بث مباشر 18.11 · الدفعة 318 نوفمبر، 19:00 بتوقيت موسكو — ورشة عملية مجانية لوكلاء الذكاء الاصطناعي · الدفعة 3 تبدأ 23.11ورشة 18 نوفمبر ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارHabr AI→ المصدر

RWB لم تستبدل خط معالجة OCR بنموذج VLM واحد: 400 مليون صورة يوميًا وسبع مراحل

يمرّر فريق الإشراف في RWB يوميًا نحو 400 مليون صورة من 35 مليون بطاقة منتج عبر OCR. قد يبدو أن نموذج VLM واحدًا يستطيع استبدال سلسلة النماذج، لكنه في الإنتاج يتعثر عند السرعة والذاكرة وهندسة النص وإضافة لغات جديدة. لذلك يقرأ النص خط معالجة متعدد المراحل، بينما يعمل Qwen3-VL مراقبًا فقط على جزء من الواحد بالمئة من الحركة.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
RWB لم تستبدل خط معالجة OCR بنموذج VLM واحد: 400 مليون صورة يوميًا وسبع مراحل
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
حقيقة رئيسية #1مصنِّف الكتابة يعزل كل لغة جديدة في فرع خاص بها
حقيقة رئيسية #2المُجزِّئ وTPS يقوّمان النص المشوّه قبل التعرّف عليه
VLM تنحرف عند التعامل مع المربعات المحيطةومع أكثر من 20 مربعًا تصبح الأخطاء واضحة

اعتاد الجميع فكرة أن المحوِّل (transformer) قادر على كل شيء: تعطيه صورة فيعيد نصًا. لكن فريق «منصة الإشراف» في Wildberries (RWB) لديه تصوّر مختلف. فعبر الإشراف لديهم تمرّ يوميًا أكثر من 35 مليون بطاقة منتج، وعبر OCR نحو 400 مليون صورة. وتشكّل صور البطاقات أكثر من 90% من التدفق. ولا يقرؤها نموذج كبير واحد، بل خط معالجة من عدة مراحل.

لماذا OCR في الإشراف ولماذا لا يصلح «نموذج واحد»

النص المستخرج من الصورة ليس غاية في حد ذاته، بل مُدخل لعمليات الفحص. فبه يبحثون عن بيانات اتصال تتحايل على المنصة، وعن كلمات محظورة، وعن مواد دوائية في التركيب. كما أن البطاقات فوضوية: خلفيات متعددة الألوان، ونقوش مائلة أو مقوّسة، ونص عمودي، وعدة أنظمة كتابة في صورة واحدة. وتعمل RWB في أكثر من 10 دول، لذا فتعدد اللغات أمر لا غنى عنه.

نظر الفريق بجدية في مرشحَين لدور «النموذج الواحد». نموذج VLM كبير مثل Qwen3-VL يقرأ الحروف جيدًا، لكنه يصطدم بحدود الذاكرة والسرعة عند هذا التدفق. أما النموذج المدمج الشامل (end-to-end) مثل GLM-OCR (أقل من مليار معامل) فهو أقرب إلى خط المعالجة من حيث السرعة. لكن السؤال مختلف: هل يمكن إصلاحه وتطويره بالدقة نفسها؟

وفي النهاية وجدت VLM عملًا آخر. فهي تعمل بالتوازي على جزء ضئيل جدًا من الحركة، وتحسب المقاييس وتبحث عن الحالات الحدّية لخط المعالجة الرئيسي. إنها مراجع داخلي، لا حصان عمل.

أين ينهار النموذج الشامل في التشغيل

الهندسة. الإطار المستطيل للكاشف لا يكفي للأقواس والخطوط المائلة، لذا تستخدم RWB مُجزِّئًا. يُخرج المُجزِّئ قناع النص، ويُحدَّد من شكله نوع المقتطع: الأفقي يُقصّ ببساطة، والمائل يُدار، والعمودي يُقلب، والمنحني يُقوَّم. وبالنسبة إلى الأسطر المنحنية يُقدَّر الخط الأوسط ويُبنى تحويل TPS (thin plate spline) بعدد متكيّف من نقاط الارتكاز. وإذا قُرئ النص المقوّس بشكل سيئ، يُصلَح هذا الجزء فقط دون المساس بالباقي. أما في نموذج واحد فكل هذه الخطوات تجري ضمنيًا، ولا يمكن التحقق إلا من الإجابة النهائية.

اللغات. تمثل الروسية نحو 80% من الحركة، وتقل اللغات الأخرى بشكل ملحوظ. وإذا أُعيد تدريب نموذج مشترك على لغة جديدة، فقد تتراجع الجودة في اللغات القديمة، ومنها الروسية. والمقياس المتوسط بالكاد يُظهر ذلك، لكنه في الإنتاج يتحول إلى آلاف الأخطاء. ويخفّض خلط البيانات القديمة والمحوِّلات (adapters) هذا الخطر دون أن يضمن العزل، ويظل لازمًا قبل كل إصدار إعادة فحص جميع اللغات.

وفي خط المعالجة تحلّ هذه المشكلة مصنِّفة الكتابة. فهي لا تقرأ النص، بل تختار فقط فرع التعرّف لكل مقتطع. وحاليًا هناك أكثر من خمسة فروع، وتُجمَّع اللغات المتشابهة في مجموعات. وتحصل اللغة الجديدة على مُتعرِّف خاص بها، ومجموعة بيانات ذهبية (golden dataset) خاصة بها، وإطلاق منفصل. أما أوزان النموذج الروسي فتبقى كما هي، فلا حاجة لإثبات غياب التراجع في التدفق الرئيسي. ويمكن تجميع مقتطعات الفرع الواحد في دفعات ومعالجتها بالتوازي، وتوزيع الموارد بحسب الحركة الفعلية. بينما يولّد النموذج الشامل النص كله رمزًا تلو الآخر.

