DocClaw: A Unified Agentic System for Intelligent Document Processing
يُعد DocClaw نظاماً وكيلياً موحداً يعيد صياغة مهام معالجة المستندات الذكية المتنوعة كعملية تفاعل تكرارية مشتركة بين وكيل ومستند، وذلك عبر الاستفادة من حالة مستند مهيكلة وأدوات قابلة لإعادة الاستخدام لتحقيق أداء تنافسي عبر معايير التعرف الضوئي على الحروف (OCR)، والأسئلة والأجوبة على المستندات (DocQA)، واستخراج المعلومات الرئيسية (KIE).
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
نحن محاطون كل يوم بوثائق تحمل معرفة العالم: تقارير سنوية، سجلات طبية، عقود قانونية، وملاحظات مكتوبة بخط اليد. ولكي يتمكن الحاسوب من فهم هذه الصفحات، يجب عليه أن يفعل أكثر من مجرد قراءة الكلمات؛ إذ يتعين عليه رؤية كيفية ترتيب النص، والتعرف على الرسوم البيانية والجداول، وربط المعلومات المبعثرة عبر أقسام مختلفة. هذا التحدي، المعروف باسم المعالجة الذكية للمستندات، عولج لفترة طويلة كونه مجموعة من المهام المنفصلة. فقد صُمم برنامج ما لتحويل صورة صفحة إلى نص، بينما يلزم برنامج آخر للعثور على إجابة محددة داخل ذلك النص، وبرنامج ثالث لاستخراج أرقام رئيسية مثل التواريخ أو الأسما. تعمل هذه الأدوات في عزلة، غير قادرة على مشاركة ما تعلمته من مهمة لمساعدة المهمة التالية، مما يفرض نهجاً صارماً يعتمد على خطوات متتالية غالباً ما يفتقد الرؤية الشاملة.
لقد قدم الباحثون الآن نظاماً جديداً يسمى "DocClaw" يغير كيفية تفاعل الحواسيب مع المستندات. فبدلاً من معاملة كل مهمة كمشكلة منفصلة، يعمل "DocClow" كمساعد ذكي واحد يمكنه القراءة، والبحث، والاستنتاج عبر المستند في حلقة مستمرة. فعندما يُعطى سؤالاً أو طلباً، لا يكتفي هذا النظام بتخمين الإجابة؛ بل يستكشف المستند بنشاط، مستخدماً مجموعة من الأدوات المتخصصة للعثور على المعلومات الصحيحة، والتحقق من عمله، وتحسين فهمه حتى يثق في النتيجة. ومن خلال الاحتفاظ بسجل مستمر لما اكتشفه بالفعل، يمكن للنظام إعادة استخدام تلك المعرفة للأسئلة المستقبلية، مما يجعله أسرع وأكثر دقة بمرور الوقت.
إن جوهر هذا النهج الجديد هو التحول من التنبؤ الثابت إلى التفاعل النشط. في الأساليب التقليدية، ينظر الحاسوب إلى المستند مرة واحدة ويصدر مخرجاً، دون وسيلة للعودة وتصحيح خطأ أو التعمق أكثر إذا كانت المحاولة الأولى غير واضحة. ومع ذلك، يتعامل "DocClaw" مع المستند كشريك في محادثة. فعندما يطرح المستخدم سؤالاً، يحدد النظام أولاً استراتيجية بناءً على ماهية السؤال. فإذا كان الهدف هو مجرد قراءة النص، فإنه يركز على التعرف على الحروف والتخطيط. وإذا كان الهدف هو العثور على حقيقة محددة، فإنه يخطط لعملية بحث. وإذا كان الهدف هو استخراج قيمة مثل رقم الإيرادات، فإنه يستعد للتحقق من صحة ما وجده. وتكون هذه الاستراتيجية موجهة بما يسميه الباحثون "مهارات المستند"، وهي في الأساس تعليمات تخبر النظام بكيفية التصرف لمهام مختلفة.
بمجرد تحديد الاستراتيجية، يبدأ النظام عمله ببناء ذاكرة مهيكلة للمستند. فهو يقسم الصفحة إلى أجزاء يمكن إدارتها، ملاحظاً أماكن وجود النصوص والصور والجداول. وبينما يستخدم أدواته لقراءة أقسام معينة أو تحليل رسم بياني، فإنه يحفظ تلك النتائج في بنك ذاكرة مستدام. وهذا فرق جوهري عن الأنظمة القديمة: فالمعرفة المكتسبة من قراءة جزء من تقرير لا يتم التخلص منها بعد انتهاء المهمة. بدلاً من ذلك، يتم تخزينها بحيث إذا تطلب سؤال لاحق معلومات من نفس ذلك القسم، يعرف النظام بالفعل أين يبحث وماذا وجد. وهذا يسمح للنظام بتجنب تكرار العمل وبناء فهم أعمق للمستند أثناء الإجابة على المزيد من الأسئلة.
