معرفی مدل استخراجی Clairic؛ تلاش کلودفلر برای جایگزینی LLMهای کند و گران — Introducing Clairic, a new System One class of extraction models
خلاصه
کلودفلر از مدل جدیدی به نام Clairic رونمایی کرده است که به عنوان یک مدل System One برای استخراج داده‌های ساختاریافته طراحی شده است. این مدل بدون تولید توکن و استدلال‌های پیچیده، متن‌ها و تصاویر را با دقت بالا، سرعت زیاد و هزینه بسیار کمتر نسبت به LLMهای سنتی پردازش می‌کند.
مدل‌های هوش مصنوعی زبانی بزرگ یا همان LLMها ابزارهای قدرتمندی هستند، اما برای کارهای ساختاریافته و تکرارپذیری مانند استخراج فاکتورها، پاسخ به سؤالات مشخص یا خواندن داده‌های ورودی، هم کند هستند و هم هزینه‌بر. شرکت کلودفلر (Cloudflare) با معرفی مدل جدیدی به نام Clairic (کلیریک) که روی Workers AI میزبانی می‌شود، رویکرد متفاوتی را ارائه داده است. این مدل متعلق به رده جدیدی از مدل‌ها موسوم به System One است که برخلاف LLMهای کند و استدلالی (System Two)، برای سرعت، دقت و خروجی‌های تایپ‌شده بهینه‌سازی شده‌اند.
زمینه و مفهوم مدل‌های System One
اصطلاح مدل‌های System One از کتاب معروف دانیل کانمن (Thinking, Fast and Slow) الهام گرفته شده و اخیراً با معرفی مدل‌هایی مانند Jev توسط TypeSafe در صنعت سر و صدا به پا کرده است. در حالی که مدل‌های System Two (مانند GPT یا Claude) به تفکر عمیق و تولید توکن‌های متنی طولانی می‌پردازند، مدل‌های System One مانند Clairic در یک پاس (Single Pass) منفرد عمل می‌کنند. این مدل‌ها نیازی به تولید توکن خروجی ندارند، بنابراین از خطاهای توکنیزاسیون یا توهم زدن (Hallucination) به سبک LLMها جلوگیری می‌کنند و هزینه‌ای بابت توکن خروجی دریافت نمی‌کنند.
ویژگی‌های فنی و نحوه عملکرد Clairic
مدل Clairic اولین مدل در نوع خود به عنوان یک «مدل استخراج System One» است. شما یک وضعیت (State) شامل متن ورودی یا حداکثر چهار تصویر به همراه نقشه‌ای از فیلدهای تایپ‌شده دلخواه به مدل ارسال می‌کنید. هر فیلد دارای نوع داده مشخص و دستورالعمل‌های متنی ساده است. مدل در یک پاس موازی، مقادیر دقیق را استخراج می‌کند.
خروجی‌های Clairic شامل موارد زیر است:
- مقادیر استخراج‌شده: متن کپی‌شده مستقیم از ورودی به همراه آدرس آفست کاراکترها (Spans) و نمره اعتماد (Confidence Score).
- مقادیر محاسباتی: اعداد، تاریخ‌ها، زمان‌ها و لیست‌هایی که مستقیماً خوانده شده یا از روی داده‌ها محاسبه می‌شوند (مانند جمع زدن مالیات و قیمت پایه).
- مقادیر تخمینی و پیش‌بینی‌شده: توزیع آماری داده‌هایی که به صورت صریح ذکر نشده‌اند اما شواهد آن‌ها در ورودی وجود دارد.
- مدیریت مقادیر تهی (Null): اگر مقداری در ورودی موجود نباشد، مدل به جای حدس‌های خیالی، مقدار
nullرا به همراه احتمال عدم حضور بازمی‌گرداند.
به عنوان مثال، هنگام پردازش یک ایمیل پشتیبانی مشتری حاوی متن و اطلاعات سفارش، Clairic می‌تواند به صورت هم‌زمان شناسه سفارش، تاریخ تحویل، جمع کل پرداختی (حتی با محاسبه مالیات روی قیمت پایه) و لیست اقلام آسیب‌دیده را به همراه مختصات دقیق آن‌ها در متن استخراج کند. این مدل همچنین توانایی پردازش تصاویر و رسیدهای فیزیکی با زاویه یا کیفیت نامناسب را نیز دارد.
دیدگاه جامعه توسعه‌دهندگان در Hacker News
پس از انتشار این خبر، کاربران Hacker News به بحث و تبادل نظر درباره این تکنولوژی پرداختند:
- برخی کاربران از روند تخصصی شدن مدل‌ها و ظهور مدل‌های کوچک‌تر ابراز خرسندی کردند و اشاره نمودند که چنین مدل‌های کوچکی به راحتی درون کانتینرهای Docker برای خطوط CI/CD جای می‌گیرند.
- برخی دیگر به شباهت این مدل‌ها به کارهای پیشین در حوزه‌های NER (تشخیص موجودیت‌های نام‌برده) و پردازش اسناد اشاره کردند.
- یکی از انتقادات رایج میان کاربران، عدم انتشار بنچمارک‌های رسمی توسط کلودفلر بود و بسیاری از توسعه‌دهندگان مشتاقانه منتظر انتشار نسخه‌های با وزن‌های باز (Open-weights) این مدل هستند تا بتوانند آن را بیشتر ارزیابی کنند.
چرا این مدل برای مهندسان اهمیت دارد؟
برای مهندسانی که پایتون، جاوا اسکریپت یا زیرساخت‌های پردازش داده را مدیریت می‌کنند، استفاده از LLMها برای کارهای ساده‌ای مثل پارس کردن JSON یا استخراج فیلدها همیشه با دردسر اعتبارسنجی اسکیما، رترای کردن و هزینه‌های بالا همراه بوده است. مدل‌هایی نظیر Clairic با ارائه خروجی‌های کاملاً تایپ‌شده، سرعت زیر یک ثانیه، عدم دریافت هزینه برای توکن خروجی و داشتن نمره‌های اعتماد دقیق، راه‌حلی بهینه و اقتصادی برای اتوماسیون جریان‌های کاری مهندسی نرم‌افزار فراهم می‌کنند.
این مطلب به‌صورت کاملاً خودکار و با هوش مصنوعی از مقالهٔ اصلی و بحث هکرنیوز تهیه شده و ممکن است خطا داشته باشد. حقوق مطلب اصلی متعلق به نویسندهٔ آن است. قوانین و گزارش مشکل