التعرف الضوئي على النصوص العربية في النماذج والفواتير: أين يخطئ وكيف تختبرونه
يمكن أن تنجح القراءة الآلية للنماذج والفواتير العربية الممسوحة، لكن بعد أن تختبروا الأداة على مستنداتكم حقلاً حقلاً. أين يخطئ، وكيف تقيسون الدقة، ومتى يراجع موظف النتيجة.
لنأخذ مثالاً توضيحياً: شركة تأمين متوسطة الحجم في عمّان تريد التوقف عن إدخال بيانات نماذج المطالبات الورقية يدوياً، فتجرّب لمدة أسبوعين أداةً للتعرف الضوئي على النصوص العربية. تخرج العناوين المطبوعة سليمة، لكن أرقام الهوية المكتوبة بخط اليد تخرج وفيها رقمان تبادلا مكانيهما، وتفقد مجاميع إيصالات الصيدليات الممسوحة الفاصلة العشرية. ولا يلاحظ أحد الخطأ، لأن النص الناتج يبدو مرتباً. ويمكن أن يعمل التعرف الضوئي على النصوص العربية جيداً على النماذج والفواتير، بشرط أن تختبروها على مستنداتكم أنتم، حقلاً حقلاً، وأن تحددوا مسبقاً أين يراجع الموظف النتيجة.
نقصد بالتعرف الضوئي على النصوص (OCR) تحويل صورة الورقة الممسوحة إلى نص يمكن البحث فيه ونقله إلى الأنظمة. نشرح هنا أين قد يخطئ، وكيف تقيسون الدقة بأمانة، وأين تلزم المراجعة البشرية. ونوصي بقياس دقة الحقول قبل المقارنة بين مزوّدي الأدوات، لأن نتيجة جيدة على مستوى الصفحة قد تخفي خطأً في حقل المبلغ.
أين يخطئ التعرف الضوئي على النصوص العربية في النماذج والفواتير؟
تطرح الكتابة العربية مشكلات لا تواجهها الأدوات المصممة للحروف اللاتينية إلا نادراً، وكل مشكلة منها قد تتحول إلى قيمة خاطئة في نظامكم.
الحروف المتصلة والنقاط
تتصل الحروف العربية ببعضها ويتغير شكلها حسب موقعها في الكلمة. وبعض الحروف لا يفرق بينها إلا عدد النقاط أو مكانها، مثل ب وت وث. وقد يُضيّع مسحٌ باهت أو فاكس أو ختمٌ فوق النص نقطةً واحدة، فتقرأ الأداة حرفاً آخر. وقد يخرج اسم مثل "ثابت" كلمةً حقيقية أخرى، فيصعب اكتشاف الخطأ.
اختلاف طريقة الكتابة والتشكيل
قد تُكتب الكلمة نفسها بأشكال مختلفة للألف (ا أ إ آ)، وبالتاء المربوطة أو الهاء في آخرها، وبالألف المقصورة أو الياء. وقد تستخدم العناوين المطبوعة التطويل (الكشيدة) لمدّ الكلمة، وتظهر الحركات في بعض النماذج دون غيرها. لا يغير ذلك المعنى، لكنه يغير النص الذي يراه البحث بالتطابق التام أو البحث في قاعدة البيانات.
نظاما الأرقام واتجاه الكتابة
قد تجمع النماذج في الأردن والخليج بين الأرقام الغربية والأرقام الهندية (المشرقية)، أحياناً في الصفحة نفسها. ويُكتب النص العربي من اليمين إلى اليسار، بينما تُكتب الأرقام ورقم الحساب الدولي (IBAN) والرقم الضريبي وأسماء المنتجات الإنجليزية من اليسار إلى اليمين. وقد تعيد الأداة السطر المختلط بترتيب خاطئ، فيتبادل المبلغ والعملة مكانيهما أو يخرج التاريخ معكوساً.
التنسيق والأختام وخط اليد
تضع الفواتير القيم في جداول ومربعات وهوامش. وقد تُربك الخلايا المدمجة والنص المكتوب بالطول أو بزاوية والأختام فوق خانة التوقيع ترتيب القراءة. أما خط اليد فهو أصعب الحالات: يكتب العملاء الأسماء وأرقام الهاتف والهوية بأيديهم، وتختلف جودة الخط من شخص لآخر.
