في عصر تتزايد فيه الحاجة إلى التعرف على الكيانات على الأجهزة المحلية، ظهرت دراسة جديدة تكشف الستار عن حقائق مثيرة لإرساء الأسس العلمية لمثل هذه التطبيقات. تمثّل هذه الدراسة خطوة هامة في عالم الذكاء الاصطناعي، حيث يتعلق الأمر بإمكانية تنفيذ نماذج التعرف على الكيانات (NER) دون الاعتماد على API أو الاتصال بالإنترنت، مما يتيح تجميع البيانات المحلية بوقت استجابة منخفض.

تتمحور الدراسة حول تسعة أنظمة موزعة عبر ثلاث فئات، تتضمن نماذج تقليدية مثل spaCy ونماذج ثنائية الاتجاه مثل GLiNER، بالإضافة إلى نماذج لغوية كبيرة (Large Language Models) يتم تشغيلها محلياً، مثل Qwen وDeepSeek. تم اختبار هذه الأنظمة على ثلاث مجموعات بيانات ذات خصائص مختلفة، وتم قياس الدقة بالإضافة إلى عاملين آخرين حاسمين لم يتم تناولهما بشكل كافٍ في الأدبيات السابقة: زمن الاستجابة وصلاحية النتائج.

لضمان دقة النتائج، اعتمد الباحثون على بناء مجموعة بيانات "فضية" تتكون من تقييم لجنة تحكيم تضم نماذج لغوية متعددة، مقارنة مع بيانات مرجعية تم التحقق منها بشكل كامل بواسطة مختصين. النتائج أظهرت أن النموذج العالمي 4B قد حقق مستوى تنافسي على مستوى الدقة، خاصة عند فحص الأداء على معلومات الأخبار المنظّمة.

من جهة أخرى، تسلط الدراسة الضوء على نجاح نماذج مثل GLiNER في قياس موثوقية النتائج، حيث تدعم النتائج تصنيف الأداء بدقة ولكن تعاني من فرط الثقة. تمت مناقشة استراتيجيات تحسين هذه النماذج، مثل تقنيات القياس وضبط درجة الحرارة، التي أثبتت فعالية في التخفيف من هذا التحدي.

إن هذه النتائج تجمع بين الدقة والموثوقية والتكلفة، مما يجعل النماذج التقليدية التي تتطلب أحجام بيانات أقل قادرة على التنافس بشكل فعال مع النموذج الأكثر تعقيداً، وهي تقدم فرصاً مهمة للتطبيقات القابلة للنشر بسرعة. في ظل هذه التطورات، يبقى السؤال: هل يمكن أن نثق في أداء هذه الأنظمة على المدى الطويل؟ شاركونا آرائكم في التعليقات!