عندما يقرأ الذكاء الاصطناعي بين السطور: OCR مقابل VLMs

هل يمكن للآلات أن تفهم الوثائق حقًا، أم أنها أصبحت فقط أكثر فاعلية في استخراج المعلومات منها؟ مع تقنية OCR التقليدية، يمكن عادةً تحديد الخطأ وقياسه، بينما قد ينتج نموذج VLM تفسيرًا مقنعًا لكنه لا يزال خاطئًا. بالنسبة للشركات، ينقل هذا أول قرار بعيدًا عن اختيار النموذج وإلى سؤال أكثر إزعاجًا: ما نوع الخطأ الذي يمكن للأعمال تحمله؟ يصبح الحد الفاصل بين التعرف والفهم سؤالًا عمليًا حول الجودة والأتمتة والثقة. 

كيف غيرت نماذج التحويل معالجة الوثائق

لفهم كيف تحول التعرف على الوثائق إلى تفسير الوثائق، يجب أولاً أن ننظر إلى التحول التكنولوجي الذي جعل ذلك ممكنًا.

كان تطوير الذكاء الاصطناعي قائمًا على فكرة بسيطة نسبيًا: إدخال الاحتمال في الحسابات التي كانت سابقةً حتمية. بدلاً من إنتاج نفس النتيجة دائمًا من نفس المدخل، يمكن للنظام تقييم عدة نتائج محتملة واختيار الأكثر احتمالًا.

في المراحل الأولى، بدأت شركات مثل Google في تطوير نماذج متطورة للبحث وتصنيف كميات هائلة من المعلومات. رغم أن ترجمة جملة، واختيار نتيجة بحث، وتوصية بفيديو على YouTube تبدو مهامًا مختلفة، إلا أنها تشترك في مبدأ أساسي: العثور على العنصر التالي الأكثر صلة بناءً على ما سبق. حولت نماذج التحويل هذا المبدأ إلى بنية أكثر شمولية.

بمعنى آخر، يأخذ نموذج التحويل في الاعتبار السياق المتاح ويتنبأ بما يجب أن يأتي بعده. يتيح ذلك لنموذج اللغة معالجة الكلمات كجزء من بنية أكبر بدلاً من وحدات منفصلة.

غيّر هذا التطور معالجة الوثائق. كان OCR قادرًا بالفعل على التعرف على الحروف وتحويلها إلى نص قابل للقراءة آليًا منذ عقود. يمكن لنموذج التحويل أخذ تلك الكلمات المعترف بها، وفحص العلاقات بينها، واستنتاج ما تعنيه الوثيقة. 

عندما يبدأ الخطأ في الظهور كإجابة

يُعد OCR في الأساس تقنية للتعرف. يقرأ الوثيقة حرفًا بحرف ويمكنه إسناد درجة ثقة لكل نتيجة. إذا كان الرمز غير واضح، قد يشير النظام إلى أنه احتمال 50٪ أن يكون الرقم “3” و40٪ أن يكون الحرف “Z”. يبقى عدم اليقين مرئيًا وقابلًا للقياس.

يتلقى نموذج VLM النص المعترف به ويستخدم السياق المحيط لحل هذا الغموض. إذا كان حرف واحد لا يتناسب داخل كلمة أو جملة، يمكن للنموذج اختيار الخيار الأكثر منطقية. في كثير من الحالات، ينتج عن ذلك نتيجة أفضل.

في الوقت نفسه، تغير هذه القدرة معنى الجودة. غالبًا ما يكون من السهل تحديد خطأ OCR التقليدي: تحتوي الوثيقة على حرف معين، بينما يحتوي النص المستخرج على حرف آخر. قد يكون خطأ VLM أقل وضوحًا بكثير لأن النظام يبني تفسيرًا متماسكًا حوله.

النظام الذي يفشل في معالجة وثيقة يخلق انقطاعًا واضحًا. والنظام الذي يفسرها بشكل غير صحيح دون الإشارة إلى عدم اليقين يمكن أن يسمح للخطأ بالانتقال إلى قاعدة بيانات أو دفعة أو قرار آلي آخر. لذلك لا يمكن قياس الجودة بعد الآن فقط بعدد الأحرف أو الحقول التي تم استخراجها بشكل صحيح. يجب أيضًا مراعاة ما إذا كان النظام يميز بين المعلومات المعترف بها واستنتاجاته الخاصة.

