في عالم الذكاء الاصطناعي (Artificial Intelligence)، تظل تحديات التعرف على الكيانات (Named Entity Recognition) بدون تدريب (Zero-Shot) قائمة، خاصة عند حدوث تغييرات في النطاق أو المخطط. حيث إن التعاريف غير المرئية غالبًا ما تتعارض مع التنظيم الدلالي الطبيعي لنماذج اللغة الكبيرة (Large Language Models - LLMs)، مما يؤدي إلى نتائج غير دقيقة.

هنا يأتي دور نظام SAM-NER، الذي يعتمد على إطار عمل مبتكر يتكون من ثلاثة مراحل قائمة على الوساطة الأركية الدلالية. أُسس SAM-NER لتثبيت نقل المعلومات عبر النطاقات المختلفة من خلال استخدام فضاء أركي دلالي غير مرتبط بالنطاق، ويعمل على تحسين دقة النتائج كما يلي:

1. **اكتشاف الكيانات**: من خلال عملية استخراج تعاونية وتنظيف قائم على التوافق، يتم الحصول على نطاقات كيانية عالية التغطية والدقة.
2. **الوساطة المجردة**: تحويل الكيانات إلى مجموعة مضغوطة من الأركي الدلالية العالمية المستخلصة من تجريدات أنطولوجية عالية المستوى.
3. **معايرة دلالية**: تصحيح تنبؤات مستوى الأركي إلى أنواع النطاق الهدف عبر استدلال متقيد يتماشى مع التعريفات باستخدام LLM مجمد.

تظهر التجارب المنفذة على معيار CrossNER أن نظام SAM-NER يتفوق باستمرار على أسس ZS-NER القوية السابقة في إعدادات عبر النطاقات.

كما أن تنفيذ هذه التقنية سيكون متاحًا كمصدر مفتوح على [رابط GitHub](https://github.com/DMIRLAB-Group/SAM-NER).

إلى جانب تحسين أداء النماذج، يفتح هذا الإنجاز مجالًا جديدًا في معالجة اللغات الطبيعية، مما يجعله نقطة تحوّل في كيفية التعامل مع البيانات المعقدة.

ما رأيكم في هذا التطور؟ شاركونا أفكاركم في التعليقات!