في العصر الحديث الذي نعيشه، تلعب البيانات دوراً محورياً في صنع القرار وتطوير الأعمال. ولهذا، يمثل استخراج البيانات من النصوص أمراً حيوياً يُعتبر تحدياً كبيراً خاصةً عندما يتعلق الأمر بمعالجة كميات ضخمة من المعلومات. قدمت دراسة جديدة حلّاً مبتكراً من خلال استخدام نماذج مصغرة على الأجهزة، مما يوفر الوقت والتكلفة بشكل ملحوظ.

تتمحور هذه الدراسة حول فكرة استخلاص البيانات بشكل فعّال باستخدام نموذج صغير يُنتج نتائج مماثلة لنموذج أكبر، ولكنه يُشغل زمنًا أقل بكثير. حيث تم قياس الأداء الفعلي للنموذج خلال مهام متعددة، حيث تم تضمين كل مقالة إخبارية في كائن JSON، مع ملخص قصير وخمسة تصنيفات موضوعية.

تم تصغير نموذج تعليمي يحتوي على ثمانية مليارات معلمة (deepseek-r1:8b) إلى نموذج أصغر يحتوي على 0.6 مليار معلمة (Qwen3-0.6B) باستخدام تقنية قياس الأداء quot;QLoRAquot; مع ثلاثة عينات. وتمت إضافة تحكمين تعليميين للنموذج المصغر، أحدهما بما يتساوى في الحجم مع غيره من النماذج.

بالرغم من أن النموذج الأصغر يستهلك حوالي 0.8 ثانية لكل مقالة، بينما النموذج الأكبر يحتاج إلى 39 ثانية، فإن النموذج المصغر تمكن من استعادة 58% من الفجوة في جودة الملخصات، مما يُظهر أنه يتفوق على قواعد بيانات الدراسة الأخرى بمعدل نقاط إضافية.

يستنتج من الدراسة أن جودة الكتابة والنماذج التعلمية المختلفة تلعب دوراً مهماً في الأداء، مما يؤدي إلى نتائج ذات موثوقية عالية.

باحتساب جميع هذه المزايا، تتوفر لدينا خريطة توجيه فردية لكل مجال، مما يُزيد من فعالية عملية تحسين استخراج البيانات عبر النماذج المصغرة.