ما نوع الخطأ الذي يمكن للعملية تحمله؟

حتى وقت قريب، كان النهج الأكثر أمانًا لمعالجة الوثائق باستخدام VLM هو التحقق من كل شيء تقريبًا. اليوم، يصبح هذا الجواب أقل وضوحًا مع تحسن النماذج في تحديد التناقضات ومعالجة العيوب التي كانت تتطلب مراجعة يدوية في السابق.

لذلك يجب أن يبدأ اتخاذ قرار الأتمتة بتقييم عواقب الخطأ بدلاً من الاعتماد على مقياس الدقة العام.

قد يحدث قراءة خاطئة لفئة المنتج على إيصال سوبر ماركت وقراءة خاطئة للمبلغ النهائي ضمن نفس الوثيقة، لكنهما لا يخلقان نفس مستوى المخاطرة. يزداد الفرق عندما يعالج النظام بندًا من عقد، أو سجلًا طبيًا، أو نموذجًا حكوميًا. يمكن للنموذج أن يؤدي أداءً جيدًا عبر مجموعة بيانات كاملة ولا يزال يفشل في عدد قليل من الحقول التي تحدد ما إذا كانت النتيجة التجارية صحيحة.

هذا يعني أن الشركات تحتاج إلى تحديد العناصر الحرجة في الوثيقة قبل اتخاذ قرار حول مدى أتمتة سير العمل. قد تكون بعض الأخطاء غير مكلفة وسهلة التراجع عنها. بينما قد تؤدي أخرى إلى دفعة غير صحيحة، أو التزام تعاقدي، أو قرار قائم على معلومات طبية أو مالية زائفة.

لذلك لا ينبغي أن يكون السؤال الأول، “أي نموذج ينبغي أن نختار؟” بل، “أين يمكن أن يتسبب تفسير غير صحيح في عواقب غير مقبولة؟” فقط بعد الإجابة على هذا السؤال يمكن للشركة تحديد أي الوثائق يمكن أن تمر عبر النظام تلقائيًا وأيها تتطلب تحكمًا إضافيًا.

نماذج VLM تتجاوز الوثائق بالفعل

القدرة على دمج المعلومات البصرية مع السياق تُطبق بالفعل بعيدًا عن معالجة الوثائق. لا يقتصر نموذج VLM على قراءة الصفحات: بل يمكنه تفسير ما تراه الكاميرا وربط الكائنات البصرية باللغة والتعليمات والإجراءات المحتملة.

في القيادة الذاتية، يمكن لهذه النماذج مساعدة الأنظمة على فهم مشاهد الطريق بدلاً من مجرد اكتشاف المركبات أو المشاة أو إشارات المرور الفردية. في مجال الدفاع، يمكنها تحليل اللقطات التي تلتقطها الطائرات بدون طيار وتمييز الأشخاص والمعدات الثقيلة وغيرها من الكائنات على الأرض.

توفر الزراعة مثالًا آخر. قد يحدد النظام عشبًا ضارًا أو حشرة، يحدد نوعها، ويقترح استجابة مناسبة، مثل استخدام ليزر أو معالجة كيميائية معينة. 

يتطور الروبوتات في نفس الاتجاه. يحتاج الروبوت إلى أكثر من القدرة على التعرف على وجود كائن. يجب أن يفهم ما هو الكائن، وكيف يرتبط ببيئته، وما الإجراء الذي تتطلبه الحالة. توفر نماذج VLM الطبقة التي تربط الإدراك البصري بالتعليمات والسلوك.

مبدأ مشابه يظهر في وكلاء الذكاء الاصطناعي الذين يتفاعلون مع واجهات الحاسوب. لتحريك المؤشر أو الضغط على زر، يحتاج الوكيل أولاً إلى تفسير ما يُعرض على الشاشة. يمكن للنموذج البصري تحديد أن المتصفح مفتوح، وتحديد موقع الزر المستخدم لإرسال بريد إلكتروني، وإرجاع إحداثياته حتى يتمكن الوكيل من التنفيذ.

