Handwritten German Administrative Forms (HGAF): A Dataset for Handwriting Recognition with Fine-Tuned and Zero-Shot Baselines

في الزوايا الهادئة للمكاتب والمباني الحكومية في جميع أنحاء ألمانيا، لا تزال كميات هائلة من الأوراق موجودة في شكلها المادي الأصلي. وعلى الرغم من العصر الرقمي، لا تزال ما يقرب من أربعين بالمائة من الشركات هناك تتعامل مع نصف مهامها الإدارية باستخدام الورق، والعديد من الشركات الأخرى تعتمد عليه بشكل أكبر بكما. وهذا يخلق عقبة مستمرة: إذ يجب تحويل الملاحظات المكتوبة بخط اليد في النماذج إلى بيانات رقمية لتصبح مفيدة. وبينما أصبحت أجهزة الكمبيوتر جيدة للغاية في قراءة النصوص المطبوعة، إلا أنها تواجه صعوبة كبيرة مع خط اليد البشري، خاصة عندما يكون هذا الخط مبعثراً عبر الصفحة في مربعات صغيرة ومنعزلة بدلاً من كونه يتدفق في جمل متصلة. ولا يقتكم التحدي في التعرف على الحروف فحسب، بل في فهم أي كلمة تنتمي إلى أي حقل محدد، مثل الاسم أو التاريخ أو التوقيع. وبالنسبة للمؤسسات التي تتعامل مع معلومات شخصية حساسة، لا يمكن للحل أن يتضمن إرسال هذه المستندات إلى خادم سحابي؛ بل يجب أن تظل البيانات داخل الجدران الآمنة للشركة نفسها. وهذا القيد يفرض خياراً صعباً بين بناء برمجيات مخصصة ومتخصصة أو استخدام ذكاء اصطناعي عام وقوي لم يرَ هذا النموذج المحدد من قبل.

لقد وضع فريق من الباحثين في جامعة كارلسروه للعلوم التطبيقية هدفاً لحل هذا اللغز من خلال إنشاء معيار جديد لهذا السيناريو تحديداً. فقد جمعوا 291 نموذجاً إدارياً من الواقع، ملأها 95 شخصاً مختلفاً، لإنشاء مجموعة بيانات أطلقوا عليها اسم "النماذج الإدارية الألمانية المكتوبة بخط اليد". ولضمان إمكانية مشاركة البيانات علناً دون انتهاك الخصوصية، كانت المحتويات اصطناعية، مما يعني أن الأسماء والعناوين كانت وهمية، لكن خط اليد كان حقيقياً ومتنوعاً. صمم الباحثون ثلاث نسخ متميزة من النموذج نفسه، وصُنفت كـ (أ) و(ب) و(ج). كان التخطيط (أ) واسعاً وسهل التعبئة، والتخطيط (ب) عبارة عن جدول مدمج يجبر الناس على الكتابة بخط أصغر، أما التخطيط (ج) فلم يكن يحتوي على أي مربعات، تاركاً للكاتب حرية تحديد مكان إجاباته. ومن الأهمية بمكان أن كل كاتب ملأ التخطيطات الثلاثة بنفس المعلومات تماماً، مما سمح للفريق بعزل كيفية تأثير شكل وهيكل الورقة نفسها على قدرة الكمبيوتر على قراءة النص.

قارنت الدراسة نهجين مختلفين لرقمنة هذه النماذج. كان الأول هو "خط الإنتاج المتخصص"، وهو طريقة تقليدية يقوم فيها برنامج كمبيوتر أولاً بقطع كل مربع من خط اليد، وتنظيفه، ثم تغذيته لنموذج تم تدريبه خصيصاً على آلاف الأمثلة المماثلة. أما النهج الثاني فقد استخدم "نماذج الرؤية واللغة"، وهي نوع من الذكاء الاصطناعي الذي يمكنه النظر إلى صورة كاملة وفهمها كما يفعل البشر، دون الحاجة إلى إعادة التدريب لكل مهمة جديدة. واختبر الباحثون هذه الأنظمة على التخطيطات الثلاثة لمعرفة أي منهج كان أكثر دقة وأيها يمكنه التعامل مع التغييرات في تصميم النموذج دون أن يتعطل.

