كيف تعلّمت YOLO وOpenCV تحليل بوالص الشحن — ولماذا لا يكفي ذلك

عندما يصف OCR بوليصة الشحن بأنها «مقروءة»، فهذا لا يعني سوى أمر واحد: أن النظام استخرج الرموز. أما فهم موضع المرسِل وموضع البضاعة وموضع المبلغ الإجمالي فهو مهمة مختلفة تمامًا، ولا يحلّها OCR افتراضيًا.

تستطيع مكتبات الرؤية الحاسوبية الحديثة، مثل YOLO وOpenCV ونماذج Hugging Face، التعرف على الأجسام والكتل النصية والبُنى في بضعة أسطر برمجية فقط. وهذا مناسب لبناء النماذج الأولية، لكن وراء هذه البساطة قيودًا جدية. فالنماذج الجاهزة مدرَّبة على مجموعات بيانات عامة، ولا تعرف شكل نموذج البوليصة الخاص بكم، ولا أي الحقول إلزامي وأيها مجرد ملاحظة اختيارية.

تتناول المقالة حالة واقعية: كيف تُبنى منظومة تستخرج البيانات من بوالص الشحن آليًا. تصل المستندات بصيغ مختلفة: مسوحات ضوئية منخفضة الدقة، وصور ملتقطة بالهاتف، وملفات PDF من أنظمة محاسبية متنوعة. في هذا السيناريو لا يشكّل OCR سوى الخطوة الأولى، وبعدها تبدأ الهندسة الحقيقية.

القيد الأول الذي يواجه أي فريق هو جودة بيانات الإدخال. يكتشف YOLO الأجسام بكفاءة عالية في الصور النظيفة، لكن بوالص الشحن نادرًا ما تكون مثالية: ورق مجعّد، وزوايا تصوير مائلة، وإضاءة رديئة، وأختام وأخواتم متداخلة. ويساعد OpenCV في المعالجة المسبقة، كتصحيح المنظور وتصفية الضوضاء وتطبيع التباين، لكن كل خطوة من هذه الخطوات تتطلب ضبطًا يدويًا لنوع المستندات المعيّن. ولا توجد قيم معلمات عالمية صالحة لكل الحالات.

القيد الثاني هو الدلالة. يستطيع جهاز الكشف رسم مستطيل حول الرقم «15 000»، لكنه لا يعرف إن كان هذا سعر الوحدة، أو المبلغ الإجمالي، أو رقم البوليصة. ولذلك يلزم منطق إضافي: فهم بنية الجداول وترتيب الصفوف والموضع النسبي للحقول. ويصف المؤلفون نهجًا يعتمد على نماذج NLP من Hugging Face لتصنيف الكتل النصية المكتشفة، إذ يتعلم النموذج التمييز بين أنواع الحقول من سياق العناصر المجاورة.

أما المشكلة الثالثة فهي الأداء في ظروف التشغيل الفعلية. فعندما تتحول المهمة من تحليل مفرد إلى تدفق مستمر، أي عشرات البوالص في الدقيقة، أو إلى سيناريو تحليلات فيديو تُعالَج فيه الإطارات في الزمن الفعلي، تتغير متطلبات البنية المعمارية جذريًا. ويصف المؤلفون تحسين مسار الاستدلال (inference pipeline): تجميع الطلبات في دفعات (batching)، وتكميم النماذج (quantization)، والاختيار بين CPU وGPU بحسب حجم المهام والتأخير المسموح به، إضافةً إلى المعالجة غير المتزامنة كوسيلة لاستخلاص أقصى أداء من العتاد المتاح.

يخصَّص قسم مستقل للمعالجة اللاحقة للنتائج، أي ما يجري بعد أن يعيد جهاز الكشف الإحداثيات والكتل النصية. هنا تلزم قواعد تحقق (رقم ضريبي ИНН صحيح، وصيغة تاريخ سليمة، وتطابق المبالغ الإجمالية)، ومنطق لحل التعارضات (حين يتنازع حقلان على قيمة واحدة)، وآليات لمعالجة الأخطاء. ومن دون هذه الطبقة سيقرأ النظام المستند ولكنه لن يفهمه.

والخلاصة العملية بسيطة: الأدوات موجودة وتعمل، لكنها لا تحلّ مهمة «فهم المستند» تلقائيًا. فـ YOLO جهاز كشف وليس مفسِّرًا. وOpenCV يعالج البكسلات وليس المعنى. وHugging Face يوفّر خيارًا واسعًا من النماذج المدرَّبة مسبقًا، لكن الضبط الدقيق (fine-tuning) لمجال تخصصي بعينه يظل ضروريًا. أما المنظومة الحقيقية لتحليل المستندات فهي خط معالجة يتألف من عدة نماذج وقواعد معالجة لاحقة وتحقق، تضيف فيه كل طبقة دلالة إلى ما رأته الطبقة السابقة فحسب.

تقع حدود قابلية تطبيق الحلول الجاهزة حيث ينتهي التعرف ويبدأ الفهم. وكلما كان المجال أكثر تخصصًا، كالخدمات اللوجستية أو الطب أو المستندات القانونية، ابتعدت هذه الحدود عن مجرد «أخذ نموذج جاهز»، واقتربت من التطوير المخصص من الصفر.