لم تصل جميع هذه التطبيقات إلى نفس مستوى النضج الإنتاجي. ومع ذلك، فإنها تُظهر التحول الأوسع الذي يحدث في مجال الذكاء الاصطناعي: الأنظمة تنتقل من مجرد تحديد ما هو مرئي إلى استخدام المعلومات البصرية ضمن سلسلة أوسع من التفكير والعمل.

في معالجة الوثائق، يعني ذلك أن مخرجات نموذج VLM قد لا تنتهي بعد الآن بالنص المستخرج. قد تُشغّل عملية أخرى، أو تُحدّث نظامًا، أو تؤثر على قرار تجاري. تزداد قيمة التفسير، لكن تتصاعد العواقب عندما يكون هذا التفسير خاطئًا.

من قراءة الوثائق إلى اتخاذ إجراءات بناءً عليها

من غير المحتمل أن يُعرّف مستقبل معالجة الوثائق باختفاء OCR وتولي VLM مكانه. فالتقنيتان تؤديان وظائف مختلفة ضمن نفس سير العمل.

يوضح هذا الهيكل المتعدد الطبقات أيضًا لماذا قد لا يكون نموذج عالمي واحد هو الجواب المناسب لكل وثيقة. قد يتطلب نموذج واضح وموحد القليل من التعرف الدقيق فقط. قد تحتاج عقدة معقدة أو سجل طبي أو وثيقة مكتوبة يدويًا غير منتظمة إلى تحليل سياقي. وبالتالي يمكن توجيه الوثائق المختلفة إلى أدوات مختلفة بناءً على هيكلها وتعقّبها وأهميتها التجارية.

ومع ذلك، يثير ذلك سؤالًا مهمًا آخر: من يتخذ قرار التوجيه الأول؟ إذا قام النظام بتصنيف الوثيقة، واختيار طريقة المعالجة، وتفسير النتيجة، وتقييم أدائه نفسه، فإن مراقبة الجودة تصبح مهمة أخرى تُسند إلى نفس التقنية. يمكن لخطأ في البداية أن يؤثر على كل مرحلة تالية.

هذا هو المكان الذي بدأ فيه دور الإنسان يتغير. في بعض مشاريع معالجة الوثائق الخاصة بـKeymakr’s ، كان الم annotators يقومون بأكثر من فحص الأحرف الفردية أو الحقول المستخرجة. بناءً على سير العمل، كانوا يضيفون تعليقات ويؤكدون البيانات أو يركزون تحديدًا على التحقق من نتائج النموذج المُولدة. قد يشمل عملهم أيضًا تصنيف المحتوى، وتفسير هياكل الوثائق، وتحديد العناصر الغامضة أو غير المقروءة، ووضع علامة على المخرجات التي تتطلب تصحيحًا أو مراجعة إضافية. في هذه الحالات، امتد تدخل الإنسان إلى ما هو أبعد من التحقق من نقاط البيانات المنفصلة إلى الإشراف على كيفية معالجة المعلومات عبر سير العمل. 

إذن، هل تفهم الآلات الوثائق حقًا؟ يمكنها بالفعل التعرف على المحتوى، واستخدام السياق لحل الغموض، وإنتاج استنتاجات لم يكن OCR التقليدي قادرًا على توليدها. من الناحية العملية، يبدو ذلك مشابهًا للفهم. لكن العملية لا تزال قائمة على الاحتمالات والعلاقات المتوقعة، ولا يكون منطقها الداخلي دائمًا واضحًا بالكامل.

بالنسبة للشركات، المصطلحات أقل أهمية من الحد الفاصل الذي تكشفه. يصبح النظام مفيدًا عندما يستطيع تجاوز القراءة ودعم عملية حقيقية. يصبح موثوقًا به فقط عندما تدرك الشركة أين يبدأ التفسير، وكيف سيتم اكتشاف الأخطاء، ومن يبقى مسؤولًا عن القرارات التي تلي ذلك.