أي الأدوات تقرأ العربية بحسب وثائقها الرسمية؟
تحققوا من دعم اللغة في وثائق كل مزوّد، لا في العروض التسويقية. هذا ما تقوله الصفحات التي راجعناها في 19 أكتوبر 2026:
- Tesseract (مفتوح المصدر): تذكر وثائق ملفات بيانات Tesseract اللغة العربية (ara) ضمن نماذجها. وتوفر مجموعة سريعة أقل دقة، ومجموعة "best" هي الأدق والأبطأ.
- OCRmyPDF (مفتوح المصدر): يضيف طبقة نص إلى ملفات PDF الممسوحة، ويستخدم حزم لغات Tesseract كما يوضح دليل اللغات في OCRmyPDF، مع خيار مثل -l ara+eng.
- Azure AI Document Intelligence: تذكر صفحة دعم اللغات لنموذجَي Read وLayout العربية للنص المطبوع، وتذكرها للنص المكتوب بخط اليد في الإصدار 4.0. أما قائمة خط اليد في الإصدار 3.1 فلا تشمل العربية، لذلك يهم أي إصدار تستخدمون.
- Amazon Textract: تذكر صفحة أفضل الممارسات في Textract ست لغات هي الإنجليزية والإسبانية والألمانية والإيطالية والفرنسية والبرتغالية، وليست العربية بينها. اسألوا AWS كتابياً قبل أن تخططوا لمعالجة مستندات عربية بها.
تستطيع النماذج اللغوية التي تقرأ الصور أن تقرأ صفحات المستندات أيضاً. لكن ما يقلقنا عند قراءة الاستمارات والفواتير أن أخطاء هذه النماذج اللغوية قد تبدو سليمة: فقد يكتب النموذج اللغوي اسماً أو رقماً معقولاً بدل أن يُظهر أنه غير متأكد. عاملوها أداةً إضافية، واختبروها بالطريقة نفسها.
كيف تختبرون الدقة على مستنداتكم؟
الاختبار العادل يقارن الأدوات على الصفحات نفسها، وفق قواعد تصحيح تحددونها قبل رؤية أي نتيجة. هذا هو الترتيب الذي نوصي به:
- قسّموا المستندات إلى فئات: مثل الفواتير المطبوعة، ونماذج المطالبات الممسوحة، وصور الإيصالات الملتقطة بالهاتف، والحقول المكتوبة بخط اليد. قيّموا كل فئة وحدها، لأن المعدل الواحد يخفي الفئة الضعيفة.
- اختاروا عينة من العمل الفعلي: ضمّنوا العينة المسح الرديء والأختام والصفحات المختلطة بالعربية والإنجليزية، بالنسبة نفسها التي تصلكم بها فعلاً. واحذفوا أو أخفوا البيانات الشخصية التي لا يحتاجها الاختبار.
- اكتبوا الإجابة الصحيحة مرتين: يكتب شخصان النص الصحيح والحقول المهمة كلٌّ وحده، ويحسم شخص ثالث الاختلافات. هذه الإجابة المتفق عليها هي المرجع الذي تُقارن به كل أداة.
- اكتبوا قواعد توحيد النص: حددوا كيف تتعاملون مع أشكال الألف، والتاء المربوطة والهاء، والألف المقصورة والياء، والتطويل، والحركات، ونظامَي الأرقام. وطبقوا القواعد نفسها على نتائج كل أداة وعلى الإجابة الصحيحة.
- قيّموا النص والحقول: استخدموا المقاييس في الجدول أدناه، لكل فئة مستندات ولكل حقل.
- احفظوا درجات الثقة: يعيد Textract مثلاً درجة ثقة من 0 إلى 100 مع نتائجه، فتحققوا هل تفعل الأدوات الأخرى ذلك. احتفظوا بهذه الدرجات، لأنها أساس قواعد المراجعة البشرية في القسم التالي.
| المقياس | ماذا يخبركم | متى يهم أكثر |
|---|---|---|
| نسبة الخطأ في الحروف (CER) | نسبة الحروف المضافة أو المحذوفة أو المستبدلة مقارنة بالإجابة الصحيحة | البحث والأرشفة والاسترجاع في النص الممسوح |
| نسبة الخطأ في الكلمات (WER) | الحساب نفسه، لكن بالكلمات الكاملة | الأسماء والعناوين والحقول النصية الحرة |
| التطابق التام للحقل | هل خرج الحقل المهم صحيحاً بالكامل بعد توحيد النص | أرقام الهوية والمبالغ والتواريخ وأرقام الحسابات والأرقام الضريبية |
| الخطأ مع ثقة عالية | كم مرة تخطئ الأداة وهي تعلن ثقة عالية | أي خطوة تعمل دون أن يراجعها شخص |
الصف الأخير هو الأهم. فالأداة التي تخطئ أكثر بقليل لكنها صادقة في درجات الثقة قد تكون أكثر أماناً من أداة نادراً ما تخطئ لكنها لا تُظهر شكّها أبداً.
