كيف يعمل استخراج بيانات المستندات بالذكاء الاصطناعي

يدخل المستند في سير عمل الاستخراج

كل شيء يبدأ بالمستند المصدر.

• ملف PDF رقمي؛
• ملف PDF ممسوح ضوئيًا؛
• صورة؛
• فاتورة؛
• إيصال؛
• عقد؛
• كشف حساب مصرفي؛
• نموذج داخلي؛
• مستند آخر خاص بالنشاط.

للصيغة أهمية لأن المستندات لا تعرض محتواها كلها بالطريقة نفسها. فقد يحتوي ملف PDF المُنشأ رقميًا على نص قابل للقراءة آليًا أصلًا. وقد يحتوي ملف PDF ممسوح ضوئيًا على صور للصفحات فقط. وقد يتكوّن العقد أساسًا من فقرات، بينما تحتوي الفاتورة على عناوين وإجماليات وجداول.

من منظور المستخدم في Heyyel Data Extractor، يبدأ سير العمل برفع المستند وتحديد نوع النتيجة المطلوبة. وفي أنواع المستندات الشائعة يمكنك البدء بحقول مقترحة. أما لسير عمل خاص بنشاطك فيتيح لك مخصّص / فارغ تحديد بنية الاستخراج بنفسك.

أنت لا تقدّم مستندًا فحسب، بل تحدّد أيضًا ما تتوقع الحصول عليه منه.

يصبح المحتوى قابلًا للقراءة آليًا

قبل أن يستطيع النظام تحديد معلومات العمل، يحتاج إلى الوصول إلى محتوى المستند.

في ملفات PDF الرقمية قد يكون النص متاحًا أصلًا. أما في المستندات الممسوحة ضوئيًا أو الصور فيلزم عادةً OCR — التعرّف الضوئي على الحروف — للتعرّف على الأحرف المرئية.

Invoice Number: INV-45821
Invoice Date: 12 August 2026
Total Due: $7,817.50

هذه مرحلة مهمة لكنها ليست نهاية الاستخراج. يمكن لـ OCR أن يُخبر النظام بأن المستند يحتوي على عدة مبالغ ظاهرة:

$8,250.00
$1,567.50
$2,000.00
$7,817.50

وهذا لا يعني تلقائيًا أن سير العمل يعرف أي قيمة تمثّل total_due.

يجعل OCR محتوى المستند قابلًا للقراءة. أما الاستخراج المنظّم فيحدّد أي أجزاء من هذا المحتوى تقابل المعلومات التي يحتاج إليها سير العمل.

تحدّد بنية الاستخراج المتوقعة

هنا يصبح الاستخراج القائم على الحقول مهمًا. فبدلًا من أن تطلب من النظام إرجاع كل ما في الفاتورة، تحدّد المعلومات التي تحتاج إليها فعلًا.

supplier_name
invoice_number
invoice_date
project
contract_reference
total_due

في Heyyel Data Extractor يمكن ضبط هذه الحقول بأنواع بيانات مناسبة:

يخبر هذا المخطط سير عمل الاستخراج بما يجب أن تتضمنه النتيجة النهائية.

يستخدم النظام سياق المستند لتحديد القيم

تنقل المستندات المعنى بأكثر من الكلمات المنفردة. فالموضع والعناوين والنص المحيط والبنية كلها تساعد على إقامة العلاقات.

Invoice Date: 12 August 2026
Due Date: 11 September 2026

كلتا القيمتين تاريخ. ومشكلة الاستخراج ليست «ابحث عن تاريخ»، بل «ابحث عن التاريخ الذي يقابل invoice_date».

Contract Reference: CTR-8841

تكتسب القيمة CTR-8841 معناها من العنوان المحيط بها وسياق المستند. وهذا أحد أسباب كون الاستخراج القائم على الذكاء الاصطناعي أكثر مرونة من محلّل يعتمد كليًا على إحداثيات ثابتة.

تساعد تعليمات الاستخراج على حل الالتباس

أسماء الحقول لا تكفي دائمًا. يمكن لـتعليمات الاستخراج أن توفّر سياقًا إضافيًا عندما يحتاج الحقل إلى مزيد من الدقة. تحتوي فاتورتنا النموذجية على أربع قيم مالية:

Subtotal: $8,250.00
Tax: $1,567.50
Amount already paid: $2,000.00
Total Due: $7,817.50

حقل باسم amount سيكون ملتبسًا. والأفضل حقل total_due.

