From NER to Business Process Automation: Comparative Evaluation of CNN, LSTM, and Transformer Models for Address Intelligence
تقدم هذه الدراسة تقييماً مقارناً لخمس بنيات عصبية (WordCNN، وWordLSTM، وBERT، وDistilBERT، وELECTRA) لاستخراج العناوين في أتمتة العمليات التجارية، حيث تُظهر أن نموذج ELECTRA يحقق أعلى مستويات الدقة والكفاءة بينما توفر النماذج الأخف وزناً بدائل مجدية للتطبيقات الحساسة لزمن الاستجابة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في كل يوم، تنقل الشركات جبالاً من الأوراق والسجلات الرقمية، بدءاً من شحن الطرود وصولاً إلى إدارة تسجيل الطلاب. ويتضمن جزء حيوي من هذا العمل قراءة العناوين. وبينما يمكن للبشر إلقاء نظرة خاطفة على ملاحظة مكتوبة بخط اليد أو سطر نصي مطبوع ومعرفة المدينة والولاية والرمز البريدي فوراً، فإن الحواسيب غالباً ما تعاني. فبالنسبة للآلة، ليست سلسلة الكلمات سوى تتابع من الحروف دون معنى متأصل. ولكي تتمكن الشركات من أتمتة سير العمل لديها — أي السماح للبرامج بالتعامل مع المهام دون تدخل بشري — فإنها تحتاج إلى وسيلة لتحويل هذه الأسطر النصية غير المنظمة إلى بيانات مرتبة ومنظمة. وهنا يأتي دور مجال من مجالات الذكاء الاصطناعي يسمى "التعرف على الكيانات المسماة" (Named Entity Recognition). فكر في الأمر كأنه قلم تحديد رقمي يمسح الجملة ويضع علامات على كلمات محددة باعتبارها "مدينة" أو "ولاية" أو "دولة". ويتمثل التحدي الذي يواجه المهندسين في إيجاد النوع المناسب من "الدماغ الرقمي" للقيام بعملية التحديد هذه بسرعة ودقة، خاصة عندما تأتي العناوين من مصادر مختلفة وتبدو مختلفة تماماً عن بعضها البعض.
لقد شرع فريق من الباحثين في جامعة بينيت في الهند في حل هذا اللغز تحديداً. أرادوا معرفة أي نوع من الأنواع الخمسة الأكثر شيوعاً للشبكات العصبية — وهي أنظمة حاسوبية مصممة لمحاكاة الطريقة التي يتعلم بها الدماغ البشري من الأنماط — يعمل بشكل أفضل في تفكيك العناوين. واختبروا ثلاث عائلات متميزة من النماذج: تلك التي تبحث عن أنماط محلية صغيرة؛ وتلك التي تقرأ النص كجملة، مع تتبع ترتيب الكلمات؛ والنوع الأحدث والأكثر قوة الذي يفهم السياق الكامل للجملة دفعة واحدة. لم يكتفِ الباحثون بمراقبة أي النماذج حصل على أكبر عدد من الإجابات الصحيحة فحسب، بل قاموا أيضاً بقياس الوقت الذي يستغرقه كل نموذج لاتخاذ القرار، لأن السرعة في عالم أتمتة الأعمال لا تقل أهمية عن الدقة. وقد اختبروا هذه الأنظمة على مجموعتين مختلفتين جداً من البيانات الواقعية: سجلات من موردي الصناعات الفضائية وقائمة ضخمة من المدارس العامة في الولايات المتحدة.
بدأت الدراسة بتغذية هذه النماذج بآلاف أسطر العناوين. وقد حرص الباحثون على ضمان إجراء اختبار عادل؛ حيث قسموا البيانات بحيث يتم تدريب النماذج على بعض العناوين واختبارها على عناوين أخرى مختلفة تماماً لم ترهَا من قبل، مما يمنع الحواسيب من مجرد حفظ الإجابات. كما اختبروا النماذج تحت ظروف مختلفة، حيث قدموا لها أحياناً نصف البيانات فقط للتعلم منها، وفي أحيان أخرى قدموا لها المجموعة كاملة. وقد ساعد هذا في فهم مدى قدرة كل نظام على التعلم عندما تكون المعلومات شحيحة مقابل كونها وفيرة. كان الهدف هو العثيد نظام يمكنه التعامل مع واقع بيانات الأعمال الفوضوي دون إبطاء العملية بأكملها.