متى تضيفون المراجعة البشرية؟
نوصي بمراجعة الحقول لا الصفحات. فالموظف الذي يعيد قراءة النموذج كاملاً قد يكتفي بنظرة سريعة، أما الموظف الذي يرى فقط الحقول الثلاثة التي يشك فيها النظام فالأرجح أن يقرأها بانتباه. وتقول إرشادات Textract من AWS إنه ينبغي وضع حد أدنى لدرجة الثقة حيث تكون الأخطاء مكلفة، وإن العمليات التي تتضمن قرارات مالية قد تحتاج إلى حد يبلغ 90% أو أكثر.
| نوع الحقل | الثقة أعلى من الحد الذي حددتموه | الثقة أقل من الحد |
|---|---|---|
| المبالغ وأرقام الحسابات الدولية (IBAN) وأرقام الهوية | لا يُقبل إلا إذا نجحت قاعدة تحقق أيضاً (المجموع صحيح، وأرقام التحقق سليمة) | يراجعه موظف دائماً |
| التواريخ وأرقام الفواتير | يُقبل إذا كان الشكل والمدى معقولين | يراجعه موظف |
| الأسماء والعناوين | يُقبل، مع مراجعة عينة كل أسبوع | يراجعه موظف إذا بُني عليه قرار |
| النص الحر والملاحظات | يُقبل للبحث والأرشفة | يُقبل، مع وضع علامة لمراجعته لاحقاً |
حددوا الحد لكل حقل من نتائج اختباركم أنتم، لا من الإعداد الافتراضي للمزوّد. وتلتقط قواعد التحقق أخطاء لا تكشفها درجة الثقة: يجب أن يساوي مجموع البنود الإجمالي، وأن يكون طول الرقم الضريبي صحيحاً، وألا يقع تاريخ المطالبة بعد تاريخ المسح.
ومثال توضيحي ثانٍ يبين كيف توازن الشركة بين السرعة والمراجعة: شركة توزيع عائلية في الرياض تعالج فواتير الموردين. المبالغ التي تتجاوز حداً متفقاً عليه تذهب دائماً إلى محاسب، أما الأصغر فتنتقل مباشرة إلى نظام تخطيط موارد المؤسسة (ERP) إذا تطابق مجموع البنود. يُتوقع أن تقتصر قائمة المحاسب على الفواتير التي تحتاج إلى رأيه، مع بقاء شخص يراجع الحقول الحساسة.
متى لا تحتاجون إلى OCR أصلاً؟
التعرف الضوئي هو الحل البديل حين لا توجد بيانات منظمة. ففي السعودية، يذكر دليل هيئة الزكاة والضريبة والجمارك للاستعداد للمرحلة الثانية (مرحلة الربط والتكامل) أن نظام الفوترة في المرحلة الثانية يجب أن يُنشئ الفواتير الإلكترونية ويحفظها بصيغة XML، أو بصيغة PDF/A-3 مع ملف XML مضمّن. فإذا أرسل لكم مورد سعودي مشمول بالمرحلة الثانية هذا الملف، اقرؤوا بيانات XML بدل قراءة الصورة. واتركوا التعرف الضوئي للورق والأرشيف القديم والموردين من خارج هذا النظام.
وتحمل النماذج الممسوحة بيانات شخصية أيضاً، مثل أرقام الهوية والهاتف وأحياناً معلومات صحية. قبل إرسال الصفحات إلى خدمة سحابية، تحققوا من المنطقة السحابية (region) التي تُعالَج فيها، ومما تطلبه قوانين حماية البيانات وقواعد قطاعكم. هذه معلومات عامة وليست استشارة قانونية، والالتزامات تتوقف على قطاع مؤسستكم والبيانات التي تعالجونها.
