وثائق تتحدى الأدوات أحادية اللغة
عقد عمل لشركة أدوية سويسرية ليس مكتوبًا بلغة واحدة. لدى سويسرا أربع لغات رسمية. الوثائق التي تنتجها المنظمات السويسرية تمزج عادةً بين الألمانية لجسم العقد الرئيسي، والفرنسية لبعض البنود التنظيمية، والإنجليزية لأقسام وضع المعايير الدولية - أحيانًا داخل فقرة واحدة.
محضر اجتماع مجلس إدارة شركة بلجيكية يحتوي على تقارير باللغة الهولندية مع قرارات رسمية باللغة الفرنسية وأقسام ملخص باللغة الإنجليزية للمستثمرين الدوليين. اتفاقية معالجة البيانات لشركة متعددة الجنسيات تحتوي على مواصفات تقنية باللغة الإنجليزية، وبنود حقوق موضوع البيانات باللغة الألمانية، ومعلومات الاتصال الخاصة بـ DPA باللغة الفرنسية.
هذه ليست وثائق غير عادية. إنها الناتج القياسي للمنظمات المتعددة الجنسيات التي تعمل في أسواق متعددة اللغات. وتفشل أدوات الكشف عن PII أحادية اللغة في التعامل معها بشكل منهجي.
معدل الفقدان الأعلى بنسبة 45%
أظهرت الأبحاث التي تقارن بين نهج NER أحادي اللغة ومتعدد اللغات على الوثائق متعددة اللغات أن الوثائق متعددة اللغات تسبب معدل فقدان PII أعلى بنسبة 45% في أدوات NER أحادية اللغة مقارنة بأدائها على الوثائق أحادية اللغة النقية.
مصدر الفجوة هو هيكلي: نموذج NER أحادي اللغة تم تدريبه على نص ألماني يتعلم أنماط الأسماء الألمانية، وتقاليد أسماء المنظمات الألمانية، وهياكل العناوين الألمانية. عندما يواجه ذلك النموذج قسمًا باللغة الفرنسية ضمن وثيقة ألمانية في الغالب، فإنه يعمل خارج توزيع تدريبه. أسماء الأشخاص الفرنسية، والعناوين الفرنسية، والمعرفات التنظيمية الفرنسية في ذلك القسم تخضع لدقة كشف منخفضة - ليس لأن النموذج مدرب بشكل سيء، ولكن لأنه تم تدريبه على اللغة الخاطئة لذلك القسم.
النتيجة الإضافية: 72% من الشركات في الاتحاد الأوروبي تعالج الوثائق بـ 3 لغات أو أكثر في وقت واحد (EDPB 2024)، والوثائق HR متعددة اللغات تحتوي على 67% المزيد من PII لكل صفحة مقارنة بنظيراتها أحادية اللغة (Gartner 2024). يجمع مزيج الكثافة الأعلى لـ PII ومعدلات الفقدان الأعلى الفجوة في الامتثال في المنظمات التي تعالج الوثائق HR والقانونية والتجارية متعددة اللغات.
كيف تخلق الحدود اللغوية فشل الكشف
الفشل ليس موحدًا. PII عند الحدود اللغوية - حيث ينتقل قسم من لغة إلى أخرى - يكون عرضة بشكل خاص.
قد يحتوي عقد العمل على بند مثل: "Der Arbeitnehmer (الموظف: جان-بيير دوبون، المولود في 15 مارس 1985 في ليون) stimmt zu..." - يمزج بين بنية الجملة الألمانية مع اسم وتاريخ ميلاد فرنسي. يواجه نموذج NER باللغة الألمانية الاسم الفرنسي في موضع يتوقع فيه أسماء بنمط ألماني وقد يفشل في تصنيفه بشكل صحيح. يرى نموذج اللغة الفرنسية كلمات سياقية باللغة الألمانية ولا يمكنه تحديد هيكل الوثيقة المحيط بشكل موثوق.
الملاحظة من Gartner 2024 أن الوثائق HR متعددة اللغات تحتوي على 67% المزيد من PII لكل صفحة من نظيراتها أحادية اللغة تجعل فشل الكشف عند هذه الحدود ذا عواقب خاصة: وثائق HR هي من بين أنواع الوثائق ذات الكثافة العالية لـ PII، ويتم إنتاجها من قبل منظمات متعددة اللغات في شكل مختلط.
حل المحول عبر اللغات
XLM-RoBERTa (نموذج اللغة عبر اللغات - روبيرتا) يمثل نهجًا معماريًا مختلفًا لهذه المشكلة. بدلاً من تدريب نموذج منفصل لكل لغة، يتم تدريب XLM-RoBERTa على نص من 100 لغة في وقت واحد. يتعلم النموذج أن مهام التعرف على الكيانات تشترك في أنماط عبر اللغات - أن العلاقة الهيكلية بين اسم الشخص وكلمات السياق المحيطة مشابهة في الألمانية والفرنسية والإنجليزية حتى عندما تختلف الكلمات المحددة.
بالنسبة للوثائق متعددة اللغات، يعني الهيكل عبر اللغات لـ XLM-RoBERTa أن النموذج لا يحتاج إلى "التبديل" بين نماذج اللغة عند حدود الوثيقة. يعالج النص كسلسلة مستمرة، مطبقًا نفس قدرة التعرف على الكيانات بغض النظر عن انتقال اللغة.
هذه ليست حلًا كاملاً - التخصيص الدقيق الخاص باللغة على بيانات التدريب باللغة الألمانية والفرنسية ولغات أخرى يوفر دقة إضافية لكل لغة على حدة. ولكن الأساس عبر اللغات يوفر كشفًا موثوقًا عبر الحدود اللغوية التي تتعامل معها النماذج أحادية اللغة بشكل غير متسق.
بالنسبة للمنظمات السويسرية والبلجيكية وغيرها من المنظمات متعددة الجنسيات التي تتجاوز وثائقها الحدود اللغوية بشكل روتيني، فإن التمييز المعماري بين NER أحادي اللغة وعبر اللغات يترجم مباشرة إلى نتائج الامتثال: الكيانات المفقودة عند الحدود اللغوية في الأدوات أحادية اللغة يتم اكتشافها بواسطة الهياكل عبر اللغات.
المصادر: