An Agentic Framework Using Rules and LLMs for Embedding and Annotating Descriptive Document Layouts: A Plant Science Use Case
تقدم هذه الورقة إطار عمل معياري قائم على الوكلاء يجمع بين التحليل القائم على القواعد والنماذج اللغوية الكبيرة لاستخراج وإثراء توصيفات السمات النباتية من تخطيطات المستندات الوصفية بمتانة، حيث نجحت في معالجة أكثر من 55,000 سمة عبر ما يقرب من 5,000 نوع نباتي.
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
على مدى قرون، اعتمد علماء النبات على مجلدات مطبوعة ضخمة لوصف نباتات العالم. هذه الكتب، التي غالبًا ما تكون مليئة بفقرات نصية كثيفة، تحمل مفاتيح فهم كيفية حياة نوع ما، وأين ينمو، وكيف يبدو. ومع ذلك، لكي تتمكن الحواسيب من استخدام هذه المعرفة، يجب تحويل المعلومات من صفحات قابلة للقراءة البشرية إلى بيانات مهيكلة يمكن للآلات البحث فيها وتحليلها. ويكمكم التحدي في الحجم الهائل والتعقيد لهذه النصوص، المكتوبة بلغات عديدة والتي تحتوي على أوصاف دقيقة لسمات النباتات، المعروفة بالسمات (traits). إن استخراج هذه البيانات يدويًا عملية بطيئة وعرضة للخطأ، بينما غالبًا ما تواجه الطرق الحاسوبية التقليدية صعوبة في فهم الفروق الدقيقة في اللغة العلمية أو تخطيط الصفحات القديمة الممسوحة ضوئيًا. ولحل هذه المشكلة، بدأ الباحثون في بناء أنظمة تجمع بين القواعد المنطقية الصارمة والاستدلال المرن للذكاء الاصطناائي، بهدف تحويل المكتبات من الأوصاف النباتية إلى قواعد بيانات ضخمة قابلة للبحث.
في دراسة حديثة، طور فريق من الباحثين نظامًا جديدًا مصممًا لقراءة هذه النصوص النباتية واستخراج تفاصيل محددة حول خصائص النباتات تلقائيًا. تبدأ العملية بمسوحات رقمية للكتب القديمة، والتي غالبًا ما تكون مجرد صور للنصوص. يستخدم النظام أولاً تقنية التعرف الضوئي على الحروف، وهي تقنية تحول تلك الصور إلى حروف وكلمات فعلية يمكن للحاسوب قراءتها. وبمجرد أن يصبح النص قابلاً للقراءة، يقوم النظام بتنظيمه عبر تجميع الأوصاف تحت أسماء النباتات الصحيحة. هذه الخطوة حاسمة لأن الكتاب الواحد قد يصف آلاف الأنواع المختلفة، ويجب على الحاسوب أن يعرف بالضبط أين ينتهي وصف نبات ما وأين يبدأ الآخر. وقد وجد الباحثون أن مجرد قراءة النص لم يكن كافيًا؛ إذ كان النظام بحاجة إلى فهم بنية الصفحة ليفصل الأقسام المختلفة بدقة.
ولاستخراج المعلومات الفعلية، بنى الفريق مسار عمل يعمل مثل فريق من العمال المتخصصين. تتبع المجموعة الأولى من العمال قواعد صارمة ومكتوبة مسبقًا للعثور على أنماط محددة. على سبيل المثال، إذا ذكر النص "أوراقًا" متبوعة بقياس مثل "4 سنتيمترات"، فإن النظام يسجل أن النبات لديه أوراق بهذا الحجم. هذه القواعد دقيقة وموثوقة، لكنها لا تستطيع إلا العثور على ما أُمرت صراحةً بالبحث عنه. وللإمساك بمزيد من التفاصيل، يوظف النظام مجموعة ثانية من العمال تعمل بواسطة نماذج اللغات الكبيرة، وهي برامج ذكاء اصطناعي متقدمة مدربة على كميات هائلة من الكتابات البشرية. تعمل هذه الوكلاء الذكية كخبراء افتراضيين يمكنهم اقتراح كلمات وعبارات جديدة تصف أجزاء النبات، مما يساعد النظام على التعرف على الأوصاف التي ربما فاتته باستخدام القواعد وحدها. هذا الجمع يسمح للنظام بأن يكون دقيقًا ومتكيفًا في آن واحد، حيث يملأ الفجوات دون فقدان وضوح البيانات الأصلية.
اختبر الباحثون هذا النظام على ثلاث مجموعات كبيرة من النصوص النباتية من كاليدونيا الجديدة، والسنغال، والكاميرون. وأظهرت النت النتائج أن النظام نجح في استخراج ما يقرب من 56,000 تعليق توضيحي لسمات محددة عبر ما يقرب من 5,000 نوع نباتي مختلف. وفي المتوسط، حدد النظام حوالي تسع سمات متميزة لكل نبات تم تحليله. وعندما أضافوا توسيع المفردات المدعوم بالذكاء الاصطناعي إلى النظام القائم على القواعد الصارمة، زاد إجمالي التعليقات التوضيحية بنسبة تقرب من 60 بالمائة، لتغطي ثلاثة أرباع السمات التي كانوا يبحثون عنها. أثبت هذا التحسن أن القواعد وفرت أساسًا صلبًا، لكن وكلاء الذكاء الاصطناعي وسعوا بشكل كبير قدرة النظام على فهم الطرق المتنوعة التي يصف بها علماء النبات النباتات.
كما كشونت الدراسة أن النظام يتسم بالمتانة، مما يعني أنه يعمل باستمرار حتى عندما تختلف جودة النص الممسوح ضوئيًا. اختبر الباحثون طرقًا مختلفة لتحويل الصور إلى نصوص ووجدوا أنه بينما كانت بعض الطرق أفضل قليلاً في التعرف على أسماء النباتات، إلا أن العدد الإجمالي للسمات المستخرجة ظل مستقرًا بغض النظر عن الطريقة المستخدمة. يشير هذا إلى أن مسار العمل موثوق بما يكفي للتعامل مع الواقع الفوضوي للوثائق التاريخية. ومع ذلك، فإن النظام ليس آليًا بالكامل؛ فهو لا يزال يتطلب خبراء بشريين لمراجعة الاقتراحات التي يقدمها وكلاء الذكاء الاصطناعي قبل إضافتها إلى القواعد النهائية. تضمن هذه الرقابة البشرية بقاء البيانات جديرة بالثقة وتضمن عدم قيام النظام باختراع حقائق، وهو خطر شائع عند استخدام الذكاء الاصطناعي وحده.
في نهاية المطاف، يوفر هذا العمل أداة قوية لتنظيم المعرفة النباتية العالمية. ومن خلال تحويل النصوص غير المهيكلة إلى بيانات منظمة، يساعد النظام العلماء على بناء قواعد بيانات أفضل لدراسة التنوع البيولوجي وتطور النباتات. ويثبت هذا النهج أن الجمع بين دقة القواعد المصممة بشريًا والاستدلال المرن للذكاء الاصطناعي يمكن أن يفتح المعلومات المخفية في ملايين الصفحات من الأدبيات العلمية. لقد أتاح الباحثون الكود الخاص بهم وبياناتهم للآخرين لاستخدامها، مما يضمن إمكانية تطبيق هذه الطريقة في مجالات أخرى تحتاج فيها النصوص المعقدة إلى الفهم والتنظيم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.