التعرف على الكيانات المسماة (NER)

يعد التعرف على الكيانات المسماة (NER) مهمة أساسية في معالجة اللغة الطبيعية (NLP) تتضمن تحديد وتصنيف الكيانات المسماة تلقائيًا في نص غير منظم إلى فئات محددة مسبقًا. يمكن أن تكون هذه الكيانات أي كائن في العالم الحقيقي، مثل الأشخاص أو المنظمات أو المواقع أو التواريخ أو الكميات أو القيم النقدية. الهدف الأساسي من NER هو استخراج معلومات منظمة من نص غير منظم، مما يسهل على الآلات فهم ومعالجة اللغة البشرية. من خلال تحويل النص الخام إلى تنسيق يمكن قراءته آليًا، يعمل NER كخطوة تأسيسية للعديد من تطبيقات الذكاء الاصطناعي عالية المستوى، بما في ذلك استرجاع المعلومات و الإجابة على الأسئلة وتحليل المحتوى.

عادةً ما يتم بناء أنظمة التعرف على الكيانات المسماة (NER) الحديثة باستخدام نماذج التعلم الآلي، وخاصةً هياكل التعلم العميق. يتم تدريب هذه النماذج على مجموعات بيانات كبيرة ومشروحة حيث قام البشر بالفعل بتسمية الكيانات. من خلال بيانات التدريب هذه، يتعلم النموذج التعرف على الأنماط السياقية والميزات اللغوية المرتبطة بأنواع الكيانات المختلفة. النماذج المتقدمة مثل BERT وغيرها من الهياكل القائمة على Transformer فعالة للغاية في التعرف على الكيانات المسماة لأنها تستطيع معالجة السياق الكامل للجملة لتقديم تنبؤات دقيقة.

تطبيقات واقعية

يعد NER تقنية أساسية تدعم العديد من التطبيقات في مختلف الصناعات. من خلال هيكلة المعلومات، فإنه يتيح الأتمتة ويوفر رؤى قيمة.

• توصية المحتوى والبحث: يستخدم مزودو الأخبار ومنصات المحتوى NER لمسح المقالات وتحديد الأشخاص والأماكن والموضوعات الرئيسية ثم وضع علامات على المحتوى وفقًا لذلك. هذا يحسن ملاءمة نتائج البحث ويعزز محركات توصية المحتوى المخصصة. على سبيل المثال، يمكن للنظام تحديد "Apple Inc." كمؤسسة و "Tim Cook" كشخص، وربط المقالات حول كليهما. هذا عنصر أساسي في تحسين قدرات البحث الدلالي.
• الذكاء الاصطناعي في الرعاية الصحية: في المجال الطبي، يتم استخدام NER لاستخراج معلومات مهمة من الملاحظات السريرية والأوراق البحثية وسجلات المرضى. يمكنه تحديد أسماء المرضى والأمراض والأعراض والأدوية والجرعات. هذه البيانات المنظمة ضرورية لتسريع تحليل الصور الطبية، وتبسيط مطابقة التجارب السريرية، وبناء الرسوم البيانية المعرفية الشاملة للبحث الطبي.
• أتمتة دعم العملاء: تستخدم برامج الدردشة وأنظمة الدعم NER لفهم استعلامات المستخدم بشكل أكثر فعالية. على سبيل المثال، في الجملة "شاشة iPhone 15 الخاصة بي متصدعة"، سيحدد نموذج NER "iPhone 15" كمنتج و "شاشة متصدعة" كمشكلة. يتيح ذلك للنظام تصنيف التذكرة تلقائيًا وتوجيهها إلى قسم الدعم الصحيح، مما يحسن الكفاءة.

NER مقابل المفاهيم ذات الصلة

غالبًا ما يستخدم التعرف على الكيانات المسماة (NER) جنبًا إلى جنب مع مهام البرمجة اللغوية العصبية الأخرى ولكنه يتميز بتركيز متميز:

• تحليل المشاعر: يحدد النبرة العاطفية (إيجابية، سلبية، محايدة) المعبر عنها في النص. يحدد NER ماذا تتم مناقشته، بينما يحدد تحليل المشاعر كيف يشعر المؤلف حيال ذلك.
• استخلاص الكلمات المفتاحية: تحدد هذه المهمة المصطلحات أو العبارات المهمة في النص. في حين أن بعض الكلمات الرئيسية يمكن أن تكون كيانات مسماة، إلا أن استخراج الكلمات الرئيسية أوسع وأقل تنظيماً. يحدد NER على وجه التحديد الكيانات ويصنفها في فئات محددة مسبقًا مثل PERSON أو LOCATION. يمكنك معرفة المزيد حول هذا على مصادر حول استخلاص الكلمات المفتاحية.
• اكتشاف الكائنات: وهي مهمة رؤية حاسوبية (CV) تحدد مواقع الكائنات داخل الصور باستخدام تقنيات مثل المربعات المحيطة. يعمل التعرف على الكيانات المذكورة (NER) بشكل كامل على البيانات النصية، بينما تقوم نماذج مثل Ultralytics YOLO باكتشاف البيانات المرئية لمختلف مهام الاكتشاف.
• فهم اللغة الطبيعية (NLU): مجال أوسع يشمل الفهم العام لمعنى النص، بما في ذلك التعرف على النية واستخراج العلاقات. يعتبر التعرف على الكيانات المسماة (NER) مهمة فرعية محددة ضمن فهم اللغة الطبيعية تركز فقط على تحديد الكيانات وتصنيفها.
• تلخيص النصوص: يهدف هذا إلى إنشاء ملخص موجز لمستند طويل. في حين أنه قد يستخدم التعرف على الكيانات المسماة لتحديد الكيانات الرئيسية المراد تضمينها في الملخص، إلا أن هدفه الأساسي هو التكثيف، وليس الاستخراج.

الأدوات والمنصات

تدعم منظومة قوية من الأدوات والمكتبات تطوير نماذج NER.

• المكتبات: تُستخدم المكتبات مفتوحة المصدر مثل spaCy و NLTK على نطاق واسع وتوفر نماذج وأدوات مُدربة مسبقًا لبناء أنظمة NER مخصصة. تتعامل هذه المكتبات مع المهام المعقدة مثل الترميز واستخراج الميزات.
• المنصات: يوفر Hugging Face Hub آلاف النماذج المدربة مسبقًا، بما في ذلك العديد من النماذج الخاصة بـ NER، والتي يمكن تعديلها لحالات استخدام محددة. لإدارة دورة حياة النموذج الشاملة، توفر منصات مثل Ultralytics HUB إمكانات MLOps قوية، بدءًا من التدريب و التحقق من الصحة وحتى نشر النموذج النهائي. بينما تتخصص Ultralytics في رؤية الكمبيوتر، فإن مبادئ MLOps عالمية عبر مجالات الذكاء الاصطناعي. يمكنك العثور على مزيد من التفاصيل في وثائقنا.