التعرّف على النية

ما هو التعرف على النية؟

التعرف على النية هو عملية تحديد ما يسعى المستخدم إلى تحقيقه انطلاقًا مما يُدخله باللغة الطبيعية. فعندما يكتب العميل «أحتاج إلى تغيير عنوان الشحن» أو يقول «ألغِ اشتراكي»، فإن التعرف على النية هو النظام الذي يصنّف هذه الرسائل ضمن فئات منظَّمة مثل update_address أو cancel_subscription. وهو الطبقة الأساسية التي تُمكّن وكلاء الذكاء الاصطناعي من الانتقال من فهم الكلمات إلى اتخاذ الإجراءات.

ومن الناحية التقنية، يربط التعرف على النية (ويُسمّى أيضًا اكتشاف النية أو تصنيف النية) النصوص أو الكلام غير المنظَّم بمجموعة محددة مسبقًا من تسميات النوايا. ويقع عند تقاطع معالجة اللغة الطبيعية (NLP) وتصنيف التعلم الآلي، وهو الخطوة الأولى في أي نظام يحتاج إلى توجيه طلب العميل أو الرد عليه أو حله.

كيف يعمل التعرف على النية

تعمل أنظمة التعرف على النية الحديثة على عدة مراحل. أولًا، تخضع المُدخلات الأولية للمعالجة المسبقة: التقطيع إلى وحدات (tokenization)، والتوحيد، وإزالة التشويش. بعد ذلك، يُنشئ النظام تمثيلًا رقميًا للنص باستخدام نماذج التضمين أو المُرمِّزات القائمة على المحوّلات مثل BERT أو sentence-transformers. وتلتقط هذه التضمينات المعنى الدلالي للمُدخلات، لا كلماتها المفتاحية فحسب.

ثم تُمرَّر التضمينات إلى طبقة تصنيف تربط المُدخلات بفئة نية واحدة أو أكثر. واعتمدت الأساليب التقليدية على التعلم الخاضع للإشراف باستخدام بيانات تدريب مُصنَّفة. أما الأنظمة الأحدث حاليًا فتستخدم مسارات هجينة توجّه المُدخلات بحسب درجة الثقة بين نماذج مُرمِّزات سريعة (للاستفسارات الواضحة عالية الثقة) والنماذج اللغوية الكبيرة (LLMs) للطلبات الغامضة أو المعقدة. ووفقًا لبحث نُشر في مؤتمر EMNLP 2024، يحقق هذا التوجيه الهجين القائم على عدم اليقين توازنًا بين زمن الاستجابة والدقة، وهي مفاضلة حاسمة في بيئات خدمة العملاء الفعلية.

تُظهر أبحاث ACL Anthology (2024) أن الأساليب ثنائية المراحل التي تستفيد من التمثيلات الداخلية للنماذج اللغوية الكبيرة قد حسّنت بشكل ملحوظ اكتشاف الطلبات خارج النطاق، مما يتيح لأنظمة الذكاء الاصطناعي إدراك متى يقع طلب العميل خارج الفئات المعروفة بدلًا من فرض مطابقة خاطئة.

المكونات الرئيسية للتعرف على النية

بيانات التدريب وتصنيف النوايا: يُعدّ تصنيف النوايا المُحكَم التصميم العمود الفقري لأي نظام تعرّف. وتحتاج كل نية إلى أمثلة تمثيلية تغطي تنوّع الطرق التي يعبّر بها العملاء عن الهدف نفسه. وتُعدّ البيانات الشحيحة أو سيئة التصنيف السبب الرئيسي لأخطاء التصنيف في بيئات التشغيل الفعلية.

نماذج التضمين: تحوّل المُرمِّزات القائمة على المحوّلات النصَّ إلى تمثيلات متجهية كثيفة. وتستخدم النماذج المضبوطة بدقة مثل SetFit التعلم التبايني لإنتاج تضمينات عالية الجودة انطلاقًا من 8 أمثلة مُصنَّفة فقط لكل نية.

طبقة التصنيف: قد تكون مُصنِّف softmax بسيطًا، أو بحثًا عن أقرب جار في فضاء التضمين، أو مُصنِّفًا توليديًا قائمًا على نموذج لغوي كبير يستخدم التعلم ضمن السياق وتوجيه سلسلة التفكير.

اكتشاف الطلبات خارج النطاق (OOS): إن تحديد الاستفسار الذي لا يطابق أي نية معروفة لا يقل أهمية عن تصنيف النوايا المعروفة. فمن دون اكتشاف موثوق للطلبات خارج النطاق، تختلق الأنظمة تسميات نوايا وتوجّه العملاء إلى المسار الخاطئ.

الإشارات متعددة الوسائط: تجمع الأبحاث الناشئة في مجال التعرف على النية متعدد الوسائط بين النص والإشارات الصوتية (النبرة والإيقاع) والإشارات المرئية لتكوين صورة أشمل عن نية المستخدم، وهو ما يكتسب أهمية خاصة في الذكاء الاصطناعي الصوتي وقنوات الدعم القائمة على الفيديو.

