Named Entity Recognition (NER)

يعد التعرف على الكيانات المسماة (NER) مهمة فرعية أساسية في Natural Language Processing (NLP) تتضمن تحديد وتصنيف المعلومات الأساسية داخل النصوص غير المهيكلة. في سير العمل النموذجية، يقوم نموذج NER بمسح المستند لتحديد "الكيانات" - وهي كلمات أو عبارات محددة تمثل أشياء في العالم الحقيقي - وتعيينها إلى فئات محددة مسبقًا مثل أسماء الأشخاص، أو المنظمات، أو المواقع، أو التواريخ، أو الرموز الطبية. هذه العملية ضرورية لتحويل البيانات الأولية unstructured data مثل رسائل البريد الإلكتروني، وتقييمات العملاء، ومقالات الأخبار إلى تنسيقات منظمة يمكن للآلات معالجتها وتحليلها. من خلال الإجابة عن "من، وماذا، وأين" النص، يتيح NER لأنظمة Artificial Intelligence (AI) استخراج رؤى ذات مغزى من كميات هائلة من المعلومات تلقائيًا.

كيف تعمل تقنية NER#

تستفيد أنظمة NER الحديثة من نماذج إحصائية متقدمة وتقنيات Deep Learning (DL) لفهم السياق المحيط بالكلمة. تبدأ العملية بـ tokenization، حيث يتم تقسيم الجملة إلى وحدات فردية تسمى الرموز. بعد ذلك، تقوم الهندسات المعمارية المتطورة، مثل Transformer، بتحليل العلاقات بين هذه الرموز لتحديد معانيها بناءً على الاستخدام.

على سبيل المثال، قد تشير كلمة "Apple" إلى فاكهة أو شركة تقنية بناءً على الجملة. من خلال آليات مثل self-attention، يميز نموذج NER أن "Apple أصدرت هاتفاً جديداً" تشير إلى منظمة، بينما "أكلت تفاحة" تشير إلى كائن عام. يعتمد أداء هذه النماذج بشكل كبير على training data عالية الجودة وdata annotation الدقيقة. في التطبيقات متعددة الوسائط، غالباً ما يتم إقران NER بـ Optical Character Recognition (OCR) لاستخراج النص من الصور قبل معالجتها.

تطبيقات العالم الحقيقي#

تعد NER تقنية أساسية للعديد من أدوات الأتمتة الذكية المستخدمة في مختلف الصناعات.

• AI in Healthcare: تستخدم المؤسسات الطبية NER للتنقيب في السجلات الصحية الإلكترونية بحثاً عن بيانات حرجة. من خلال استخراج الكيانات مثل الأعراض، وأسماء الأدوية، والجرعات من الملاحظات السريرية، يمكن للباحثين تسريع اكتشاف الأدوية وتحسين patient care.
• دعم العملاء الذكي: توظف الشركات chatbots المجهزة بـ NER لتصنيف شكاوى العملاء تلقائياً. إذا أرسل المستخدم رسالة، "شاشة حاسوبي المحمول مكسورة"، فإن النظام يحدد "حاسوبي المحمول" كمنتج و"شاشة مكسورة" كعطل، مما يوجه التذكرة إلى فريق الدعم الفني على الفور.
• التوصية بالمحتوى: تستخدم خدمات البث ومجمعات الأخبار NER وسم المحتوى بكيانات ذات صلة (مثل الممثلات، والأنواع، والمواقع). ثم تستخدم Recommendation systems هذه الوسوم لتقترح أفلاماً أو مقالات جديدة تتوافق مع اهتمامات المستخدم.
• التحليل المالي: تستخدم شركات الاستثمار NER لمسح آلاف التقارير المالية ومقالات الأخبار يومياً. من خلال استخراج أسماء الشركات والقيم النقدية، يمكنهم إجراء predictive modeling للتنبؤ باتجاهات السوق.