كشفت النتائج عن تحول مفاجئ في ميزان القوى. ففي التخطيط (أ) البسيط والواسع، تفوقت نماذج الذكاء الاصطناعي العامة فعلياً على المتخصص عالي التدريب. فقد ارتكب نموذجان من نماذج الرؤية واللغة أخطاءً أقل من خط الإنتاج المتخصص، رغم أن المتخصص قد تم ضبطه بدقة على ذلك التخطيط تحديداً. وقد عانى النموذج المتخصص أكثر من غيره في حقول التعليقات الطويلة ذات النص الحر، حيث كان خط اليد أقل تقيداً، بينما تعاملت النماذج العامة مع هذه الأقسام بسهولة أكبر. وعندما انتقل الباحثون إلى التخطييطات الأكثر صعوبة، (ب) و(ج)، اتسعت الفجوة. بدأ النموذج المتخصص، الذي يعتمد على معرفة مكان المربعات بالضبط، في الفشل بشكل كبير عندما كانت المربعات صغيرة أو مفقودة تماماً. ولم يستطع التكيف مع الهياكل البصرية الجديدة، في حين ظلت النماذج العامة قوية، واستمرت في قراءة النص بدقة رغم التغييرات في التخطيط.

تعلق أحد أهم النتائج المتعلقة بالموثوقية بمدى دقة المخرجات. فبينما كانت النماذج العامة أكثر دقة في المتوسط، وجد الباحثون أنه لا يوجد نظام تم تقييمه يمكنه استبدال المراجع البشري تماماً. فقد تمكن أفضل إعداد يعمل في الموقع (on-premise) من نسخ نموذج واحد دون خطأ واحد في حوالي 7.7 بالمائة فقط من الحالات. وهذا يعني أنه بالنسبة للغالبية العظمى من النماذج، سيحتاج الإنسان لاحقاً إلى مراجعة العمل. ومع ذلك، سلطت الدراسة الضوء على ميزة رئيسية للنماذج العامة من حيث المرونة. فمن أجل تكييف خط الإنتاج المتخصص مع تصميم نموذج جديد، يحتاج المهندسون إلى إعادة تدريب النموذج وإعادة كتابة الكود الذي يقطع مربعات النص. في المقابل، يمكن تكييف النماذج العامة مع تخطيط جديد ببساطة عن طريق تغيير التعليمات المقدمة إليها، دون الحاجة إلى إعادة التدريب. وهذا يشير إلى أنه بالنسبة للمؤسسات التي تتعامل مع أنواع كثيرة من النماذج، فإن استخدام نموذج عام ومرن قد يكون أكثر عملية من بناء نظام مخصص لكل منها، بشرما تقبلوا فكرة أن الإنسان سيظل بحاجة إلى التحقق من النتائج النهائية.

كما تطرقت الدراسة إلى حدود التكنولوجيا الحالية. فبينما قدمت النماذج العامة أداءً جيداً، إلا أنها أنتجت أحياناً أخطاءً غريبة، مثل تكرار الكلمات أو الفشل في التعرف على متى قام الكاتب بالشطب على شيء ما. وفي الوقت نفسه، كان النموذج المتخصص هشاً؛ فإذا لم يستطع الكمبيوتر تحديد موقع مربع النص بدقة لأن الكاتب كتب خارج الخطوط قليلاً، فإن الحقل بأكل سيُقرأ بشكل خاطئ. وخلص الباحثون إلى أنه بينما حقق الذكاء الاصطناعي خطوات كبيرة، فإن حلم الرقمنة الكاملة والآلية والخالية من الأخطاء للنماذج المكتوبة بخط اليد لا يزال بعيد المنال في الوقت الحالي. ويبدو أن المسار الأكثر فعالية هو اتباع نهج هجين: استخدام النماذج العامة القوية للقيام بالعمل الشاق المتمثل في قراءة النص، مع الاعتماد على الإشراف البشري للإمساك بالأخطاء الحتمية، كل ذلك مع الحفاظ على أمن البيانات الحساسة داخل البنية التحتية الخاصة بالمؤسسة.