# LinkedIn تسرّع تصنيف الملفات الشخصية باستخدام نماذج اللغة

> يقول فريق في LinkedIn إن تقييم المرشحين كلًّا على حدة قلّص زمن المعالجة وجعل التصنيف أقل تأثرًا بترتيب المرشحين.

Oossa · 2026-10-28 · https://oossa.com/ar/linkedin-uses-llm-scoring-to-speed-profile-labeling

يشرح فريق من باحثي LinkedIn كيف استبدل قوائم «نعم/لا» المُولّدة بتقييم دلالي لتحديد مدى استيفاء الملفات الشخصية للشروط. فبدلًا من إنشاء قائمة بالقرارات، يقيّم النظام كل مرشح عبر تشغيل النموذج مرة واحدة، من دون توليد إجابة كاملة. وتقول الورقة البحثية إن نهجها غيّر 0.01% من القرارات كحد أقصى عند تبديل ترتيب المرشحين، وحقق مستوى توافق مع التصنيفات المرجعية مماثلًا لما تحققه طريقة التوليد المجمّع، باستخدام عدد أقل من أزواج التدريب بنحو 4.7 مرات.

رفعت طريقة تجميع تُسمى Multiple-Item Scoring معدل المعالجة بمقدار 1.24 مرة في الاختبارات غير المتصلة، و1.9 مرة عند تقديم الخدمة عبر النموذج، مع استهداف زمن استجابة لا يتجاوز ثانية واحدة عند المئين 99. وتقول الورقة إن النظام غير المتصل يستخدم واجهة Ray Data API قابلة لإعادة الاستخدام، فيما يستفيد نظام تقديم الخدمة من دعم SGLang.

## الحقائق

- تفيد الورقة البحثية بزيادة معدل المعالجة عند تقديم الخدمة بمقدار 1.9×، مع استهداف زمن استجابة لا يتجاوز ثانية واحدة عند المئين 99.
- نُشرت الورقة البحثية على arXiv في 28 أكتوبر 2026.

## لماذا يهم

بالنسبة إلى الفرق التي تصنّف ملفات LinkedIn الشخصية، قد تتيح هذه التحسينات معالجة عدد أكبر من المرشحين ضمن هدف زمن تقديم الخدمة نفسه؛ لكن الورقة لا توضح ما إذا كان النهج متاحًا لمؤسسات أخرى.

## المصادر والمراجع

1. [From Generation to Scoring: Scaling LLM-Based Semantic Labeling at LinkedIn](https://arxiv.org/abs/2610.36383) – arXiv cs.IR, 2026-10-28

آخر تحديث: 2026-10-28