التمييز بين NER والمفاهيم ذات الصلة#

من المفيد التمييز بين NER ومهام التفسير الأخرى لفهم دورها المحدد في خط أنابيب الذكاء الاصطناعي.

• Object Detection: بينما يحدد NER الكيانات في النص، يحدد اكتشاف الكائنات الكيانات في الصور. على سبيل المثال، يكتشف نموذج بصري مثل YOLO26 السيارات والمشاة في موجزات الفيديو، بينما يكتشف NER "فورد" و"سائق" في التقارير المكتوبة. تهدف كلتا المهمتين إلى تحديد وتصنيف عناصر الاهتمام ضمن طSائفة البيانات الخاصة بهما.
• Sentiment Analysis: تحدد هذه المهمة النبرة العاطفية (إيجابية، سلبية، أو محايدة) للنص. يستخرج NER ما يتم مناقشته (على سبيل المثال، "آيفون 16" والمتعلقات)، بينما يحدد تحليل المشاعر كيف يشعر المستخدم تجاهه (على سبيل المثال، "رائع جداً").
• Natural Language Understanding (NLU): NLU هو مصطلح مظلي أوسع لفهم القراءة الآلية. NER هو مكون محدد من NLU غالباً ما يعمل جنباً إلى جنب مع تصنيف النية لفهم معنى إدخال المستخدم تماماً.
• استخراج الكلمات المفتاحية: على عكس NER، التي تصنف الكلمات إلى فئات دلالية (على سبيل المثال، شخص، تاريخ)، يقوم استخراج الكلمات المفتاحية ببساطة بتحديد المصطلحات الأكثر تكرارًا أو صلة في المستند دون فهم نوع الكيان الخاص بها.

الجمع بين NER والرؤية الحاسوبية#

يعد تقارب النص والرؤية اتجاهاً متنامياً في Multi-Modal Learning. تسد نماذج مثل YOLO-World هذه الفجوة باستخدام مطالبات النصوص لتوجيه اكتشاف الكائنات. في سير العمل هذا، يعمل مشفر النصوص بشكل مشابه لنظام NER، حيث يفسر المعنى الدلالي لأَسماء الفئات (الكيانات) التي يقدمها المستخدم للعثور على الكائنات المرئية المقابلة.

يوضح مثال Python التالي كيفية استخدام مكتبة ultralytics لاكتشاف الكائنات استناداً إلى أوصاف نصية مخصصة، مما يربط بفعالية كيانات اللغة الطبيعية بالبيانات المرئية.

from ultralytics import YOLOWorld

# Load a YOLO-World model capable of understanding text-based entities
model = YOLOWorld("yolov8s-world.pt")

# Define custom entities to search for in the image
# The model interprets these text strings to identify visual matches
model.set_classes(["red backpack", "person wearing hat", "dog"])

# Run inference on an image to localize these entities
results = model.predict("park_scene.jpg")

# Display the results with bounding boxes around detected entities
results[0].show()

الأدوات والتنفيذ#

يتمتع المطورون بإمكانية الوصول إلى نظام بيئي قوي من الأدوات لتنفيذ NER. توفر المكتبات الشهيرة مفتوحة المصدر مثل spaCy وNLTK خطوط أنابيب مدربة مسبقاً للاستخدام الفوري. بالنسبة للتطبيقات على نطاق المؤسسات، توفر خدمات السحابة مثل Google Cloud Natural Language واجهات برمجة تطبيقات مُدارة تتدرج مع الطلب.

يتطلب إدارة دورة حياة نماذج الذكاء الاصطناعي هذه - سواء للنصوص أو الرؤية - عمليات فعالة. تعمل Ultralytics Platform على تبسيط عمليات MLOps هذه، وتوفير بيئة موحدة لإدارة مجموعات البيانات، وتدريب النماذج، ونشر الحلول. يضمن هذا بقاء مشاريع الذكاء الاصطناعي قابلة للتوسع وجاهزة للإنتاج، مما يدعم التحسين المستمر لنماذج مثل YOLO26 للأداء المتطور.