استخرج كل شخص وشركة ومكان من عقد أو خبر صحفي، مع نوع لكل منها. هذا هو NER، وهو من أكثر المهام التي تُسند إلى نماذج LLM شيوعًا.
كيف يعمل
المعيار التقليدي هو المهمة المشتركة CoNLL-2003. استخدمت أخبار Reuters الإنجليزية ونصوص Frankfurter Rundschau الألمانية، وأربعة أنواع (PER للأشخاص، وORG، وLOC، وMISC لـ “names of miscellaneous entities that do not belong to the previous three groups” (ترجمة: أسماء كيانات متفرقة لا تنتمي إلى المجموعات الثلاث السابقة))، ووسوم IOB: كل كلمة إما B- أو I- لنوع ما، أو O إن كانت خارج أي كيان. ويكون التقييم بمقياس F1 على مستوى الكيانات، ولا يُحتسب الكيان إلا إذا طابق المرجع تمامًا.
مثال عربي بصيغة IOB:
| الرمز | الوسم |
|---|---|
| زار | O |
| خالد | B-PER |
| العتيبي | I-PER |
| مدينة | O |
| الرياض | B-LOC |
(“زار خالد العتيبي مدينة الرياض.”)
وللعربية مجموعات بياناتها الخاصة. ANERcorp، التي أنشأها ياسين بن عجيبة وأصبحت مرجعًا معتمدًا منذ 2008، نصوص إخبارية؛ ويضم التقسيم المتفق عليه لدى CAMeL Lab نحو 125,102 كلمة للتدريب و25,008 كلمة للاختبار بموجب CC BY-SA 4.0. أما Wojood (Jarrar وآخرون، 2022) فتضم نحو 550 ألف رمز من نصوص الفصحى واللهجات، و21 نوعًا من الكيانات، ونحو 75 ألف كيان، 22.5% منها متداخلة. وحقق نموذجها المبني على AraBERT قيمة 0.884 في micro F1.
ومع نماذج LLM تختلف الصياغة الشائعة: اطلب قائمة، لا وسمًا لكل رمز.
{"entities": [
{"text": "خالد العتيبي", "type": "PERSON"},
{"text": "الرياض", "type": "LOCATION"}
]}
لماذا يهم
يغذّي NER مرشحات البحث، وسجلات CRM، وحجب البيانات الشخصية (PII)، ورسوم المعرفة البيانية. ومع نماذج LLM، المخاطر الرئيسية هي:
- كيانات مختلقة أو معدّلة. قد يعيد النموذج اسمًا غير موجود في النص، أو “يصحّح” إملاءه. تحقّق من أن كل كيان موجود في المصدر، بعد توحيد النص العربي في الجانبين. وهذا نوع من فحص الهلوسة.
- انحراف التسميات. ثبّت قائمة الأنواع في مخطط، حتى لا يخترع النموذج نوعًا جديدًا.
- المعايير ليست بياناتك. نادرًا ما تطابق التسميات العامة تسمياتك. وسِّم عينة يدويًا وقِس الدقة (precision) والاستدعاء (recall) وF1، كما في أي تقييم.
في BroadNet Inference
لا تملك BroadNet نقطة نهاية لـ NER؛ بل تبنيه على POST /v1/chat/completions. ويوثّق المرجع التقني لـ BroadNet المخرجات المنظَّمة لنموذجَي GLM 5.3 وQwen3.8 27B، وبها تُلزم النموذج بقائمة كيانات وبمجموعة ثابتة من الأنواع. وللمستندات التي تصل صورًا، يقبل Qwen3.8 27B أيضًا مدخلات الصور.
لا تنشر BroadNet أي معيار NER لنماذجها. وتحتوي مقالة استخراج الكيانات المسماة من النص العربي على أمر جاهز، وفحوص للمواضع تتجاهل التشكيل، ومعالجة للتواريخ الهجرية، وسكربت تقييم تشغّله على عينتك.