يوفّر Entity Enricher استراتيجيتين للإثراء تتحكّمان في كيفية تنسيق استدعاءات LLM. ويؤثّر اختيار الاستراتيجية المناسبة في الدقة والسرعة والتكلفة.
من أبسط تهيئة إلى أقواها. كل واحدة تبني على سابقتها.
نموذج واحد، استدعاء واحد. يُرسل المخطط بأكمله في مطالبة واحدة. سريع وزهيد التكلفة — مثالي للمخططات البسيطة أو التكرار السريع.
Aspirin
أي كيان: شركة، دواء، قضية قانونية، ورقة بحثية...
استخدم أي مزوّد LLM بمفتاح API الخاص بك.
المخطط الكامل في استدعاء واحد — إعادة محاولة تلقائية عند فشل التحقق.
Aspirin
الاستراتيجية نفسها، لكن تُشغَّل عبر عدة نماذج بالتوازي. تُقارن النتائج ويُحكَّم فيها حقلًا بحقل لإنتاج مخرَج واحد عالي الثقة.
Aspirin
أي كيان: شركة، دواء، قضية قانونية، ورقة بحثية...
تطابق — Pharmaceutical Compound
يكتشف عدم تطابق الأنواع قبل هدر أرصدة LLM.
أحضِر مفاتيح API الخاصة بك — يعمل مع أي مزوّد LLM.
المخطط الكامل في استدعاء واحد — إعادة محاولة تلقائية عند فشل التحقق.
Aspirin
تمّ التحكيمينتج الحل المنطقي للتعارضات على مستوى الحقول النتيجة النهائية الموثوقة.
يُقسَّم المخطط حسب مجال الخبرة. يتلقّى كل نموذج مُوجّهات فرعية مُركّزة لكل مجال. تُدمج النتائج دمجًا عميقًا لكل نموذج، ثم يجري التحكيم بين النماذج. أقصى دقة للمخططات المُعقّدة متعددة المجالات.
Aspirin
أي كيان: شركة، دواء، قضية قانونية، ورقة بحثية...
تطابق — Pharmaceutical Compound
يكتشف عدم تطابق الأنواع قبل هدر أرصدة LLM.
أحضِر مفاتيح API الخاصة بك — يعمل مع أي مزوّد LLM.
المخطط مُقسَّم حسب المجال — تعيد المُوجّهات ذاتية التصحيح المحاولة عند فشل التحقق.
دمج عميق لاستجابات مجال الخبرة لكل نموذج.
Aspirin
تمّ التحكيمينتج الحل المنطقي للتعارضات على مستوى الحقول النتيجة النهائية الموثوقة.
| الجانب | تمريرة واحدة | خبرات متعددة |
|---|---|---|
| استدعاءات LLM | واحد لكل نموذج | N لكل نموذج (1 لكل مجال خبرة) |
| تم إرسال المخطط | المخطط الكامل في موجّه واحد | مجموعة فرعية لكل مجال خبرة |
| التنفيذ | تسلسلي (استدعاء واحد) | متوازٍ (تعمل جميع مجالات الخبرة في آنٍ واحد) |
| الدقة | مناسب للمخططات البسيطة | أعلى — المطالبات المركّزة تعطي نتائج أفضل |
| السرعة | أسرع مع المخططات الصغيرة | قد يكون التنفيذ المتوازي أسرع للمخططات الكبيرة |
| التكلفة | أقل (تكلفة استدعاء واحد) | أعلى (استدعاءات متعددة مع عبء إضافي لكل استدعاء) |
| البث | نتيجة الكل أو لا شيء | تدريجي — تتدفق النتائج مع اكتمال كل مجال خبرة |
| نجاح جزئي | لا — ينجح الاستدعاء بأكمله أو يفشل | نعم — تُحفَظ الخبرات الناجحة، ويمكن إعادة محاولة الخبرات الفاشلة |
تتّبع استراتيجية الخبرات المتعدّدة عمليةً من أربع خطوات لكل نموذج:
يُجتاز المخطط بشكل تكراري. تُجمَّع كل خاصية تحمل وسم مجال خبرة مع الخصائص الأخرى التي تشترك في المجال نفسه. على سبيل المثال، تذهب revenue وmarket_cap إلى المجموعة «المالية»، بينما تذهب gmp_status إلى «التنظيمية».
تصبح كل مجموعة خبرة مخططاً فرعياً مبسّطاً يحتوي على خصائصها فقط. وهذا يعني أن الـ LLM يتلقّى موجّهاً أصغر وأكثر تركيزاً ولا يحتاج إلا إلى ملء الحقول التي يتخصّص فيها.
تُنفَّذ جميع استدعاءات الخبرة بالتوازي. فالمخطط الذي يحتوي على 5 مجالات خبرة سيطلق 5 استدعاءات LLM في الوقت نفسه. ومع اكتمال كل استدعاء، تُدمَج نتائجه دمجًا عميقًا في المخرجات المتراكمة وتُبَثّ إلى الواجهة في الوقت الفعلي.
إذا فشلت بعض مجالات الخبرة، يُرجِع النظام المخرجات المدمجة من الناجحة منها بحالة "جزئي". يمكنك إعادة محاولة مجالات الخبرة الفاشلة فقط، وستُدمَج النتائج الجديدة في المخرجات الحالية دون تكرار العمل الذي نجح بالفعل.
يمكن دمج كلتا الاستراتيجيتين مع الإثراء متعدد النماذج. عند تحديد نماذج متعددة، يشغّل كل نموذج الاستراتيجية المختارة بشكل مستقل. ثم يمكن دمج النتائج باستخدام الدمج متعدد النماذج لإنتاج مخرجات واحدة عالية الثقة.