل (transformer) بأكمله، مع إمكانية اختيار المعاملات عبر Optuna إذا رغب المستخدم.
ما أبرز التفاصيل حول ماذا عن التحقق، وأين يجب الحذر؟
قارن المؤلفون المكتبة بـ AutoIntent وAutoGluon وLightAutoML وH2O على أربع مجموعات بيانات للنوايا: banking77 وmassive وhwu64 وsnips. وجرت التجارب على عيّنات صغيرة (5–10 أمثلة لكل فئة)، ومتوسطة (81–100)، وعلى البيانات الكاملة، مع حساب متوسط النتائج على ثلاث عمليات تشغيل. وقيست F1-macro وF1-in-scope وF1-OOD. وأُجريت الاختبارات على جهاز مزوّد بـ NVIDIA H100 بسعة 80 غيغابايت. والتحفظات واضحة.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.