كيف تبدؤون؟
ابدؤوا بفئة مستندات واحدة تسبب لكم مشكلة اليوم، مثل نماذج المطالبات أو فواتير الموردين. جهزوا عينة صغيرة بإجاباتها الصحيحة، وجربوا أداة مفتوحة المصدر وخدمة سحابية واحدة، وحددوا حدود الثقة لكل حقل من النتائج. بعد ذلك فقط قارنوا الأسعار والعقود.
تشمل خدمة الأبحاث المنشورة ومقاييس أداء الذكاء الاصطناعي بالعربية تقييمات للمنصات بالعربية وباللغتين، والمنهجية نفسها نشرحها في دليل تقييم النماذج اللغوية بالعربية. وبعد الاختبار، يمكن أن تساعدكم خدمة تطبيقات الذكاء الاصطناعي المخصصة وتحديث الأنظمة القديمة في بناء عملية الاستخراج داخل أنظمتكم، وتشرح صفحة الأنظمة القديمة كيف يندرج ذلك في الانتقال من الورق وجداول البيانات. وإذا كان النص الممسوح سيغذي مساعداً ذكياً، فاقرؤوا دليل المساعد المعرفي بالعربية (RAG). والمزيد في صفحة مختبر التحوّل.
وإذا لم تكونوا متأكدين من أين تبدؤون، فاحجزوا مسح واقع الذكاء الاصطناعي في شركتكم المجاني، وهو محادثة مجانية مدتها 45 دقيقة تنتهي بخطوة تالية مكتوبة.
أسئلة شائعة
هل يدعم Tesseract اللغة العربية؟
نعم. تذكر وثائق ملفات بيانات Tesseract نموذجاً للغة العربية (ara)، مع مجموعة سريعة أقل دقة ومجموعة "best" هي الأدق والأبطأ. ويستخدم OCRmyPDF حزم اللغات نفسها لإضافة طبقة نص قابلة للبحث إلى ملفات PDF الممسوحة. جربوا المجموعتين على نماذجكم الممسوحة قبل الاختيار، لأن النتائج تختلف حسب جودة المسح وتنسيق الصفحة.
كيف نقيس دقة قراءة النصوص العربية الممسوحة؟
جهزوا عينة من مستنداتكم الفعلية، واطلبوا من شخصين كتابة النص الصحيح كلٌّ وحده، وحددوا قواعد موحدة لأشكال الألف والتاء المربوطة والألف المقصورة والتطويل والحركات والأرقام. بعد ذلك احسبوا نسبة الخطأ في الحروف والكلمات، والتطابق التام للحقول المهمة مثل المبالغ وأرقام الهوية والتواريخ، لكل فئة مستندات وحدها. وراقبوا كم مرة تخطئ الأداة وهي تعلن ثقة عالية.
هل تستطيع أدوات OCR قراءة خط اليد العربي؟
بعض الخدمات تذكر ذلك. فصفحة دعم اللغات في Azure AI Document Intelligence من Microsoft تذكر العربية للنص المكتوب بخط اليد في الإصدار 4.0، ولا تذكرها في قائمة خط اليد للإصدار 3.1، لذلك يهم الإصدار الذي تستخدمونه. ويبقى خط اليد أصعب الحالات لأن جودته تختلف من شخص لآخر، فاختبروا حقوله وحدها وأرسلوا القيم منخفضة الثقة إلى موظف يراجعها.
متى يجب أن يراجع موظف نتائج القراءة الآلية؟
راجعوا الحقول لا الصفحات كاملة. أرسلوا الحقل إلى موظف حين تقل درجة ثقته عن حد تحددونه من نتائج اختباركم، وأرسلوا دائماً الحقول الحساسة مثل المبالغ وأرقام الحسابات والهوية، إلا إذا نجحت قاعدة تحقق أيضاً، كأن يساوي مجموع البنود الإجمالي. وتقول إرشادات Textract من AWS إن العمليات التي تتضمن قرارات مالية قد تحتاج إلى حد يبلغ 90% أو أكثر.
تصلكم مقالاتنا الجديدة بالبريد
رسالة واحدة عند نشر ما يفيدكم، بلا إزعاج، ويمكنكم إلغاء الاشتراك في أي وقت.
الخدمات في هذا المقال
المختبر المرتبط: مختبر التحوّل ↖
