בעידן הנתונים הגדולים, מיליוני רשומות איסוף דגימות ביולוגיות נשארות ללא מיקומים מדויקים בגלל תיאורים מילוליים מורכבים. מחקר חדש ב-arXiv חושף כיצד מודלי שפה גדולים (LLMs) פותרים בעיה זו ומאפשרים גיאורפרנסינג אוטומטי של תיאורי מיקום יחסיים. במקום להסתמך על שמות מקומות בלבד, ה-LLMs מבינים יחסי מרחב כמו 'מצפון לנהר' או 'במרחק 5 ק"מ מדרום לעיר'. זה חיוני למחקרי ביודיברסיטי, שבהם נתונים היסטוריים רבים קודמים ל-GPS.
שיטות מסורתיות לגיאורפרנסינג מסתמכות על מילונים גיאוגרפיים (גזטירים) או מודלים לשוניים שמקשרים מילים למיקומים. אולם, תיאורים מורכבים עם יחסים מרחביים גורמים לדיוק נמוך. החוקרים זיהו דפוסי פרומפטינג יעילים, ולאחר מכן ערכו פיין-טיונינג ל-LLM באמצעות QLoRA על מערכי נתונים ביודיברסיטי ממספר אזורים ושפות. QLoRA הוא שיטת הסתגלות מדויקת בעלת דרגת נמוכה מכוננת, המאפשרת אימון יעיל עם נתונים מוגבלים.
התוצאות מרשימות: בממוצע על פני מערכי הנתונים, 65% מהרשומות מוגיאורפרנסות בדיוק של 10 ק"מ, עם כמות נתוני אימון קבועה. במקרה הטוב ביותר (מדינת ניו יורק), 85% בתוך 10 ק"מ ו-67% בתוך 1 ק"מ. ה-LLM מצטיין בתיאורים ארוכים ומורכבים, ומנצח baselines קיימים. זה מדגיש את הפוטנציאל של מודלי שפה גדולים לגיאורפרנסינג אוטומטי בתחום איסופי הביודיברסיטי.
המשמעות למחקר מדעי עצומה: גיאורפרנסינג מדויק מאפשר ניתוחי מפה של התפוצות, שינויי אקלים והכחדות. בישראל, שבה יש ארכיונים עשירים של צמחייה ובעלי חיים היסטוריים, כלי כזה יכול לשפר מחקרים מקומיים. בהשוואה לשיטות קודמות, הגישה מבוססת-LLM דורשת פחות עבודה ידנית ומטפלת בגיוון לשוני ואזורי.
למנהלי עסקים בתחום מדעי הטבע והביוטק, זה אומר אוטומציה של עיבוד נתונים היסטוריים. החוקרים מדווחים על ביצועים גבוהים גם בשפות מרובות, מה שמקרב אותנו לעולם מחקר גלובלי נגיש יותר. מה תהיה ההשפעה על מחקרי הביודיברסיטי בישראל? קראו את המאמר המלא ב-arXiv:2512.14228.