رسمت النتائج صورة واضحة للمقايضات المعنية. فالنماذج التي اعتمدت على قراءة النص كلمة بكلمة بالتتابع، والمعروفة باسم شبكات (LSTM)، أدت أداءً جيداً وكانت أفضل في فهم كيفية ارتباط الكلمات ببعضها البعض مقارنة بالنماذج الأبسط التي تبحث فقط عن الأنماط المحلية. ومع ذلك، جاءت النتائج الأكثر قوة من النماذج القائمة على تقنية "المحولات" (Transformer)، المصممة لفهم سياق الجملة بأكملها في وقت واحد. ومن بين هذه النماذج، برز نموذج يُدعى "إليكترا" (ELECTRA) كالأكثر كفاءة. فعندما أعطى الباحثون النماذج الكمية الكاملة من البيانات للعمل بها، حدد "إليكترا" مكونات العنوان بشكل صحيح بنسبة 99.4% لبيانات الصناعات الفضائية و99.6% لبيانات المدارس.
وما جعل "إليكترا" قيماً بشكل خاص ليس فقط درجته العالية، بل سرعته أيضاً. فبينما حقق نموذج "بيرت" (BERT) الشهير والقوي نتائج مماثلة في الدقة، إلا أنه استغرق وقتاً أطول بكثير لمعالجة كل عنوان. وفي الاختبارات، كان "إليكترا" أسرع بحوالي ست مرات من "بيرت"، حيث أتم عمله في حوالي 56 مللي ثانية مقارنة بأكثر من 300 مللي ثانية للآخر. وهذا الفرق أمر بالغ الأهمية للشركات التي تحتاج إلى معالجة آلاف السجلات في الوقت الفعلي. ووجد الباحثون أنه بينما كانت النماذج الأبسط والأسرع جيدة بما يكفي للعناوين القياسية للغاية، إلا أنها لم تستطع مضاهاة دقة الأنظمة الأكثر تقدماً. وعلى العكس من ذلك، كانت الأنظمة الأكثر قوة غالباً بطيئة جداً للمهام ذات الحجم الكبير ما لم يتم اختيار نموذج مثل "إليكترا".
كما كشفت الدراسة أن امتلاك المزيد من البيانات ساعد جميع النماذج على التحسن، لكن نماذج "المحولات" المتقدمة استفادت بشكل أكبر. فعندما أعطى الباحثون النماذج 100% من البيانات المتاحة بدلاً من 50% فقط، ارتفعت دقة النماذج الرائدة إلى مستويات أعلى، بينما شهدت النماذج الأبسط مكاسب أكثر تواضعاً. وهذا يشير إلى أنه بالنسبة لمهام تحليل العناوين الأكثر صعوبة، فإن القوة الحسابية الإضافية للنماذج المتقدمة تستحق الاستثمار، بشرط استخدام نسخة سريعة مثل "إليكترا". وأشار الباحثون إلى أن هذه النتائج محددة بالبيانات المهيكلة التي اختبروها، والتي اتبعت في الغالب تنسيقات العناوين في أمريكا الشمالية، وحذروا من أن النتائج قد تبدو مختلفة إذا طُلب من النماذج قراءة ملاحظات مكتوبة بخط اليد أو عناوين من دول أخرى ذات قواعد مختلفة.
في نهاية المطاف، يوفر هذا البحث دليلاً عملياً للشركات التي تحاول أتمتة معالجة البيانات لديها. فهو يوضح أنه لا يوجد نموذج واحد "أفضل" لكل حالة. فإذا كانت الشركة بحاجة إلى معالجة ملايين العناوين القياسية بسرعة، فقد يكون النموذج الأبسط والأخف وزناً هو الخيار الأمثل. وإذا كانت العناوين معقدة وتتطلب فهماً عميقاً، فإن نموذج "المحولات" يصبح ضرورياً. ومع ذلك، لأولئك الذين يحتاجون إلى الجمع بين أفضل ما في العالمين — الدقة العالية والسرعة العالية — برز "إليكترا" كالفائز الواضح في هذه المقارنة. وتؤكد الدراسة أنه بينما يمكن للذكاء الاصطناعي الآن التعامل مع هذه المهام بدقة تقارب الكمال، فإن مفتاح الأتمة الناجحة يكمن في اختيار الأداة المناسبة للمهمة المحددة، مع موازنة الحاجة إلى الدقة والحاجة إلى السرعة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.