لماذا قد يقرأ الذكاء الاصطناعي المستند كاملًا ويفهمه على نحو خاطئ؟
تخيّل أن ترفع فاتورة إلى نظام ذكي، فيقرأ اسم المورد وتاريخ الشراء وقيمة الضريبة والمبلغ الإجمالي دون خطأ واحد. تبدو النتيجة ممتازة، حتى تكتشف أن النظام وضع قيمة الضريبة في خانة المبلغ المطلوب سداده. لم يخطئ في قراءة الأرقام، بل في فهم مواضعها. وهذه واحدة من المشكلات التي لا تكشفها دقة التعرف على الحروف وحدها.
الخلاصة التنفيذية
- قراءة الحروف بدقة لا تعني فهم المستند: الخطأ المكلف يقع غالبًا في العلاقة بين القيمة وعنوانها.
- الجداول متعددة الأعمدة والخلايا المدمجة تختبر البنية أكثر مما تختبرها الفقرات العادية.
- المخرج المنظم، سواء Markdown أو حقولًا، يحفظ موضع المعلومة ويتيح التحقق الآلي.
- الاختبار الجاد يقيس الحروف والبنية والعلاقات بين الحقول معًا، لا دقة الحروف وحدها.
- الجيل الجديد من النماذج، ومنها LightOnOCR-3 وبصير، يجمع القراءة والبنية في خطوة واحدة.
قراءة الحروف شيء، وفهم موضعها شيء آخر
التعرف الضوئي على الحروف (Optical Character Recognition - OCR) يجيب عن سؤال: ما الذي كُتب؟ أما فهم بنية المستند فيجيب عن سؤال آخر: أين كُتب، وإلى أي عنوان ينتمي، وبأي ترتيب يُقرأ؟ المبلغ 225.00 بلا عنوان رقم معزول، وبعنوان الضريبة معلومة صحيحة، وبعنوان المبلغ المستحق خطأ مالي.
والصناعة نفسها بدأت تقيس هذا الفرق. ففي إصدار LightOnOCR-3 بتاريخ 8 أكتوبر 2026، اعتمد الفريق مقياس ParseBench الذي يفصل بين أمانة المحتوى والجداول والمخططات والتنسيق الدلالي والتأصيل البصري. وسجّل نموذج الأربعة مليارات معامل 89.9 في أمانة المحتوى، مقابل 66.1 في المخططات و68.3 في التأصيل البصري. الفئات مختلفة فلا تُقارن درجاتها مباشرة، لكن الاتجاه واضح: نقل الكلمات أسهل من استعادة علاقاتها. وأضاف النموذج وضعًا يُخرج لكل منطقة في الصفحة صندوقًا معنونًا بإحداثياته، وهو ما يجعل المخرج أصلح للتقطيع في أنظمة التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG).
لماذا تربك الجداول المعقدة الاستخراج؟
في الجدول البسيط تتبع كل خلية رأس عمودها. لكن حين تتعدد الأعمدة وتُدمج الخلايا، يعجز النظام عن الإجابة عن سؤال أولي: تحت أي رأس تقع هذه القيمة؟ خلية مدمجة تمتد على عمودين قد تُنسب إلى واحد فقط، وسطر التف على سطرين قد يُقرأ بندين. وفي العربية طبقة إضافية: الجدول يُقرأ من اليمين إلى اليسار، بينما تُكتب الأرقام من اليسار إلى اليمين داخل النص نفسه، فيختلط ترتيب القراءة.
وتقرّ LightOn بأن لا نموذج يتفوق في كل شيء: ففي اختبارها على وثائق فرنسية تصدّر نموذج الأربعة مليارات النتيجة الكلية (74.1)، لكن غيره تقدّم في الرسوم وفي بعض الجداول الطويلة. فاختبر على نوع مستنداتك أنت.
فاتورة واحدة، ناتجان مختلفان
في الصورة المرفقة فاتورة تجريبية صُنعت لغرض الشرح، وتحتها ناتجان توضيحيان للاستخراج. الأرقام فيهما واحدة، والفرق في الانتماء.
الناتج الأول: نص مجرد من بنيته. اختل ترتيب التذييل، فانفصل رقمان عن عنوانيهما:
المجموع قبل الضريبة 1,500.00
ضريبة القيمة المضافة 15%
المبلغ المطلوب سداده
225.00 1,725.00
الناتج الثاني: نسخة منظمة تحفظ المواضع:
|
البيان |
القيمة (ر.س) |
|---|---|
|
المجموع قبل الضريبة |
1,500.00 |
|
ضريبة القيمة المضافة 15% |
225.00 |
|
المبلغ المطلوب سداده |
1,725.00 |
في الناتج الأول يضطر النظام اللاحق إلى التخمين، فيأخذ أول رقم يلي «المبلغ المطلوب سداده»، وهو 225.00. ويمر الخطأ بسلام لأن كل رقم موجود فعلًا. في الثاني تجاور كل قيمةٍ عنوانَها، ويمكن التحقق آليًا: 1,500 + 225 = 1,725.
