في عالم الذكاء الاصطناعي، تُعتبر عملية تحديد النوايا (Intent Detection) من المهام الأساسية التي تربط بين نوايا البشر وإجراءات الأنظمة. ومع ذلك، لا تزال تحديات كبيرة قائمة عند الكشف عن النوايا خارج النطاق (Out-of-Scope - OOS).

تدور العديد من التقنيات التقليدية حول التحليل متعدد الفئات، مما يؤدي إلى انخفاض الدقة كلما زاد عدد الفئات المعروفة. من ناحية أخرى، تقنيات نماذج اللغات الكبيرة (Large Language Models - LLM) تتطلب الكثير من المعلمات، مما يجعل من الصعب تدريبها ونشرها عملياً. لذا، تأتي الدراسة الأخيرة لاقتراح طريقة مبتكرة تعتمد على التعلم الحدودي المتعدد الكتل للكشف عن النوايا خارج النطاق باستخدام التضمين MiniLM (MiniLM embedding).

تركز الطريقة المقترحة على تصميم عملية تصنيف واحدة، حيث تتعلم الطريقة الحدود الخاصة بالمتضمنات متعددة الكتل التي يولدها MiniLM من البيانات التدريبية. بعد ذلك، تقوم برفض العبارات خارج النطاق على أنها نوايا OOS.

شملت التجارب بيانات من مجموعات بيانات عامة مثل CLINC150 وStackOverflow وBanking77، حيث أظهرت النتائج تفوق هذه الطريقة على مستويات الأداء الحالية في تحديد النوايا خارج النطاق. كما تم إجراء دراسات انقطاع أثبتت أن MiniLM يمكنه التكيف بشكل أفضل مع متطلبات سير العمل وتضمين العبارات.

لم يكتف الباحثون بذلك، بل قدموا أيضاً الكود البرمجي الذي يسهل الاستخدام والاختبار.