في عصر الذكاء الاصطناعي وتكنولوجيا المعلومات، لطالما كانت معالجة المستندات متعددة التسميات (Multi-Label Classification) تمثل تحديًا كبيرًا. تحتل عملية اختيار التسميات دورًا حيويًا في دقة المعلومات المستخلصة من هذه المستندات، حيث تؤثر الأخطاء في هذه المرحلة بشكل مباشر على النتائج النهائية.

هنا تأتي تقنية RAPT (Retrieval-Augmented Post-hoc Thresholding) لتحسين هذه العملية بشكل ثوري. RAPT هو غلاف لتحسين جدولة الدرجات، تم تصميمه ليعمل بشكل منفصل عن نماذج التصنيف التقليدية، مما يعني أنه يُمكن استخدامه مع أي نموذج ينتج تمثيلات للمستندات ودرجات ثقة لكل تسمية، بما في ذلك نماذج التعلم بالمعايير والفئات المعززة باستخدام المحولات (Transformers).

تعتمد فكرة RAPT على استرجاع حالات مشابهة من المستندات لتكييف عتبة اختيار مجموعة التسميات بشكل ديناميكي. بفضل هذا النهج، أصبح بالإمكان تحسين دقة التصنيف بشكل ملحوظ دون الحاجة إلى إعادة تدريب النماذج، مما يوفر الوقت والموارد.

أظهرت التقييمات الميدانية أن RAPT يتفوق بشكل مستمر على الطرق التقليدية، حيث حقق أداءً مثيرًا بتسجيل 0.87 درجة Macro-F1 في بيئات صناعية، مما يجعله خيارًا مثاليًا للنظم التي تتطلب دقة عالية في التصنيف مع تقليل زمني كبير في عملية الاستدلال.