تبدأ 23 نوفمبرالدفعة المباشرة 3 من Vibe Coding ووكلاء الذكاء الاصطناعي: 3 أسابيع و9 جلسات حيةالدفعة 3 (23.11) →
إصدارAPI / منتج · جاهز للعملHabr AI→ المصدر

مهندس من red_mad_robot يعرض كيفية بناء خدمة NER للسير الذاتية: من الوسم إلى واجهة API

استعرض مهندس NLP في red_mad_robot مسار NER الكامل للسير الذاتية، من صياغة المهمة ووسم BIO إلى تدريب النموذج وبناء خدمة API. يستخدم المثال Label Studio وبيانات اصطناعية وستة نماذج BERT وFastAPI. وثمة تفصيل لافت: حقق ruRoBERTa-large أفضل نتيجة F1، لكن المؤلف اختار للإنتاج نموذج mBERT الأخف بسبب السرعة ومتطلبات العتاد.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
مهندس من red_mad_robot يعرض كيفية بناء خدمة NER للسير الذاتية: من الوسم إلى واجهة API
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
حقيقة رئيسية #1الوسم اليدوي لسير ذاتية حقيقية أو مُعدّة مسبقًا في Label Studio
حقيقة رئيسية #2ترجمة مجموعات بيانات السير الذاتية الإنجليزية إلى الروسية مع تحقق إضافي
حقيقة رئيسية #3توليد سير ذاتية اصطناعية عبر LLM وبيانات وهمية من Faker

نُشرت على Habr مادة عملية حول كيفية حل مهمة NER لا نظريًا، بل على حالة حقيقية من السير الذاتية داخل نظام موارد بشرية. يعرض المؤلف المسار كاملًا: من اختيار الكيانات وإعداد مجموعة البيانات إلى تدريب النموذج وتشغيل واجهة API يمكن دمجها في منتج فعلي.

من المهمة إلى المخطط

تقوم الحالة على مهمة تطبيقية واضحة: يحتاج المُوظِّفون إلى وحدة تستقبل السيرة الذاتية بصيغة PDF أو DOC، وتستخرج منها النص، ثم تعثر فيه على الاسم واسم العائلة والبريد الإلكتروني ورقم الهاتف والمهارات والراتب المتوقع. ولهذا السيناريو تحديدًا يُختار نهج NER.

من النقاط المهمة في المقال أن المؤلف لا يبدأ بالنموذج، بل بتوضيح المتطلبات التجارية. فعلى المرء أولًا أن يفهم المجال ولغة المستندات وصيغة المدخلات والحقول التي يحتاجها العميل فعليًا. وبدون ذلك، سيحل حتى النموذج الجيد مهمة غير المطلوبة.

بعد صياغة المتطلبات، يثبّت المؤلف وسومًا محددة: NAME وSURNAME وEMAIL وPHONE وSKILL وSALARY. ولأغراض الوسم يختار مخطط BIO، لأن المهارات في السير الذاتية كثيرًا ما تأتي متتابعة، ومن المهم أن يعرف النموذج أين تبدأ كل كيان على حدة. ويُعد مثال "Python SQL Docker" دالًا هنا: إذا اختير الوسم بشكل سيئ، فقد يدمج النظام عدة مهارات في مهارة واحدة. وهذه بالضبط حالة قرار يبدو صغيرًا في البداية ثم يؤثر في جودة النظام كله.

أين تتعثر مجموعة البيانات

يُخصَّص أكبر أقسام المقال للبيانات، وهذا منطقي: فهنا يُنفق عادةً أكبر قدر من الوقت. يستخدم المؤلف أداة Label Studio للوسم اليدوي، لكنه يعالج على حدة مشكلتين عمليتين: الخدمة لا تحلل ملفات PDF بشكل سليم من تلقاء نفسها، ولا تتعامل جيدًا مع استيراد TXT البسيط. لذلك يكتب قبل الوسم سكربت Python صغيرًا يستخرج النص من PDF ويحوّل المستندات إلى صيغة JSON المناسبة لـ Label Studio.

«Garbage in — garbage out».

ثم يبدأ الجزء المفيد بشكل خاص للفرق التطبيقية. لم يعثر المؤلف على مجموعة بيانات جاهزة للسير الذاتية بالروسية، لا على Hugging Face ولا على Kaggle ولا على المنصات الشائعة الأخرى. لذلك اضطر إلى الجمع بين عدة نهج لإعداد المدونة:

  • الوسم اليدوي لسير ذاتية حقيقية أو مُعدّة مسبقًا في Label Studio
  • ترجمة مجموعات بيانات السير الذاتية الإنجليزية إلى الروسية مع تحقق إضافي
  • توليد سير ذاتية اصطناعية عبر LLM وبيانات وهمية من Faker
  • استكمال وسم EMAIL وPHONE عبر regex حيث أخطأ الـ LLM

يُظهر المقال جيدًا أن LLM لا تحل مشكلة جودة البيانات، بل تغيّر شكلها فقط. فعند ترجمة السير الذاتية قد تتشوه عناوين البريد وأرقام الهواتف وأسماء التقنيات، وفي الوسم التلقائي كان النموذج يصنّف أحيانًا جهة عمل مثل Oracle ضمن المهارات، أو يتجاهل وسومًا واضحة.

