Datalab تطلق lift: نموذج بـ9 مليارات معامل مفتوح الأوزان لاستخراج JSON من ملفات PDF

أطلقت Datalab نموذج lift، وهو نموذج مرئي مفتوح الأوزان بحجم 9 مليارات معامل، يحوّل مستندات PDF والصور إلى JSON منظّم وفق مخطط محدد. وعلى مجموعة من 225 مستندًا حقيقيًا، حقق النموذج دقة 90,2% على مستوى الحقول، وهو أحد المؤشرات الأساسية في مهام التحليل الآلي للمستندات.

كيف يعمل lift

مبدأ العمل مباشر: يستقبل النموذج مدخلين، هما المستند (PDF أو صورة) ومخطط JSON يصف بنية البيانات المطلوبة. أما المخرج فهو كائن JSON تُملأ حقوله بقيم مستخرجة من المستند.

تتمثل الميزة التقنية الرئيسية في فك الترميز المقيَّد بالمخطط (schema-constrained decoding). ففي كل خطوة من خطوات توليد الرموز، تقتصر الخيارات المسموح بها على تلك المطابقة للمخطط المحدد. وبذلك يكون JSON الناتج دائمًا صحيحًا من الناحية النحوية ومطابقًا للأنواع المتوقعة: لا أقواس زائدة، ولا نص بدلًا من رقم، ولا مصفوفة في موضع يُنتظر فيه كائن.

الميزة الثانية المهمة هي الامتناع المُدرَّب (trained abstention). فإذا كان حقل وارد في المخطط غير موجود في المستند، يعيد النموذج القيمة null صراحةً بدلًا من اختلاق قيمة. وهذا يعالج مشكلة الهلوسة مباشرة، إذ تميل النماذج التوليدية كثيرًا إلى «ملء» الحقول الفارغة ببيانات معقولة الشكل لكنها مختلقة. والقيمة null الصريحة أكثر موثوقية: فبإمكان النظام اللاحق (downstream) أن يعالج غياب الحقل معالجة صحيحة، بدلًا من أن يتلقى خطأً صامتًا.

ماذا أظهر الاختبار

اختبرت Datalab نموذج lift على مجموعة من 225 مستندًا حقيقيًا من أنواع مختلفة. والمقياس الرئيسي هو الدقة على مستوى الحقول (field accuracy)، أي نسبة الحقول التي ملأها النموذج بشكل صحيح قياسًا بالتوصيف المرجعي. وبلغت النتيجة النهائية 90,2%، وهي نسبة وازنة في مجال ذكاء المستندات (document intelligence).

ومن المهم فهم السياق: فالنوع الواحد من المستندات، كالفاتورة مثلًا، قد يرد بعشرات الصيغ من موردين مختلفين، وقد يتضمن جداول متباينة الأشكال وملاحظات مكتوبة بخط اليد وعمليات مسح ضوئي رديئة الجودة. والدقة العالية على مجموعة متنوعة كهذه علامة على قدرة حقيقية على التعميم.

أبرز خصائص النموذج:

• أوزان مفتوحة: نشر النموذج دون الاعتماد على واجهة API سحابية تابعة لطرف ثالث
• 9 مليارات معامل: يتسع على وحدة GPU واحدة من فئة الخوادم (A100 أو H100) أو على بطاقة استهلاكية قوية
• مخططات JSON اعتباطية: يتكيف مع أي نوع من المستندات دون إعادة تدريب
• إعادة null بدلًا من الهلوسة: سلوك متوقع عند غياب البيانات في المصدر
• معالجة أصلية لملفات PDF والصور دون مرحلة OCR منفصلة عند الإدخال

لماذا يهم هذا الشركات

تُعد معالجة المستندات غير المهيكلة مشكلة مزمنة في العمليات المؤسسية. فهناك فواتير الموردين والعقود والسجلات الطبية والإقرارات الجمركية وكشوف الحسابات المصرفية ووثائق التأمين، وكلها ترد بصيغ مختلفة وتتطلب إما إدخالًا يدويًا للبيانات وإما أتمتة باهظة التكلفة.

يفترض النهج التقليدي خط معالجة متعدد المراحل: OCR للتعرف على النص، ثم التطبيع، ثم استخراج الكيانات المسمّاة عبر NLP، ثم المعالجة اللاحقة والتحقق اليدوي من الحقول المشكوك فيها. وكل مرحلة نقطة فشل مستقلة وبند مستقل من نفقات التطوير والصيانة.

يختصر lift هذا المسار: تصف البنية المطلوبة على شكل مخطط JSON، وتمرّر المستند، فتحصل على JSON جاهز. وتتيح الأوزان المفتوحة نشر النموذج داخل البيئة الخاصة بالمؤسسة، وإعادة تدريبه عند الحاجة على مستنداتها دون نقل البيانات إلى خدمات خارجية. وهذا أمر جوهري للمؤسسات المالية والطبية وشركات المحاماة التي تفرض متطلبات صارمة للسرية.

وتحظى Datalab بشهرة في المجتمع التقني بفضل أداة Marker، وهي محوّل عالي الجودة من PDF إلى Markdown. ويواصل lift هذا الخط، مضيفًا مخرجات منظّمة وتحديدًا صارمًا لأنواع البيانات.

ماذا يعني هذا

تخفض النماذج المفتوحة المتخصصة في ذكاء المستندات عتبة الدخول إلى أتمتة تدفق المستندات. وإذا حافظ lift على الدقة المعلنة على بيانات مؤسسية حقيقية، فسيصبح بديلًا جديًّا للمنصات السحابية مثل Amazon Textract أو Azure Form Recognizer، من دون الارتباط بمزوّد واحد (vendor lock-in) ومع إمكانية الضبط الدقيق وفق أنواع المستندات الخاصة بكل مؤسسة.