ترتيب القراءة والإحداثيات. بطاقة المنتج ليست صفحة كتاب: فالنص موزّع في جزر وشرائط وشارات. وإذا قُرئ من اليسار إلى اليمين ومن الأعلى إلى الأسفل، فستكون النتيجة «3 قطع، كثير، بدون، حد أدنى، بروتين، غلوتين، كربوهيدرات». أما تجميع المربعات المتقاربة فيعطي الصيغة السليمة: «3 قطع / كثير من البروتين / بدون غلوتين / حد أدنى من الكربوهيدرات». وفي خط المعالجة هذه خوارزمية مستقلة بقواعد واضحة. وإذا كان الترتيب خاطئًا فهي المسؤولة، لا المُتعرِّفات.

والإحداثيات جزء من العقد أيضًا. فهي لازمة لمعرفة مصدر الإشارة (المنتج أم شريط تسويقي) ولطمس البيانات الشخصية في الصور. أما في VLM فيُولَّد المربع مع النص، وفي الصور التي تحتوي على أكثر من عشرين مربعًا تكون الأخطاء، بحسب فحوص الفريق، واضحة بالفعل. وقد ينطق النموذج بالنص صحيحًا، لكن لا يمكن الوثوق بهندسته كدليل لحظر بطاقة.

ما الذي يمكن أخذه من هذا

الخلاصة الرئيسية أن السؤال ليس «VLM أم خط معالجة»، بل «أين تحتاجون إلى قابلية المراقبة وعزل التغييرات». فإذا كان لديكم تدفق كبير ولغات غير متكافئة وقرارات لها عواقب، فإن النمطية تمنحكم ثلاثة أشياء:

  • يمكن تحديد الخطأ في مرحلة بعينها؛
  • يمكن إطلاق وظائف جديدة دون إعادة فحص كل ما عداها؛
  • تتدرّج الموارد بحسب الحركة الفعلية، لا بحسب أثقل سيناريو.

ومع ذلك يبقى النموذج الشامل مفيدًا بوصفه حكمًا مستقلًا للجودة على نسبة صغيرة من الحركة.

وهناك قيود أيضًا. فخط المعالجة أصعب في الصيانة، ويتطلب عدة نماذج ومصنِّفًا قد يخلط بين أنظمة الكتابة المتقاربة. وفي هذه الحالات ينصح المؤلفون بدمج اللغات في مجموعة إذا كانت كلفة خطأ التوجيه أعلى من خسارة الجودة. وإذا كان لديكم بضعة آلاف من المسوحات يوميًا ولغة واحدة، فمن المرجح أن تكون VLM كبيرة أبسط وأرخص. لكن حين يدور الحديث عن مئات الملايين من الصور وعن الإشراف، فإن الشفافية والتحكم أهم من أناقة «النموذج الواحد».

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول لماذا OCR في الإشراف ولماذا لا يصلح «نموذج واحد»؟

النص المستخرج من الصورة ليس غاية في حد ذاته، بل مُدخل لعمليات الفحص. فبه يبحثون عن بيانات اتصال تتحايل على المنصة، وعن كلمات محظورة، وعن مواد دوائية في التركيب. كما أن البطاقات فوضوية: خلفيات متعددة الألوان، ونقوش مائلة أو مقوّسة، ونص عمودي، وعدة أنظمة كتابة في صورة واحدة. وتعمل RWB في أكثر من 10 دول، لذا فتعدد اللغات أمر لا غنى عنه. نظر الفريق بجدية في مرشحَين لدور «النموذج الواحد». نموذج VLM كبير مثل Qwen3-VL يقرأ الحروف جيدًا، لكنه يصطدم بحدود الذاكرة والسرعة عند هذا التدفق.

ما أبرز التفاصيل حول أين ينهار النموذج الشامل في التشغيل؟

الهندسة. الإطار المستطيل للكاشف لا يكفي للأقواس والخطوط المائلة، لذا تستخدم RWB مُجزِّئًا. يُخرج المُجزِّئ قناع النص، ويُحدَّد من شكله نوع المقتطع: الأفقي يُقصّ ببساطة، والمائل يُدار، والعمودي يُقلب، والمنحني يُقوَّم. وبالنسبة إلى الأسطر المنحنية يُقدَّر الخط الأوسط ويُبنى تحويل TPS (thin plate spline) بعدد متكيّف من نقاط الارتكاز. وإذا قُرئ النص المقوّس بشكل سيئ، يُصلَح هذا الجزء فقط دون المساس بالباقي. أما في نموذج واحد فكل هذه الخطوات تجري ضمنيًا، ولا يمكن التحقق إلا من الإجابة النهائية. اللغات.

ما أبرز التفاصيل حول ما الذي يمكن أخذه من هذا؟

الخلاصة الرئيسية أن السؤال ليس «VLM أم خط معالجة»، بل «أين تحتاجون إلى قابلية المراقبة وعزل التغييرات». فإذا كان لديكم تدفق كبير ولغات غير متكافئة وقرارات لها عواقب، فإن النمطية تمنحكم ثلاثة أشياء: يمكن تحديد الخطأ في مرحلة بعينها؛ يمكن إطلاق وظائف جديدة دون إعادة فحص كل ما عداها؛ تتدرّج الموارد بحسب الحركة الفعلية، لا بحسب أثقل سيناريو. ومع ذلك يبقى النموذج الشامل مفيدًا بوصفه حكمًا مستقلًا للجودة على نسبة صغيرة من الحركة. وهناك قيود أيضًا.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
ما رأيك؟
جارٍ تحميل التعليقات…