OpenSanctions Pairs: Large-Scale Entity Matching with LLMs
تقدم هذه الورقة البحثية OpenSanctions Pairs، وهي معيار مرجعي لمطابقة الكيانات واسع النطاق مستمد من بيانات عقوبات حقيقية، وتُظهر أن النماذج اللغوية الكبيرة تتفوق بشكل كبير على الأنظمة القائمة على القواعد المستخدمة في بيئات الإنتاج من حيث الدقة، مع تسليط الضوء على أن التحسينات المستقبلية يجب أن تركز على مكونات خط المعالجة مثل الحجب والتجميع بدلاً من المطابقة الثنائية وحدها.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك رئيس أمناء مكتبة ضخمة وفوضوية تمتد لتشمل العالم بأكمله. لكن هذه ليست مكتبة عادية؛ إنها مكتبة تضم أشخاصاً وشركات مدرجين في قوائم "ممنوع الدخول" (العقوبات) بسبب تورطهم في أنشطة غير قانونية.
المشكلة هي أن هذه المكتبة في حالة فوضى عارمة:
- 293 فهرساً مختلفاً (مصادر) من 3-31 دولة مختلفة.
- الأسماء مكتوبة بلغات مختلفة (الإنجليزية، الروسية، العربية، الصينية).
- قد يكون الشخص نفسه مدرجاً باسم "جون سميث"، و"ج. سميث"، و"إيفانوف" (ترجمة صوتية)، أو "الزعيم".
- بعض السجلات تفتقر إلى تواريخ الميلاد، والبعض الآخر يحتوي على أخطاء مطبعية.
مهمتك هي العثور على التكرارات: هل "فلاديمير بوتين" الموجود في القائمة الروسية هو نفسه "ف. بوتين" الموجود في القائمة الأمريكية؟ إذا فاتك أي تطابق، فقد يمر شخص سيء عبر النظام. وإذا طابقت بين شخصين مختلفين، فقد تجمد عن طريق الخطأ حساباً بنكياً لشخص بريء.
هذه الورقة البحثية تتحدث عن فريق من الباحثين الذين بنوا مجموعة اختبار ضخمة لمعرفة ما إذا كان الذكاء الاصطيبي الحديث (النماذج اللغوية الكبيرة - LLMs) يمكنه القيام بمهمة المطابقة هذه بشكل أفضل من البرامج الحاسوبية الجامدة التي تستخدمها البنوك والحكومات حالياً.
إليك تفاصيل الأمر بتبسيط شديد:
1. "كتاب الاختبار" الجديد (أزواج OpenSanctions)
قبل هذه الورقة، كان الباحثون يختبرون أنظمة المطابقة غالباً على بيانات نظيفة وبسيطة مثل "منتجات أمازون" أو "عناوين الأفلام". كان الأمر يشبه اختبار سيارة سباق على مضمار ناعم.
قام المؤلفون بإنشاء OpenSanctions Pairs، وهي مجموعة بيانات ضخمة تحتوي على 755,000 زوج من السجلات. الأمر يشبه أخذ سيارة سباق ووضعها على طريق جبلي وعر، صخري، وضبابي، بـ 293 نوعاً مختلفاً من التضاريس. وهي تشمل:
- أسماء من 31 دولة مختلفة.
- بيانات فوضوية (معلومات مفقودة، أخطاء مطبعية).
- تعقيدات العالم الحقيقي (أسماء مستعارة، طرق كتابة مختلفة).
لم يعتمدوا في تحديد الإجابات على التخمين؛ بل استخدموا خبراء بشريين لتصنيف الأزواج. تخيل هؤلاء الخبراء كحكام يمثلون "المعيار الذهبي".
2. السباق: القواعد القديمة مقابل الذكاء الاصطني_الجديد
وضع الباحثون نوعين من "المحققين" في مواجهة بعضهما البعض:
المحقق القديم (النظام القائم على القواعد): يشبه روبوتاً لديه قائمة مراجعة صارمة. يقول: "إذا كانت الأسماء متشابهة بنسبة 90% وسنة الميلاد هي نفسها، فهما متطابقان". إنه سريع ولكنه جامد، وغالباً ما يرتكب الأخطاء عندما تُكتب الأسماء بطرق مختلفة أو عند فقدان البيانات.
- النتيجة: أصاب في حوالي 91% من الإجابات. كان مندفعاً جداً للقول بأن "نعم، هما متطابقان"، مما أدى إلى الكثير من الإنذارات الكاذبة.
المحقق الجديد (النماذج اللغوية الكبيرة مثل GPT-4o، DeepSeek، إلخ): هذه هي نماذج الذكاء الاصطناعي المتقدمة. بدلاً من قائمة المراجعة، هي "تقرأ" السجلات كما يفعل البشر، وتفهم السياق. هي تدرك أن "السيد سميث" و"سميث" هما على الأرجح نفس الشخص، لكن "سميث" و"سميثرز" قد لا يكونان كذلك.