لماذا يصبح Markdown أهم من النص الخام؟
Markdown صيغة وسيطة تحفظ العناوين والقوائم والجداول بنص عادي يقرؤه الإنسان وتعالجه الأنظمة. ومنها نستخرج بيانات منظمة، أي حقولًا وقيمًا، بقواعد صريحة بدل التخمين. ولهذا يبني فريق مسراج بصير على تحويل المستندات العربية إلى Markdown، وتُخرج LightOnOCR-3 نصًا موسومًا بمناطقه.
والمكاسب ثلاثة. أولًا، تقطيع سليم للمستندات الطويلة: يرافق عنوان القسم فقراته، فيسترجع نظام RAG سياقًا مفهومًا بدل شذرات. ثانيًا، تحقق آلي: تُطبَّق القواعد على حقول لها أسماء. ثالثًا، تتبّع: كل قيمة تعود إلى موضعها في الصفحة، فيراجعها الإنسان عند الشك دون أن يقرأ المستند كله.
كيف نختبر الاستخراج دون أن نخدع أنفسنا؟
الاختبار التقليدي يقيس المسافة بين النص المستخرج والمرجع، كمعدل خطأ الكلمات (Word Error Rate - WER). وهو ضروري، لكنه لا يرى أن 225.00 وقعت في الخانة الخطأ، لأن كل الأرقام حاضرة. ويلزم ثلاث طبقات معًا:
- دقة الحروف: معدل خطأ الكلمات والحروف.
- بنية الجداول: مقياس TEDS (Tree-Edit-Distance-based Similarity) يقارن شجرة الجدول المستخرج بنظيرتها المرجعية. وقد نشر فريق مسراج لبصير WER بقيمة 0.25 على Misraj-DocOCR، إلى جانب مؤشري TEDS وMARS على KITAB-Reviewed؛ أي أن التقييم الجاد يقيس الأمرين.
- العلاقات بين الحقول: قواعد حسابية ومنطقية، كأن يساوي المجموع قبل الضريبة مع الضريبة المبلغَ المستحق. هذه القاعدة وحدها كانت ستكشف خطأ الفاتورة في ثوانٍ.
وانتبه لفخ المقاييس نفسها: فبحسب LightOn تعاقب مقاييس المسافة تمثيلات متكافئة عند القارئ، كحاشية بـHTML مقابل LaTeX، حتى إن إعادة صياغة آلية بسيطة تغيّر الدرجة دون أن يتغير ما استُخرج. فأضف اختبارات تقبل الصيغ المتكافئة.
أين تقف مسراج؟ بصير OCR وبصير Extract
بصير نموذج رؤية-لغة (Vision-Language Model - VLM) ضبطه فريق مسراج للمستندات العربية، ويحوّلها إلى Markdown بدل الاكتفاء بنص مسطّح. وتفيد صفحة مسراج على Hugging Face بأنه حقق WER بقيمة 0.25 على Misraj-DocOCR، وهو معيار من 400 صورة مستند راجعها خبراء، متقدمًا على Azure AI وGemini 2.5 Pro. وقيمته هنا أنه يحفظ البنية في المخرج، وهذا ما يحتاجه كل ما يأتي بعده.
أما بصير Extract فدوره استخراج البيانات المطلوبة من المستندات المالية: الحقول التي يحتاجها نظام المحاسبة، لا كل ما كُتب في الصفحة. والتكامل منطقي، فاستخراج الحقول من مستند محفوظ البنية أوضح من استخراجها من نص مسطّح، وقواعد التحقق السابقة تحرس الحدّ بينهما.
ما الذي يجب أن يفعله قادة التقنية الآن؟
- صنّف مستنداتك بحسب ما يهم: فواتير وعقود وكشوف وجداول.
- ابنِ عينة من مستنداتك الحقيقية بمرجع مصحَّح، تشمل الجداول المعقدة والمسح الضوئي الرديء والأرقام العربية والهندية.
- اطلب من أي نظام مخرجًا منظمًا، Markdown أو حقولًا، لا نصًا خامًا.
- أضف قواعد تحقق حسابية ومنطقية قبل أن تبلغ البيانات النظام المالي.
- قِس الحروف والبنية والعلاقات كلًّا على حدة، وأعد القياس كلما تغيّر النموذج.
والسؤال الذي ينبغي أن يسبق كل قرار ليس «كم حرفًا قرأ النظام صحيحًا؟»، بل «كم قيمة وصلت إلى مكانها الصحيح؟».
المراجع
- LightOnOCR-3: High-Performance OCR and Layout Extraction in One Model (Hugging Face)
- Baseer: A Vision-Language Model for Arabic Document-to-Markdown OCR (arXiv)
- مِسراج — Misraj AI (Hugging Face)


