DocAnnot -- Accelerating the Creation of Key Information Extraction Datasets with GenAI-Powered Auto-annotation
يُعد DocAnnot إطار عمل مدعومًا بالذكاء الاصطناعي التوليدي يعمل على تسريع إنشاء مجموعات بيانات استخراج المعلومات الرئيسية من خلال الجمع بين نماذج اللغات الرؤية الكبيرة، والتعرف الضوئي على الحروف (OCR)، وخوارزمية مطابقة سياقية معلوماتية مكانية مبتكرة لتوليد تسميات تلقائية عالية الجودة تقلل بشكل كبير من الجهد اليدوي مع تمكين التدريب الفعال للنماذج في المراحل اللاحقة.
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 تحاول تعليم روبوت قراءة إيصال مكتوب بخط يد سيء أو نموذج تأمين معقد. تريد من الروبوت أن يجد "الإجمالي"، و"التاريخ"، و"اسم المتجر" ثم يكتبها في قائمة مرتبة. يُسمى هذا استخراج المعلومات المفتاحية (KIE). لفترة طويلة، كانت الطريقة الوحيدة لتعليم الروبوت هذه الحيلة هي أن يجلس إنسان ويشير يدوياً إلى كل كلمة ورقم في آلاف المستندات. الأمر يشبه توظيف فريق من الأشخاص لنسخ ولصق البيانات من مليون إيصال يدوياً؛ وهو أمر بطيء، ومكلف، وممل.
مؤخراً، وصل نوع جديد من الأدمغة الحاسوبية فائقة الذكاء، يُسمى نموذج الرؤية واللغة الكبير (LVLM). فكر فيه كأنه روبوت لا يستطيع فقط قراءة النص، بل يمكنه أيضاً "رؤية" صورة المستند، وفهم كيفية ترتيب الكلمات على الصفحة. ومع ذلك، لا تزال هذه الروبوتات تشبه المتدربين المتحمسين للغاية: فهي بارعة في فهم القصة، لكنها قد ترتبك أحياناً بشأن تحديد أي رقم بالضبط ينتمي لأي تسمية، أو قد تخترع حقائق ليست موجودة (وهي ظاهرة تُعرف باسم "الهلوسة"). السؤال الكبير الذي يطرحه العلماء هو: هل يمكننا استخدام هذه الروبوتات الذكية للقيام بالعمل الممل المتمثل في تصنيف البيانات من أجلنا، لتدريب روبوتات أخرى بشكل أسرع وأرخص، دون الحاجة إلى إنسان يراجع كل سطر؟
هذا هو بالضبط ما يعالجه بحث DocAnnot. فقد بنى الباحثون نظاماً جديداً يعمل مثل خط تجميع فائق الكفاءة لإنشاء بيانات التدريب. بدلاً من أن يقوم إنسان برسم مربعات حول الكلمات، يستخدم نظامهم "رقصة" مكونة من ثلاث خطوات للقيام بذلك تلقائياً. أولاً، يقوم "روبوت الرؤية" (الـ LVLM) بالنظر إلى المستند ويخمن ما هي التسميات والقيم المهمة، مثل العثور على "الإجمالي" والرقم الموجود بجانبه. ثانياً، يقوم "ماسح نصي" تقليدي (OCR) بقراءة كل كلمة على الصفحة ويرسم مربعاً دقيقاً حول مكان وجود كل كلمة.
هنا يحدث السحر: الخطوة الثالثة، وهي خوارزمية جديدة تسمى SICM (المطابقة السياقية ذات المعرفة المكانية). تخيل أن روبوت الرؤية يقول: "الإجمالي هو 100 دولار"، لكن الماسح النصي يرى الرقم "100" يظهر ثلاث مرات في الصفحة. كيف يعرف النظام أي "100" هي الصحيحة؟ تعمل خوارزمية SICM كالمحقق الذي يستخدم مسطرة. فهي تنظر إلى "النص المفتاحي" (كلمة "الإجمالي") الذي وجده روبوت الرؤية، وتقيس المسافة إلى جميع المرشحين لـ "100"، وتختار الرقم الأقرب فيزيائياً إلى كلمة "الإجمالي". إنها تجمع بين "دماغ" الروبوت (فهم المعنى) و"المسطرة" (فهم التخطيط) لاتخاذ الخيار الصحيح.
اختبر الفريق هذا النظام على مجموعتين شهيرتين من بيانات الإيصالات، وهما CORD وSROIE. كانت النتائج واعدة ولكنها ليست مثالية. عندما حاول النظام تصنيف الإيصالات بمفرده، حقق درجة دقة (تُسمى مقياس F1) تبلغ حوالي 0.679 في مجموعة بيانات CORD و0.846 في مجموعة بيانات SROIE. ولو وضعت ذلك في الاعتبار، فإن خبيراً بشرياً قد يحقق درجة تقترب من 0.9 أو أعلى، مما يعني أن الروبوت جيد، لكنه ليس مثالياً بعد.
ومع ذلك، جاءت المفاجأة الحقيقية عندما استخدموا هذه الملصقات التي صنعها الروبوت لتدريب روبوت أصغر للقيام بالمهمة. لقد سألوا: "إذا قمنا بتدريب نموذج بناءً فقط على البيانات التي صنعها DocAnnot، فهل لا يزال بإمكانه التعلم؟" كانت الإجابة "نعم" حذرة. حقق النموذج المدرب بالكامل على البيانات المصنفة تلقائياً درجة 0.6765 في اختبار مجموعة بيانات CORD. وبينما تعد هذه الدرجة أقل من النموذج المدرب على بيانات بشرية مثالية (والذي سجل 0.9141)، إلا أنها نتيجة جيدة تشير إلى أنك لست بحاجة إلى بشر لتصنيف كل مستند للحصول على نظام فعال.
كما يشير البحث أيضاً إلى أن الجزء "المعرف مكانياً" في نظامهم هو أمر بالغ الأهمية. فعندما قاموا بتشغيل النظام بدون "المسطرة" (خوارزمية SICM)، انخفضت الدقة في مجموعة بيانات CORD بشكل كبير، من 0.679 إلى 0.571. وهذا يثبت أن مجرد امتلاك روبوت ذكي ليس كافياً؛ بل تحتاج إلى المنطق المكاني لمعرفة أي كلمة تنتمي لأي تسمية.
أخيراً، جرب الباحثون نهجاً "هجيناً". لقد مزجوا عمل الروبوت مع قدر ضئيل جداً من المساعدة البشرية—تحديداً بإضافة 10% أو 20% أو 30% من البيانات المصنفة بشرياً إلى بيانات الروبوت. هذه الزيادة الصغيرة دفعت الأداء للأعلى، حيث ارتفع مقياس F1 إلى 0.7241 مع إضافة 30% فقط من المساعدة البشرية. وهذا يشير إلى أن المستقبل الأفضل قد لا يكون "روبوتات بالكامل" أو "بشر بالكامل"، بل فريقاً يقوم فيه الروبوت بالعمل الشاق بينما يتدخل الإنسان فقط لإصلاح الأجزاء الصعبة.
باخت-مختصر، لا يدعي DocAnnot أنه حل مشكلة الأتمتة المثالية. بدلاً من ذلك، هو يقدم أداة عملية موفرة للتكاليف يمكنها إنشاء بيانات "جيدة بما يكفي" لتدريب النماذج، أو العمل كمساعد قوي يقلل من الوقت الذي يقضيه البشر في الأعمال الورقية المملة. إنها خطوة نحو جعل معالجة المستندات أسرع وأرخص، حتى لو كنا لا نزال بحاجة إلى إنسان لمراجعة العمل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.