ثورة الأمان: تصنيف المستندات الحساسة باستخدام نموذج لغوي محلي مذهل!

تواجه المؤسسات التي تبحث عن معلومات حساسة في المستندات تحديات عديدة في عالم الأمن المعلوماتي. في حين أن الخدمات السحابية تتطلب إرسال البيانات إلى بنى تحتية خارجية، فإن الأدوات المعتمدة على القواعد غالبًا ما تفشل في اكتشاف التهديدات التي تعتمد على السياق. هنا يظهر الابتكار الجديد:

نظام TorchSight، وهو نظام مفتوح المصدر مصمم لتصنيف المستندات الأمنية. هذا النظام يرتكز على نموذج لغوي محلي تم تعديله بدقة، وهو نموذج Qwen 3.5 الذي يضم 27 مليار معلمة. تم تدريب هذا النموذج على 78,358 عينة من 13 مصدرًا مرخصًا، بالإضافة إلى بيانات صناعية اصطناعية من نموذج GPT-4، حيث تغطي هذه البيانات سبع فئات أمنية و51 فئة فرعية.

أظهرت التقييمات الرئيسية على 1,000 مستند أن النموذج حقق دقة تصل إلى 95.0% على مستوى الفئة (مع فاصل ثقة بنسبة 95% من 93.5 إلى 96.2). بينما كانت النماذج التجارية التي تم اختبارها تحت نفس البروتوكول قد حققت دقة تتراوح بين 75.4% و79.9%.

علاوة على ذلك، في اختبار منفصل على 500 عينة محفوظة، وصلت دقة النموذج إلى 93.8%، مما يشير إلى أن الأداء يتجاوز معيار التقييم الرئيسي، رغم أن الهامش يعتمد على تكوين مجموعة البيانات وصعوبة الحالات الحدودية.

تظهر هذه النتائج أن نموذجًا محليًا تم تعديله بدقة يمكن أن يدعم تصنيفًا دقيقًا للمستندات الأمنية، مع المحافظة على معالجة الوثائق تحت السيطرة المحلية. في ختامنا، يبشر هذا الابتكار بتطور كبير في كيفية تعامل المؤسسات مع الأمان المعلوماتي، حيث يلغي الحاجة إلى الاعتماد على الخدمات الخارجية ويضمن سرية البيانات.