Machine Learning Mastery يوضح كيفية تشغيل التصنيف النصي بلا أمثلة (zero-shot) دون مجموعة بيانات

نشر Machine Learning Mastery دليلاً عملياً للتصنيف النصي zero-shot، وهو نهج يتيح إسناد التصنيفات دون تدريب منفصل على مجموعة بيانات خاصة. ويتمحور الشرح حول نموذج facebook/bart-large-mnli وعدد من السيناريوهات البسيطة التي يمكن البدء بها سريعاً.

كيف يعمل هذا النهج

في المخطط الكلاسيكي يُدرَّب مصنِّف النصوص على أمثلة موسومة مسبقاً، مثل الرسائل البريدية أو الأخبار أو المراجعات أو طلبات الدعم الفني. أما نهج zero-shot فيلغي هذه المرحلة عند البداية. فبدلاً من التدريب على مهمة محددة، يتلقى النموذج النص نفسه وقائمة بالتصنيفات المحتملة، ثم يقيّم أيّها أنسب لمعناه.

عملياً، لا تعود المهمة تخمين رقم فئة، بل تصبح فحصاً دلالياً: هل يناسب هذا الوصف هذا المقطع؟ ويشرح دليل Machine Learning Mastery ذلك بفكرة بسيطة: يُحوَّل كل تصنيف ذهنياً إلى جملة قصيرة مثل «هذا النص عن التكنولوجيا» أو «هذا طلب إلى الدعم الفني». يقارن النموذج النص الأصلي بهذه الصياغات ويرتّب الخيارات بحسب درجة الثقة.

ومن هنا تأتي القاعدة العملية الرئيسية: صياغة التصنيفات مهمة. فكلما كانت أكثر تحديداً زادت فرصة الحصول على نتيجة ذات معنى دون إعادة تدريب. لذلك يعمل التصنيف billing issue عادةً بصورة أفضل من التصنيف الغامض money.

التطبيق العملي في Transformers

يعرض كاتب الدليل أقصر طريق للتشغيل عبر مكتبة Transformers: يكفي تثبيت torch وtransformers، ثم تشغيل pipeline من نوع zero-shot-classification مع النموذج facebook/bart-large-mnli.

اختيار هذا النموذج ليس عشوائياً. فقد دُرِّب على مهمة natural language inference، أي أنه قادر على التحقق مما إذا كان نص ما يؤكد نصاً آخر. ولهذا يناسب التصنيف zero-shot، حيث يُقدَّم كل تصنيف فعلياً كفرضية حول محتوى النص.

في المثال الأساسي، تحصل جملة عن transformer models in NLP على التصنيف technology بدرجة ثقة 96.52%. ثم يعرض الدليل الإعدادات الأكثر فائدة في العمل الفعلي:

• الوضع العادي يختار فئة واحدة هي الأنسب من القائمة؛
• multi_label=True يتيح إسناد عدة تصنيفات إلى نص واحد إذا كان يتناول عدة موضوعات في آن واحد؛
• العتبة على قيمة score تساعد على تصفية المطابقات الضعيفة وإبقاء الفئات ذات الثقة العالية فقط؛
• يمكن إعادة كتابة hypothesis template بما يناسب مهمتك، كي يفسّر النموذج تصنيفات الأعمال بدقة أكبر.

وفي مثال جملة عن إطلاق تطبيق صحي ونمو الأعمال، يحدد النموذج في الوقت نفسه healthcare وtechnology وbusiness. أما في حالة خطأ تسجيل الدخول إلى الحساب، فيصبح technical support الخيار الأرجح. وهذه نقطة مهمة: لا يعمل zero-shot مع الموضوعات العامة مثل الرياضة أو المالية فحسب، بل مع السيناريوهات التطبيقية ذات الفئات التشغيلية أيضاً، مثل الدعم والفوترة وطلبات الميزات والإشراف على المحتوى وتوجيه الطلبات.

أين يفيد هذا النهج

يفيد هذا النهج خصوصاً حين تحتاج إلى اختبار فرضية بسرعة ولا يتوفر الوقت لجمع مجموعة بيانات ووسمها. فمثلاً، يمكن بناء نموذج أولي لمصنِّف تذاكر الدعم الفني، أو وسم المقالات، أو تحديد نية المستخدم، أو فرز الوثائق الداخلية، أو الإشراف الأساسي على المحتوى، خلال يوم واحد.

وإذا كانت مجموعة الفئات تتغير كثيراً، فإن zero-shot يتفوق أيضاً: فلا حاجة إلى إعادة تدريب النموذج في كل مرة لمجرد أن الفريق قرر إضافة وسم جديد أو إعادة تسمية وسم قديم.

لكن للطريقة حدوداً. فهي تعتمد بدرجة كبيرة على جودة اختيار candidate labels وعلى طريقة صياغة hypothesis template. وإذا كانت الفئات واسعة جداً أو متقاربة في المعنى أو مكتوبة بصياغة مبهمة، تتراجع الجودة سريعاً. وفي المجالات الضيقة ذات المفردات المتخصصة، مثل الطب أو القانون أو الدعم المعقد في قطاع B2B، يصلح zero-shot عادةً كطبقة أولى أو نموذج أولي سريع، لا كبديل نهائي عن نموذج أُعيد تدريبه.

ماذا يعني ذلك

تكمن فائدة تحليل Machine Learning Mastery في أنه يقدّم التصنيف zero-shot لا كفكرة بحثية مجردة، بل كأداة عملية يمكن تشغيلها خلال دقائق. وبالنسبة إلى فرق المنتجات، فهي وسيلة مباشرة لاختبار الفئات، وأتمتة التوجيه الأولي للنصوص، وتحديد ما إذا كانت هناك حاجة أصلاً إلى دورة مكلفة من الوسم والتدريب على عيّنة خاصة.

*Meta مصنفة منظمة متطرفة ومحظورة في روسيا الاتحادية.