كشفت الكشف عن مهمة تحديد النية (Intent Detection) كمهمة حاسمة في أي نظام فهم اللغة الطبيعية (NLU)، وتشكل الأساس لنظام محادثة موجهة للمهمة. ولبناء حلول تفاعلية عالية الجودة في العالم الحقيقي للأجهزة الطرفية (Edge Devices)، يُعدّ تطبيق نموذج كشف النية على الجهاز نفسه ضرورة. وهذا يتطلب نموذجًا خفيف الوزن وسريعًا ودقيقًا، قادرًا على الأداء بكفاءة في بيئة محدودة الموارد. ولتحقيق ذلك، نقترح LIDSNet، وهو نموذج خفيف الوزن جديد لكشف النية مصمم للعمل مباشرة على الجهاز، والذي يُحدِّد نية الرسالة بدقة من خلال استخدام شبكة ساياميز عميقة (Deep Siamese Network) لتعلم تمثيلات جملة أفضل. ونستخدم ميزات على مستوى الحرف (Character-level Features) لتعزيز التمثيلات على مستوى الجملة، ونُظهر تجريبيًا الميزة التي تقدمها تقنية التعلم المنقول (Transfer Learning) من خلال استخدام تضمينات مُدرَّبة مسبقًا. علاوةً على ذلك، لدراسة فعالية الوحدات في معمارية نموذجنا، نُجري دراسة استقصائية (Ablation Study) ونصل إلى النموذج الأمثل. تُظهر النتائج التجريبية أن LIDSNet يحقق دقة تنافسية على مستوى الحد الأقصى (State-of-the-Art) تبلغ 98.00% و95.97% على مجموعتي البيانات العاميتين SNIPS وATIS على التوالي، مع أقل من 0.59 مليون معلمة. ونُقارن LIDSNet مع نماذج BERT المُعدَّلة بدقة (Fine-tuned BERTs)، ونُثبت أن نموذجنا أخف بمرات لا تقل عن 41 مرة وأسرع بمرات لا تقل عن 30 مرة أثناء التقييم (Inference) مقارنةً بـ MobileBERT على جهاز Samsung Galaxy S20، مما يبرر كفاءته الفائقة في الأجهزة الطرفية ذات الموارد المحدودة.