وثمة استنتاج مهم آخر: يجب وسم المهارات على امتداد النص كله، وليس في قسم "المهارات" فقط، وإلا تعلّم النموذج قالب القسم لا الكيان نفسه. وللعرض التوضيحي جمع المؤلف 114 مستندًا وستة قوالب مختلفة للسير الذاتية، لكنه ينبّه صراحةً إلى أن الإنتاج يتطلب عادةً آلاف الأمثلة.

لماذا وقع الاختيار على mBERT

يبني المؤلف مرحلة النمذجة حول عائلة BERT. وللتجربة يقارن ستة نماذج مُدرَّبة مسبقًا، منها mBERT وXLM-RoBERTa وruBERT وruRoBERTa-large. جرى التدريب على RTX 3090 بذاكرة فيديو 16 غيغابايت، وقُسِّمت المستندات الطويلة إلى مقاطع كي تتسع لنافذة السياق في النموذج.

استُخدم مقياس F1 للتقييم، وكان ruRoBERTa-large الأفضل رسميًا. لكن المؤلف لا يتوقف عند ذلك، وينتقل إلى سؤال أهم في المشاريع الحقيقية من جدول المقاييس: كم تكلّف كل زيادة صغيرة في الجودة.

لم يقع الاختيار النهائي على متصدر المعيار، بل على bert-base-multilingual-cased. والسبب بسيط: لدى mBERT نحو 178 مليون معامل مقابل 355 مليونًا لدى ruRoBERTa-large، بينما بلغ الفارق في F1 نحو 0,01. ويمنح هذا التبادل استدلالًا أسرع ومتطلبات أخف للعتاد، وهو أمر مهم خصوصًا إذا اقتضى الأمر لاحقًا تشغيل الخدمة على CPU وليس على GPU فقط.

فوق النموذج المختار يبني المؤلف خدمة FastAPI بنقطة نهاية /predict تستقبل نص السيرة الذاتية وتعيد الكيانات التي عثرت عليها. أي أن المقال لا يتوقف عند دفتر تجارب، بل يوصل الحالة إلى واجهة API بحدها الأدنى القابل للتشغيل.

ماذا يعني ذلك

تكمن قيمة تحليل red_mad_robot في أنه يعرض NER بوصفه مهمة هندسية لا تمرينًا أكاديميًا. والخلاصة الرئيسية بسيطة: لا تأتي النتيجة العملية من اختيار نموذج رائج، بل من الجمع بين صياغة صحيحة للمهمة، ومخطط وسم صارم، وفحص يدوي للبيانات، وتسوية رصينة بين الجودة وتكلفة الاستدلال.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول من المهمة إلى المخطط؟

تقوم الحالة على مهمة تطبيقية واضحة: يحتاج المُوظِّفون إلى وحدة تستقبل السيرة الذاتية بصيغة PDF أو DOC، وتستخرج منها النص، ثم تعثر فيه على الاسم واسم العائلة والبريد الإلكتروني ورقم الهاتف والمهارات والراتب المتوقع. ولهذا السيناريو تحديدًا يُختار نهج NER. من النقاط المهمة في المقال أن المؤلف لا يبدأ بالنموذج، بل بتوضيح المتطلبات التجارية. فعلى المرء أولًا أن يفهم المجال ولغة المستندات وصيغة المدخلات والحقول التي يحتاجها العميل فعليًا. وبدون ذلك، سيحل حتى النموذج الجيد مهمة غير المطلوبة.

ما أبرز التفاصيل حول أين تتعثر مجموعة البيانات؟

يُخصَّص أكبر أقسام المقال للبيانات، وهذا منطقي: فهنا يُنفق عادةً أكبر قدر من الوقت. يستخدم المؤلف أداة Label Studio للوسم اليدوي، لكنه يعالج على حدة مشكلتين عمليتين: الخدمة لا تحلل ملفات PDF بشكل سليم من تلقاء نفسها، ولا تتعامل جيدًا مع استيراد TXT البسيط. لذلك يكتب قبل الوسم سكربت Python صغيرًا يستخرج النص من PDF ويحوّل المستندات إلى صيغة JSON المناسبة لـ Label Studio. «Garbage in — garbage out». ثم يبدأ الجزء المفيد بشكل خاص للفرق التطبيقية.

ما أبرز التفاصيل حول لماذا وقع الاختيار على mBERT؟

يبني المؤلف مرحلة النمذجة حول عائلة BERT. وللتجربة يقارن ستة نماذج مُدرَّبة مسبقًا، منها mBERT وXLM-RoBERTa وruBERT وruRoBERTa-large. جرى التدريب على RTX 3090 بذاكرة فيديو 16 غيغابايت، وقُسِّمت المستندات الطويلة إلى مقاطع كي تتسع لنافذة السياق في النموذج. استُخدم مقياس F1 للتقييم، وكان ruRoBERTa-large الأفضل رسميًا. لكن المؤلف لا يتوقف عند ذلك، وينتقل إلى سؤال أهم في المشاريع الحقيقية من جدول المقاييس: كم تكلّف كل زيادة صغيرة في الجودة.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
ما رأيك؟
جارٍ تحميل التعليقات…