برداس: سامانه برچسب‌گذاری نیمه‌خودکار داده‌های ساختاریافته

کمبود داده‌های برچسب‌خورده ساختاریافته یکی از چالش‌های اساسی در کاربردهای یادگیری ماشین در حوزه‌های صنعتی، پزشکی و اقتصادی است. برچسب‌گذاری دستی این داده‌ها فرایندی زمان‌بر و پرهزینه بوده و روش‌های موجود، اغلب فاقد دقت کافی برای کاربردهای حساس هستند. این پژوهش با هدف ارائه راهکاری کارآمد برای این چالش، سامانه «برداس» را به‌عنوان یک معماری نیمه‌خودکار برچسب‌گذاری داده‌های ساختاریافته طراحی و پیاده‌سازی نموده است. سامانه برداس با ترکیب قابلیت‌های مدل‌های زبانی بزرگ، فن‌های خوشه‌بندی و بصری‌سازی، و تعامل هدفمند انسانی، فرایند برچسب‌گذاری را در سه لایه «درک انسانی»، «برچسب‌گذاری» و «بازبینی انسانی» سازماندهی می‌کند. این معماری با شناسایی نمونه‌های کلیدی از طریق تحلیل‌های آماری و بصری‌سازی، فرایند برچسب‌گذاری را آغاز می‌کند؛ سپس، با بهره‌گیری از مهندسی پرسش و یادگیری چند نمونه‌ای، دانش انسانی را به مدل‌های زبانی منتقل کرده و برچسب‌گذاری خودکار در مقیاس وسیع را ممکن می‌سازد. در نهایت، حلقه بازبینی انسانی، صحت و کیفیت نهایی برچسب‌ها را ارتقا می‌دهد. نتایج ارزیابی نشان می‌دهد که سامانه برداس در برچسب‌گذاری مجموعه‌داده گل زنبق با حداقل دخالت انسانی (تنها 9 تا 16 نمونه نامزد) و بدون نیاز به آموزش مدل یا زیرساخت پیچیده، به دقت 96 درصد دست یافته و با بازبینی مختصر انسانی، این دقت به 100 درصد افزایش می‌یابد. در مقایسه با روش‌های پیشرفته موجود مانند slamvis و recom، برداس با وجود استفاده از منابع آموزشی بسیار کمتر، عملکردی رقابتی ارائه داده و زمان برچسب‌گذاری را کاهش می‌دهد. این سامانه با ایجاد تعادل بین دقت، سرعت، هزینه و سادگی استفاده، راهکاری نوین و کاربردی برای تولید مجموعه‌داده‌های آموزشی در حوزه‌های تخصصی فراهم می‌آورد.

bardas: structured data semi-automatic labeling system

the scarcity of labeled structured data is one of the fundamental challenges in machine learning applications across industrial, medical, and economic domains. manual labeling of such data is a time-consuming and costly process, and existing methods often lack sufficient accuracy for sensitive applications. this research, aiming to provide an efficient solution to this challenge, has designed and implemented the bardas system as a semi-automated architecture for structured data labeling. the bardas system combines the capabilities of large language models, clustering and visualization techniques, and purposeful human interaction, organizing the labeling process into three layers: human understanding, labeling, and human review. in this architecture, candidate samples for manual labeling are first identified using statistical analysis and data visualization. then, leveraging prompt engineering and few-shot learning, human knowledge is transferred to language models, and automated labeling is performed at scale. finally, the ability to review and correct labels by users ensures final quality. evaluation results demonstrate that the bardas system achieves 96% accuracy in iris dataset with minimal human intervention (only 9 to 16 candidate samples) and without the need for model training or complex infrastructure, reaching 100% accuracy with brief human review. compared to recent works methods such as slamvis and recom, bardas delivers competitive performance despite using significantly fewer learning resources, reducing labeling time. by establishing an balance between accuracy, speed, cost, and ease of use, this system provides an innovative and practical solution for generating training datasets in specialized domains.