استخراج المبلغ النهائي المتبقي للدفع بعد الضرائب والخصومات والدفعات السابقة.

أصبح لدى سير العمل الآن عنصران من السياق:

• الحقل: total_due
• التعليمات: المبلغ النهائي المتبقي للدفع

تصبح القيمة المتوقعة 7817.50 بدلًا من 8250.

ينطبق المبدأ نفسه على التواريخ. فبدلًا من حقل غامض مثل date استخدم حقلًا أدق مثل contract_effective_date مع تعليمات من نوع:

استخراج التاريخ الذي يبدأ فيه سريان الاتفاقية، لا تاريخ التوقيع.

الجداول والمعلومات المتكررة تحتاج إلى بنية أيضًا

ليس كل مستند مؤلفًا من حقول مفتاح-قيمة معزولة. فقد تحتوي الفواتير على بنود. وتحتوي كشوف الحسابات المصرفية على معاملات. وقد تحتوي التقارير على قياسات متكررة.

استخراج كل خلية كنص غير مترابط سيُضيّع علاقات مهمة. أما التمثيل المنظّم المفيد فيحافظ على هذه العلاقات:

{
  "items": [
    {
      "description": "Design work",
      "quantity": 2,
      "unit_price": 2500,
      "total": 5000
    },
    {
      "description": "Development",
      "quantity": 1,
      "unit_price": 3250,
      "total": 3250
    }
  ]
}

ولهذا غالبًا ما تُمثَّل المعلومات المتكررة بقوائم أو بنى متداخلة بدلًا من حشر كل شيء في حقل نصي واحد.

تصبح المعلومات المستخرجة بيانات منظّمة موحَّدة

بعد تحديد القيم المطلوبة يمكن تمثيل النتيجة بأنواع بيانات متسقة.

Invoice Date: 12 August 2026
Total Due: $7,817.50

يمكن أن يصبح:

{
  "invoice_date": "2026-08-12",
  "total_due": 7817.50
}

يستخدم المستند تواريخ بلغة طبيعية وتنسيق عملات وعناوين ونصًا حرًا. أما المخرجات فتستخدم أسماء حقول متوقعة وأنواع بيانات محدّدة وبنية متسقة.

{
  "supplier_name": "Northstar Services",
  "invoice_number": "INV-45821",
  "invoice_date": "2026-08-12",
  "project": "Website Redesign",
  "contract_reference": "CTR-8841",
  "total_due": 7817.50
}

الهدف العملي ليس مجرد PDF ← نص، بل مستند ← معلومات يمكن أن تصبح بيانات منظّمة يستطيع نظام آخر استخدامها.

راجع النتيجة قبل استخدامها لاحقًا

لا ينبغي اعتبار الاستخراج بالذكاء الاصطناعي مثاليًا تلقائيًا. فقد تحتوي المستندات الحقيقية على مسوحات ضوئية رديئة وحقول ناقصة وتخطيطات غير متوقعة وعناوين ملتبسة ومعلومات مكتوبة بخط اليد وجداول متعددة الصفحات وعدة تواريخ أو مبالغ متشابهة.

لذلك قد تحتاج القيم المستخرجة في سير العمل المهم إلى مراجعتها مقابل المستند المصدر قبل استخدامها في مكان آخر.

total_due = 7817.50

يجب أن يقابل:

Total Due: $7,817.50

بدلًا من:

Subtotal: $8,250.00

لا يلزم أن تكون المراجعة البشرية والأتمتة نقيضين. فسير العمل الجيد يؤتمت الاسترجاع المتكرر ويُبقي المراجعة حيث تضيف قيمة.

صدّر النتيجة المنظّمة

بعد أن تصبح المعلومات المستخرجة جاهزة، تحتاج إلى الانتقال إلى الخطوة التالية. ومع Heyyel Data Extractor يمكن تصدير النتائج المنظّمة بصيغة JSON أو CSV.

قد يكون سير العمل الأصلي:

افتح الفاتورة ← ابحث عن القيمة ← انسخ ← الصق في جدول البيانات ← كرّر

ويصبح سير العمل الآلي:

ارفع ← حدّد الحقول ← استخرج ← راجع ← صدّر