Named Entity Recognition (NER)

يُعدّ التعرّف على الكيانات المُسمّاة (NER) مهمة فرعية أساسية من معالجة اللغة الطبيعية (NLP)، وتنطوي على تحديد المعلومات المهمة وتصنيفها ضمن النصوص غير المهيكلة. في سير العمل المعتاد، يفحص نموذج NER مستندًا لتحديد موقع «الكيانات»—وهي كلمات أو عبارات محددة تمثل عناصر من العالم الحقيقي—ويُسنِدها إلى فئات محددة مسبقًا، مثل أسماء الأشخاص والمؤسسات والمواقع والتواريخ أو الرموز الطبية. وتُعد هذه العملية ضرورية لتحويل البيانات غير المهيكلة الخام، مثل رسائل البريد الإلكتروني ومراجعات العملاء والمقالات الإخبارية، إلى تنسيقات مهيكلة يمكن للآلات معالجتها وتحليلها. ومن خلال الإجابة عن أسئلة «من وماذا وأين» في النص، تُمكّن NER أنظمة الذكاء الاصطناعي (AI) من استخراج رؤى قيّمة تلقائيًا من كميات هائلة من المعلومات.

كيفية عمل NER#

تستفيد أنظمة NER الحديثة من النماذج الإحصائية المتقدمة وتقنيات التعلّم العميق (DL) لفهم السياق المحيط بالكلمة. تبدأ العملية بـتجزئة النص إلى رموز، حيث تُقسّم الجملة إلى وحدات فردية تُسمّى رموزًا. ثم تحلل البنى المتطورة، مثل Transformer، العلاقات بين هذه الرموز لتحديد معناها استنادًا إلى استخدامها.

على سبيل المثال، يمكن أن تشير كلمة «Apple» إلى ثمرة أو إلى شركة تقنية، تبعًا للجملة. ومن خلال آليات مثل الانتباه الذاتي، يميّز نموذج NER أن العبارة «Apple released a new phone» تشير إلى مؤسسة، بينما تشير العبارة «I ate an apple» إلى عنصر عام. ويعتمد أداء هذه النماذج بدرجة كبيرة على بيانات التدريب عالية الجودة ووسم البيانات الدقيق. وفي التطبيقات متعددة الوسائط، غالبًا ما يُقرن NER بـالتعرّف البصري على الأحرف (OCR) لاستخراج النص من الصور قبل معالجته.

التطبيقات الواقعية#

تُعد NER تقنية أساسية للعديد من أدوات الأتمتة الذكية المستخدمة في مختلف القطاعات.

• الذكاء الاصطناعي في الرعاية الصحية: تستخدم المؤسسات الطبية NER لاستخراج البيانات المهمة من السجلات الصحية الإلكترونية. ومن خلال استخراج كيانات مثل الأعراض وأسماء الأدوية والجرعات من الملاحظات السريرية، يستطيع الباحثون تسريع اكتشاف الأدوية وتحسين رعاية المرضى.
• دعم العملاء الذكي: تستخدم الشركات روبوتات المحادثة المزوّدة بـNER لتصنيف شكاوى العملاء تلقائيًا. فإذا أرسل مستخدم الرسالة «My laptop screen is broken»، يحدد النظام «laptop» بوصفه منتجًا و«screen is broken» بوصفها عيبًا، ويوجّه التذكرة إلى فريق الدعم الفني فورًا.
• التوصية بالمحتوى: تستخدم خدمات البث ومجمّعات الأخبار NER لوَسم المحتوى بالكيانات ذات الصلة (مثل الممثلين والأنواع والمواقع). ثم تستخدم أنظمة التوصية هذه الوسوم لاقتراح أفلام أو مقالات جديدة تتوافق مع اهتمامات المستخدم.
• التحليل المالي: تستخدم شركات الاستثمار NER لفحص آلاف التقارير المالية والمقالات الإخبارية يوميًا. ومن خلال استخراج أسماء الشركات والقيم النقدية، يمكنها إجراء نمذجة تنبؤية للتنبؤ باتجاهات السوق.

تمييز NER عن المفاهيم ذات الصلة#

من المفيد التمييز بين NER ومهام التفسير الأخرى لفهم دوره المحدد في مسار الذكاء الاصطناعي.

• اكتشاف الأجسام: بينما يحدد NER الكيانات في النص، يحدد اكتشاف الأجسام الكيانات في الصور. فعلى سبيل المثال، يكتشف نموذج بصري مثل YOLO26 السيارات والمشاة في تدفقات الفيديو، في حين يكتشف NER كلمتي «Ford» و«driver» في التقارير المكتوبة. وتهدف كلتا المهمتين إلى تحديد مواضع العناصر محل الاهتمام وتصنيفها ضمن نمطي البيانات الخاصين بهما.
• تحليل المشاعر: تحدد هذه المهمة النبرة العاطفية للنص (إيجابية أو سلبية أو محايدة). يستخرج NER ما تتم مناقشته (مثل «The iPhone 16»)، بينما يحدد تحليل المشاعر كيف يشعر المستخدم تجاهه (مثل «is amazing»).
• فهم اللغة الطبيعية (NLU): يُعد NLU مصطلحًا شاملًا أوسع لفهم الآلة للمقروء. وNER مكوّن محدد من NLU يعمل غالبًا إلى جانب تصنيف النوايا لفهم معنى إدخال المستخدم فهمًا كاملًا.
• استخراج الكلمات المفتاحية: بخلاف NER، الذي يصنّف الكلمات ضمن فئات دلالية (مثل الشخص والتاريخ)، يحدد استخراج الكلمات المفتاحية ببساطة المصطلحات الأكثر تكرارًا أو صلة في المستند، من دون فهم نوع الكيان الذي تنتمي إليه.

دمج NER مع الرؤية الحاسوبية#

يُعد تقارب النص والرؤية اتجاهًا متناميًا في التعلّم متعدد الوسائط. وتعمل نماذج مثل YOLO-World على سد هذه الفجوة باستخدام المطالبات النصية لتوجيه اكتشاف الأجسام. وفي سير العمل هذا، يعمل مُرمّز النص بطريقة مشابهة لنظام NER، إذ يفسّر المعنى الدلالي لأسماء الفئات (الكيانات) التي يقدّمها المستخدم للعثور على الأجسام المرئية المطابقة.

يوضح مثال Python التالي كيفية استخدام مكتبة ultralytics لاكتشاف الأجسام استنادًا إلى أوصاف نصية مخصصة، مما يربط بفاعلية بين كيانات اللغة الطبيعية والبيانات 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#

يتاح للمطورين نظام بيئي متين من الأدوات لتنفيذ NER. وتوفر المكتبات الشائعة مفتوحة المصدر، مثل spaCy وNLTK، مسارات معالجة مدرّبة مسبقًا للاستخدام الفوري. وبالنسبة إلى التطبيقات على مستوى المؤسسات، تقدم الخدمات السحابية، مثل Google Cloud Natural Language، واجهات API مُدارة تتوسع بما يتناسب مع الطلب.

تتطلب إدارة دورة حياة نماذج الذكاء الاصطناعي هذه—سواء كانت مخصصة للنص أو للرؤية—عمليات فعّالة. وتبسّط منصة Ultralytics عمليات MLOps هذه، إذ توفر بيئة موحدة لإدارة مجموعات البيانات وتدريب النماذج ونشر الحلول. ويضمن ذلك بقاء مشاريع الذكاء الاصطناعي قابلة للتوسع وجاهزة للإنتاج، مع دعم التحسين المستمر لنماذج مثل YOLO26 لتحقيق أداء متطور.