لماذا يهم التعرف على النية لتجربة العملاء

يبدأ كل تفاعل مع العملاء بنية. فإذا أخطأ النظام وصنّف سؤالًا عن الفوترة على أنه طلب دعم فني، يُوجَّه العميل إلى الفريق الخطأ، ويضطر إلى تكرار مشكلته، ثم يغادر. ويؤثر التعرف الدقيق على النية مباشرةً في معدل الحل، والحل من أول تواصل، ورضا العملاء. وهو ما يصنع الفرق بين وكيل ذكاء اصطناعي يحلّ المشكلات وآخر يُحبط العملاء.

وفي خدمة العملاء على مستوى المؤسسات، قد تمتد تصنيفات النوايا إلى مئات الفئات عبر المنتجات واللغات والقنوات. ويتطلب الحفاظ على الدقة على هذا النطاق إعادة تدريب النماذج باستمرار، ومراقبة انحراف النوايا، ومعالجة متينة للطلبات خارج النطاق. أما المؤسسات التي تتعامل مع التعرف على النية كمكوّن ثابت يُضبط مرة واحدة ثم يُترك، فيأتي أداؤها دون المستوى باستمرار.

ميزة Maven

تستخدم منصة Maven AGI تعرفًا متعدد الطبقات على النية يجمع بين التصنيف القائم على المحوّلات والتوليد المعزَّز بالاسترجاع (RAG) لفهم نية العميل في سياقها. وبدلًا من الاعتماد على تصنيفات نوايا جامدة، يستخدم وكلاء الذكاء الاصطناعي من Maven سجل المحادثة كاملًا وسياق قاعدة المعرفة لتحديد ما يحتاجه العميل وكيفية حله.

حققت Mastermind، وهي شركة في مجال تقنيات التعليم، معدل حل بلغ 93% في الدردشة المباشرة مع Maven AGI. ويبدأ هذا المعدل بالتعرف الدقيق على النية في كل رسالة واردة، بما يضمن وصول العملاء إلى الإجابة الصحيحة من المحاولة الأولى.

وبفضل أكثر من 100 تكامل، تربط Maven النية بالإجراء عبر أنظمة إدارة علاقات العملاء (CRM) والفوترة وإدارة الطلبات وقواعد المعرفة. تعرّفوا أكثر على موقع التعرف على النية في بنى الذكاء الاصطناعي الحديثة من مختبر الذكاء الاصطناعي في Stanford أو استكشفوا أبحاث ACL حول اكتشاف النية في عصر النماذج اللغوية الكبيرة.

الأسئلة الشائعة

ما الفرق بين التعرف على النية والتعرف على الكيانات المسمّاة؟

يصنّف التعرف على النية الهدف العام من الرسالة (ما يريد المستخدم فعله)، في حين يستخرج التعرف على الكيانات المسمّاة (NER) نقاط بيانات محددة من الرسالة (أرقام الطلبات، والتواريخ، وأسماء المنتجات). ويعمل الاثنان معًا ضمن مسار معالجة اللغة الطبيعية: إذ يحدد التعرف على النية الإجراء، ويملأ التعرف على الكيانات المسمّاة المعاملات اللازمة لتنفيذه.

كيف يتعامل التعرف على النية مع نوايا متعددة في رسالة واحدة؟

يُعدّ اكتشاف النوايا المتعددة مجالًا بحثيًا نشطًا. فعندما يقول العميل «أريد إرجاع طلبي وتحديث طريقة الدفع أيضًا»، يجب على النظام تحديد النيتين return_order وupdate_payment كلتيهما. وتستخدم الأساليب الحديثة التصنيف متعدد التسميات أو التحليل القائم على النماذج اللغوية الكبيرة لتفكيك الطلبات المركّبة إلى نوايا منفصلة قابلة للتنفيذ.

هل يمكن للتعرف على النية أن يعمل عبر لغات متعددة؟

نعم. تدعم نماذج المحوّلات متعددة اللغات مثل mBERT وXLM-R تصنيف النوايا في عشرات اللغات. ويتيح التعلم بالنقل عبر اللغات لنموذج مُدرَّب أساسًا على بيانات إنجليزية تصنيفَ النوايا بلغات أخرى بدقة معقولة، وإن كان الأداء يتحسن مع الضبط الدقيق الخاص بكل لغة.

كيف تُقاس دقة التعرف على النية؟

تشمل المقاييس المعيارية الدقة (precision) والاستدعاء (recall) ودرجة F1 لكل فئة نية، إضافةً إلى الدقة الإجمالية. أما في خدمة العملاء، فالمقياس الأكثر دلالة هو الحل الشامل من البداية إلى النهاية: هل حدّد النظام النية بشكل صحيح وحلّ المشكلة؟ فمُصنِّف نوايا بدقة 95% يخطئ في تصنيف نسبة الـ5% من النوايا عالية القيمة قد يُلحق ضررًا كبيرًا بتجربة العملاء.