- النتيجة: حققت أفضل نماذج الذكاء الاصطناعي نسبة 98-99% من الإجابات الصحيحة. كانت تقريباً بمستوى الخبراء البشريين.
3. المفاجأة المذهلة: "الأقل هو الأكثر"
حاول الباحثون جعل الذكاء الاصطناعي أكثر ذكاءً من خلال:
- إعطائه أمثلة (عرض بعض الحالات المحلولة له أولاً).
- استخدام "محسن الأوامر" (Prompt Optimizer) (أداة تعيد كتابة التعليمات الموجهة للذكاء الاصطناعي لإيجاد الصياغة المثالية).
والمفاجأة كانت؟
- إعطاء الأمثلة جعل الذكاء الاصطناعي أسوأ قليلاً. الأمر يشبه محاولة تعليم طالب عبقري من خلال إظهار بعض المسائل الرياضية المحددة له؛ فقد ارتبك بسبب الأمثلة المحددة ونسي القاعدة العامة.
- "الأمر المثالي" كان بسيطاً بشكل مفاجئ. لم يكن الذكاء الاصطناعي بحاجة إلى دليل تعليمات من 500 كلمة. كل ما كان يحتاجه هو أن يُقال له: "لا تبحث عن أوجه التشابه؛ بل ابحث عن التناقضات. إذا لم ترَ تناقضاً واضحاً (مثل اختلاف أرقام الهوية)، افترض أنهما نفس الشخص".
4. أين لا يزال الذكاء الاصطناعي يتعثر؟
حتى أفضل نماذج الذكاء الاصطناعي ليست مثالية. وجدت الورقة طريقتين رئيسيتين للفشل:
- مشكلة "المترجم": إذا كُتب الاسم باللغة السيريلية (الروسية) ثم كُتب بالإنجليزية بطريقتين مختلفتين من حيث النطق الكتابي، فقد يغفل الذكال الاصطناعي عن الربط بينهما.
- مشكلة "الخطأ المطبعي": إذا سجل أحد السجلات "1980" وسجل آخر "1981" (ربما خطأ مطبعي)، فإن الذكاء الاصطناعي يصبح صارماً جداً ويقول: "هذان شخصان مختلفان!" لأنه يبحث عن التناقضات.
5. الاستنتاج الكبير: لقد تغيرت طبيعة العمل
أهم استنتاج هو أن: عملية "المطابقة" قد حُلت تقريباً.
في الماضي، كانت العقبة الكبرى هي جعل الكمبيوتر يكتشف ما إذا كان سجلان يعودان لنفس الشخص. الآن، أصبح الذكال الاصطناعي بارعاً جداً في ذلك (دقة 99%)، ولم تعد هذه هي الجزء الصعب.
إذن، ما الذي يجب أن نركز عليه بعد ذلك؟
بدلاً من محاولة جعل ذكاء "المطابقة" أكثر ذكاءً، يجب أن نركز على الأجزاء الأخرى من سلسلة العمل:
- الحجب (Blocking): كيف نجد المرشحين المناسبين بسرعة للمقارنة بينهم دون الحاجة لفحص كل شخص في العالم؟
- التجميع (Clustering): كيف نجمع 10 سجلات مختلفة تشير جميعها إلى نفس الشخص في "ملف تعريف فائق" واحد؟
- عدم اليقين (Uncertainty): عندما لا يكون الذكاء الاصطناعي متأكداً بنسبة 100%، كيف نضع علامة لتنبيه البشر للمراجعة؟
ملخص التشبيه
تخيل أنك تحاول العثور على إبرة مفقودة في كومة قش.
- الطريقة القديمة: استخدمت مغناطيساً لا يلتقط إلا الإبر المصنوعة من نوع معين من الفولاذ. لقد فاتتك الكثير من الإبر.
- الطريقة الجديدة: وظفت روبوتاً فائق الذكاء يمكنه رؤية الإبرة من خلال القش. لقد وجد تقريباً كل الإبر.
- الدرس المستفاد: لم نعد بحاجة لجعل عيون الروبوت أكثر حدة. نحن بحاجة لمعرفة كيفية تنظيم كومة القش بشكل أفضل حتى لا يضطر الروبوت للبحث في الكومة بأكملها، وكيفية التعامل مع الإبر القليلة التي لا يكون الروبوت متأكداً منها.
باختختصار: لقد أتقن الذكاء الاصطناعي فن مطابقة الأسماء في قاعدة بيانات عالمية فوضوية. المستقبل ليس في مطابقة أفضل، بل في تنظيم أفضل وإشراف بشري أدق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.