يعمل النظام في دورة من التخطيط، والعمل، والتحديث. فهو ينظر إلى الحالة الراهنة لمعرفته، ويقرر الأداة التالية التي سيستخدمها — مثل التكبير على قسم ضبابي، أو قص جدول لمزيد من الوضوح، أو البحث عن كلمة رئيسية — ثم ينفذ ذلك الإجراء. وتُضاف نتيجة ذلك الإجراء فوراً إلى ذاكرته. وإذا وجد النظام رقماً يبدو غير متسق، يمكنه استخدام أدواته للتحقق منه مقابل الصورة الأصلية أو إجراء فحص ثانٍ. وتستمر هذه العملية حتى يجمع النظام أدلة كافية للإجابة على السؤال بثقة. وعندها فقط يتوقف ويقدم الإجابة النهائية، متخلصاً من الملاحظات المؤقتة لذلك السؤال المحدد مع الاحتفاظ بالمعرفة الدائمة للمستند للاستخدام المستقبلي.
لاختبار هذا النهج، قيّم الباحثون "DocClaw" في ثلاث مهام مختلفة تماماً: قراءة النصوص من الصور، والإجابة على أسئلة حول مستندات طويلة، واستخراج نقاط بيانات محددة مثل الأرقام المالية. وقارنوا النظام بكل من نماذج الذكاء الاصطناዊ العام والأدوات المتخصصة المصممة لمهام فردية. وأظهرت النتائج أن "DocClaw" قدم أداءً يضاهي أو يتفوق على الأدوات المتخصصة في جميع المجالات. وفي الاختبارات التي تضمنت التعرف على نصوص وصيغ وجداول معقدة، حقق النظام درجات دقة عالية، متفوقاً في كثير من الأحيان على البرمجيات المخصصة. وعندما طُلب منه الإجابة على أسئلة بناءً على تقارير طويلة، كان قادراً على تحديد المعلومات الصحيحة وتقديم إجابات مستندة إلى أدلة بشكل أكثر موثوقية من النماذج القياسية. وبالمثل، عندما كُلف باستخراج معلومات رئيسية، نجح في الجمع بين القراءة البصرية والتعرف على النصوص لتقليل الأخطاء.
كشفت نظرة فاحصة لكيفية عمل النظام عن سبب فعاليته الكبيرة. فقد وجد الباحثون أن القدرة على تحسين عملهم الخاص كانت عاملاً رئيسياً. فعندما واجه النظام نصاً يصعب قراءته، كان يستخدم أداة "التكبير" (zoom) بشكل متكرر للحصول على نظرة أقرب، مما حسن بشكل كبير قدرته على التعرف على الرموز والأرقام الصغيرة. وفي المهام التي تتطلب استخراج بيانات محددة، ساهمت عادة النظام في إعادة التحقق من النتائج مقابل الصورة الأصلية في تصحيح جزء كبير من الأخطاء التي وقعت فيها النماذج الأخرى. علاوة على ذلك، أثبتت ذاكرة النظام أهميتها للفاعلية؛ فعند طرح سلسلة من الأسئلة حول نفس المستند، انخفض الوقت الذي يستغرقه الإجابة على كل سؤال لاحق بشكل ملحوظ. حدث هذا لأن النظام لم يكن بحاجة لإعادة مسح المستند بأكمله لكل استعلام جديد؛ بل كان بإمكانه ببساطة استدعاء ما تعلمه بالفعل والتركيز فقط على المعلومات الجديدة المطلوبة.
تثبت الدراسة أن معاملة معالجة المستندات كعملية تفاعلية موحدة هي طريقة قوية للتعامل مع تعقيد المستندات الواقعية. فمن خلال السماح لنظام واحد بالتبديل بين القراءة والبحث والتحقق بناءً على احتياجات اللحظة، يتغلب "DocClaw" على قيود الأدوات الصارمة ذات الغرض الواحد. وهو يوضح أنه عندما يُمنح الحاسوب القدرة على تذكر ما رآه والتخطيط لخطوته التالية بعناية، فإنه يمكنه فهم المستندات بمستوى من المرونة والدقة كان من الصعب تحقيقه سابقاً. إن هذا النهج لا يقوم بمجرد أتمتة مهمة؛ بل يخلق طريقة أكثر ذكاءً للآلات للتفاعل مع الكم الهائل من المعلومات المكتوبة التي تشكل عالمنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.