كيف يخدم بصير OCR المؤسسات والباحثين والمطورين؟
تحتفظ المؤسسات بجزء كبير من معرفتها داخل مستندات PDF، والتقارير المالية، والعقود، والنماذج الإدارية، والوثائق الممسوحة ضوئيا. لكن وجود هذه المعلومات في ملفات رقمية لا يعني بالضرورة أنها بيانات قابلة للمعالجة أو الاستفادة منها داخل الأنظمة الذكية.
فالتحدي في معالجة المستندات العربية لا يقتصر على التعرف على الحروف والكلمات، بل يمتد إلى فهم بنية الصفحة: أين يبدأ العنوان؟ ما ترتيب الفقرات؟ إلى أي عمود ينتمي الرقم؟ وكيف نحافظ على العلاقة بين البيانات داخل الجداول؟
في مسراج، طوّرنا بصير Baseer OCR لمعالجة هذه التحديات باستخدام نموذج رؤيوي لغوي (Vision-Language Model)، متخصص في فهم المستندات العربية وتحويلها إلى محتوى منظّم بصيغة Markdown.
كيف يعمل بصير تقنيا؟
يعتمد بصير على فهم الصفحة بصريًا، بدل التعامل معها بوصفها سلسلة من الأسطر النصية المنفصلة.
بُني النموذج انطلاقًا من نموذج بحجم 3B معلمة وخضع لضبط دقيق باستخدام مئات الآلاف من أزواج الصور والنصوص، تشمل مستندات عربية حقيقية وبيانات اصطناعية متنوعة في خطوطها وتخطيطاتها.
ويعمل على:
- فهم بنية المستند (Document Layout Understanding): تمييز العناوين والفقرات والقوائم وتسلسل القراءة، حتى في الصفحات متعددة الأعمدة.
- استخراج الجداول (Table Structure Recognition): تمثيل الجداول بصيغة HTML للحفاظ على الصفوف والأعمدة والعلاقات البنيوية بينها، بما فيها الخلايا المدمجة.
- تحويل المحتوى إلى Markdown: إخراج النصوص ببنية واضحة تسهّل معالجتها وفهرستها وإدخالها في التطبيقات البرمجية.
- معالجة العناصر المتخصصة: تمثيل المعادلات العلمية باستخدام LaTeX، وتمييز بعض العناصر غير النصية كالصور والعلامات المائية.
والهدف ليس الحصول على نص مقروء فحسب، بل إنتاج مخرجات تحتفظ بأكبر قدر ممكن من البنية والسياق الموجودين في الوثيقة الأصلية.
أين تظهر القيمة العملية لبصير؟
1. الجهات الحكومية والإدارات المؤسسية
تتعامل هذه الجهات مع نماذج وقرارات وتعاميم ومستندات أرشيفية قد تختلف في تنسيقاتها وجودة تصويرها.
يساعد بصير فرق التحول الرقمي وإدارة الوثائق على استخراج محتوى هذه الملفات وتجهيزه للفهرسة والبحث والتصنيف، وتقليل الحاجة إلى إعادة إدخال النصوص يدويًا.
ويمكن دمج مخرجاته ضمن مسارات معالجة الوثائق المؤسسية، مع استمرار المراجعة البشرية للبيانات الحساسة.
2. البنوك وشركات التأمين والقطاع المالي
في المستندات المالية، لا تكفي قراءة الأرقام بمعزل عن مواقعها. فقد يتغير معنى المبلغ إذا انفصل عن اسم البند أو الفترة الزمنية أو عنوان العمود.
يساعد بصير على استخراج الجداول المالية والحقول النصية مع الحفاظ على علاقاتها البنيوية، ما يتيح لفرق البيانات استخدام المخرجات في عمليات المطابقة والتحليل والتحقق، بعد تطبيق ضوابط الجودة المناسبة.
3. فرق الذكاء الاصطناعي وهندسة البيانات
تبدأ كثير من تطبيقات الاسترجاع المعزّز بالتوليد (RAG) من تحويل المستندات إلى محتوى قابل للفهرسة.
لكن عندما يُستخرج النص بترتيب غير صحيح، أو تُفقد بنية الجداول، قد تنتقل هذه الأخطاء إلى مراحل التقسيم (Chunking) والتضمين (Embedding) والاسترجاع (Retrieval).
يوفّر بصير مخرجات منظّمة يمكن استخدامها كمدخلات في مسارات تجهيز المعرفة. وهذا يساعد الفرق الهندسية على بناء قواعد معرفة أكثر اتساقًا مع بنية المستندات الأصلية، مع بقاء جودة الاسترجاع مرتبطة بمراحل المعالجة والتقييم اللاحقة.
4. الجامعات والباحثون والمكتبات الرقمية
تحتوي الكتب والأوراق البحثية والمواد التعليمية العربية على عناصر يصعب التعامل معها عند تحويل الصفحات المصوّرة إلى نصوص عادية، مثل الحواشي والجداول والمعادلات وتعدد الأعمدة.
يساعد بصير على رقمنة هذه المصادر وإنتاج محتوى منظّم قابل للمراجعة والتحرير والفهرسة، ما يسهّل إعادة استخدامه في البحث العلمي وبناء مجموعات البيانات، مع ضرورة التحقق من دقة النصوص المستخرجة قبل اعتمادها في الاقتباسات العلمية.
5. المطورون وشركات البرمجيات
بالنسبة للمطور، القيمة ليست في عرض النص المستخرج على الشاشة فقط، بل في إمكانية تمريره إلى تطبيق آخر.
من خلال مخرجات Markdown وHTML، وإمكانية الاستفادة من واجهة API، يستطيع المطورون إدخال بصير ضمن مسارات معالجة المستندات (Document Processing Pipelines)، سواء لبناء أنظمة أرشفة، أو أدوات بحث، أو تطبيقات تعتمد على تحليل الوثائق العربية.
كيف نقيس جودة الاستخراج؟
لا نقيس أداء OCR بدقة قراءة الحروف وحدها؛ فصحة الكلمات لا تعني بالضرورة صحة العلاقات داخل المستند.
لهذا طوّرنا في مسراج معيار Misraj-DocOCR لتقييم النماذج على مستندات عربية متنوعة، وقياس دقة الاستخراج وجودة تمثيل البنية.
ويتيح هذا النوع من التقييم دراسة أداء النموذج على مستوى النص والجداول والتنسيق، بدل الاكتفاء بمقارنة الأحرف المستخرجة.
ما نعمل عليه في مسراج هو تقليل الفجوة بين امتلاك الوثائق العربية والقدرة على الاستفادة من المعرفة الموجودة داخلها.
فكلما تحسّنت جودة المحتوى المستخرج وبنيته، أصبح من الأسهل توظيفه في الأرشفة الرقمية، وتحليل البيانات، وبناء قواعد المعرفة والتطبيقات الذكية.
جرّبوا بصير مباشرة على مستنداتكم العربية عبر المنصة:
