تخيل لوحة مخطط هندسي صادرة عن وزارة النقل بإحدى الولايات (DOT) لتقاطع طريق سريع. يمتد خط أبعاد من قائم حاجز الأمان (guardrail) إلى حافة الرصيف، ويحمل القياس "24'-0"". وعلى مقربة منه، تشير فقرة توضيحية (callout bubble) إلى عبّارة مائية (culvert) مرفقة بملاحظة حول قطر الأنبوب. لا شيء من هذا يتبع ترتيب قراءة طبيعياً ومألوفاً؛ فالرقم 24 لا معنى له بمعزل عن السهم المتصل به، والسهم بدوره لا قيمة له دون النقطتين اللتين يصل بينهما. والآن، مرّر تلك الصفحة عبر نظام للتعرف الضوئي على الحروف (OCR)؛ ستحصل على "حقيبة نصوص" مفككة: "24'-0""، وكلمة "CULVERT"، وقيمة قطر الأنبوب، وبعض أرقام المحطات (station numbers). كلها سلاسل نصية مستخرجة بدقة وصحة، لكنها عديمة الفائدة تماماً، لأن العنصر الذي يمنحها معناها (أي خط يلامس أي كائن، وموضعها بالتحديد على الصفحة) قد تلاشى.

هذه هي المعضلة التي تحاول ورقة بحثية جديدة بعنوان PlanSightRAG حلها، وهي مثال جلي على نمط إخفاق يسهل إغفاله إذا كنت تظن أن معضلة الـ OCR قد حُلت بالفعل. فالتعرف الضوئي لم يُحل بعد بالنسبة للرسومات الهندسية، بل حُل فقط للمستندات التي تتألف في معظمها من جمل نصية.

لماذا تعجز حلول ذكاء المستندات الاصطناعي التقليدية أمام المخططات الهندسية المدنية

تتبع معظم أنظمة التوليد المعزز بالاسترجاع (RAG) المخصصة للمستندات الوصفة ذاتها: استخراج نصوص الصفحة عبر OCR، وتقسيم النص إلى مقاطع (chunks)، وتضمين هذه المقاطع (embed)، ثم إتاحة استرجاعها لنموذج لغوي ليجري الاستدلال عليها. وتعمل هذه الآلية بكفاءة معقولة مع العقود، والفواتير، والتقارير؛ ذلك أن المعلومات تكمن في الكلمات، والكلمات تُقرأ بترتيب متسلسل.

أما المخططات القياسية في الهندسة المدنية فلا تسير وفق هذا النمط. فلوحة واحدة ضمن مجموعة مخططات صادرة عن وزارة نقل ولائية (DOT) قد تجمع بين:

مسقط أفقي (Plan view - رؤية عمودية من الأعلى) ومسقط رأسي أو قطاع جانبي (Profile view) في الصفحة ذاتها وبمقاييس رسم مختلفة.
خطوط أبعاد (Dimension lines) وخطوط إشارة (Leader lines) تُشفّر العلاقات بين العناصر اعتماداً على الهندسة الفراغية البحتة.
رموزاً وأنماط تظليل (Hatching) تدل اصطلاحياً على دلالات معينة دون أي تصنيف أو وسم نصي.
إحالات مرجعية إلى لوحات أخرى، وجداول، وكتاب مواصفات منفصل يحدد الحدود الرقمية الفعلية.

وحين تجرد المخطط من تخطيطه المكاني عبر الـ OCR، فإنك تبدد الجزء الأكبر مما يجعله قابلاً للقراءة والفهم. وقد صاغ المؤلفون ذلك بوضوح في ملخص ورقتهم: الأتمتة المعتمدة على الـ OCR "تُجرد المخططات من الهندسة والتخطيط المكاني الضروريين لتفسيرها". وحتى اليوم، لا يزال المهندسون يجرون عمليات التحقق من الامتثال لهذه المخططات يدوياً بالعين المجردة، لوحة تلو الأخرى، مع مقاطعتها مع وثائق المواصفات التي قد تمتد لمئات الصفحات. إنها مهمة بطيئة، ورتيبة، وعرضة للخطأ، وهي تحديداً نوع المهام التي يُفترض بالأتمتة أن تبرع فيها، لولا أن أدوات ذكاء المستندات الاصطناعي القياسية لا تتناسب مع طبيعتها.

الحل: التوقف تماماً عن تحويل الرسومات الهندسية إلى نصوص

تتمثل الخطوة الجوهرية في PlanSightRAG في الاستغناء التام عن استخراج النصوص المعتمد على OCR في عمليتي الفهرسة والاسترجاع. وبدلاً من تحويل لوحة المخطط إلى نص ثم البحث فيه، يتعامل النظام مع كل صفحة كصورة ويبحث في الصور بصور أخرى.

يرتكز الاسترجاع هنا على نموذج يُدعى ColNomic-3B. ولفهم آلية عمله، يفيدنا معرفة العائلة التي ينتمي إليها؛ إذ يعتمد استرجاع المستندات التقليدي على أخذ الصفحة بأكملها وضغطها في متجه واحد (قائمة من الأرقام) يُفترض به تلخيص كل ما تحتويه. هذه الطريقة سريعة لكنها تتسبب في فقدان كبير للبيانات (lossy)؛ فصفحة تتضمن اثنتي عشرة ملاحظة توضيحية منفصلة تُختزل في متجه بالحجم ذاته المخصص لصفحة لا تضم سوى فقرة واحدة. أما ColNomic فيعتمد في المقابل نهج المتجهات المتعددة (multi-vector) المنحدر من طريقة تُعرف باسم ColPali: فهو يُقسّم الصورة إلى شبكة من الرقع (patches)، ويولّد متجهاً مستقلاً لكل رقعة، مما يتيح للاستعلام مطابقة المنطقة المحددة في الصفحة التي يقع فيها المحتوى المعني بدقة، بدلاً من الاعتماد على متوسط عام للصفحة بأكملها. وعندما تستعلم في النظام (كأن تسأل مثلاً: "ما هو الحد الأدنى للخلوص لهذا النوع من حواجز الأمان؟")، يُقارن استعلامك بكل رقعة عبر جميع الصفحات للعثور على أقوى التطابقات. ولهذا السبب تحديداً تظل العلاقات الهندسية محفوظة؛ فأنت لا تطلب من النموذج أبداً وصف الرسم بالكلمات أولاً.

وفوق طبقة الاسترجاع هذه، يقوم مسار عمل وكيلي (agentic pipeline) تطلق عليه الورقة اسم: المخطط-المسترجع-المدقق-المركب (Planner-Retriever-Auditor-Synthesizer). وهي أربعة أدوار، تتولى كل خطوة في المسار دوراً منها بدلاً من الاعتماد على مطالبة موحدة ضخمة (monolithic prompt):

المخطط (Planner) يفكك جوهر السؤال والمطلوب منه فعلياً (أي أنواع اللوحات هي ذات الصلة، وما الذي ينبغي التحقق منه).
المسترجع (Retriever) يجلب صفحات المخططات المرشحة وصفحات المواصفات المرجعية باستخدام بحث ColNomic متعدد المتجهات.
المدقق (Auditor) يتحقق مما إذا كانت الأدلة المسترجعة تدعم الإجابة فعلياً، بدلاً من تمرير كل ما تم استرجاعه دون تمحيص.
المُركّب (Synthesizer) يصيغ الإجابة النهائية أو حكم الامتثال، مستنداً وموثقاً بالصفحات المسترجعة.

والجانب الآخر الجدير بالإشارة هو ما تسميه الورقة خرائط التماثل الحرارية MaxSim (MaxSim heatmaps). وبما أن نموذج الاسترجاع يحسب درجات التشابه على مستوى الرقع الفردية، يصبح بالإمكان تصور الرقع التي قادت إلى هذا التطابق داخل الصفحة بصرياً. وينتج عن ذلك خريطة حرارية تُعرض فوق الرسم الأصلي، لتوضح لك بدقة الموضع الذي يعتقد النظام وجود البُعد أو الرمز أو الملاحظة المعنية فيه. وهذه الميزة أكثر أهمية مما تبدو عليه للوهلة الأولى؛ فاختبار الامتثال الذي يكتفي بإرجاع نتيجة "ناجح" (PASS) أو "راسب" (FAIL) ليس بالشيء الذي يستطيع مهندس اعتماده والتوقيع عليه. أما فحص الامتثال الذي يخبرك: "راسب، وإليك النقطة الدقيقة على المخطط التي تسببت في هذا الحكم"، فهو أمر يمكنك مراجعته والوثوق به فعلياً، أو رصد الخطأ فيه إن وُجد.

ماذا تقول الأرقام الفعلية؟

بنى الفريق معياراً تقييمياً (benchmark) من مواد واقعية: 1,898 صفحة من المخططات القياسية لخمس إدارات نقل ولائية (DOTs)، تم تحويلها إلى 4,056 زوجاً من الأسئلة والأجوبة. وفي اختبار الاسترجاع دون تدريب مسبق (zero-shot retrieval - أي أن النموذج لم يخضع لضبط دقيق مسبق على هذه المجموعة المحددة من المخططات)، حقق PlanSightRAG معدل استدعاء Recall@5 بنسبة 91.47%. ويعني هذا المقياس: بالنسبة لسؤال معين، هل تقع صفحة المصدر الصحيحة ضمن أفضل 5 صفحات يسترجعها النظام؟ والوصول إلى هذه الدقة في أكثر من 91% من الحالات على رسومات بهذا القدر من الكثافة وغياب البنية النمطية يُعد نتيجة قوية ومبهرة.

أما الرقم الأكثر إقناعاً، في نظري، فهو ما تحقق على مجموعة بيانات معزولة لوزارة النقل في ميشيغان (Michigan DOT) لم تكن جزءاً من الولايات الخمس الأصلية؛ حيث حقق النموذج Recall@5 بنسبة 91.40%، وهي نتيجة متطابقة تقريباً مع نتائج البيانات المألوفة للنموذج (in-distribution). وتختلف الولايات في طريقة تنسيق مخططاتها القياسية؛ ونظام لا يعمل إلا على الرسومات التي تم ضبطه عليها لن يكون ذا فائدة تُذكر لوزارة نقل لم تكن ضمن مجموعة بيانات التدريب. لذا، فإن التعميم بهذه السلاسة والنظافة على نسق مخططات ولاية جديدة هو النتيجة التي تشير فعلياً إلى أن النهج يستوعب البنية العامة لقراءة المخططات الهندسية، بدلاً من مجرد حفظ عدد محدود من التنسيقات.

حيث تصبح الورقة أكثر صراحة، وأكثر إثارة للاهتمام

نتائج التحقق من الامتثال هي النقطة التي أود التوقف عندها والتأني، لأن الرقم البارز في العناوين يحتاج إلى علامة تنبيه وتحفظ تقدمها الورقة البحثية نفسها.

فعلى رسومات امتثال تخليقية ومولّدة بارامترياً (وهي رسومات مبنية بقيم مضبوطة برمجياً ومعروفة سلفاً بحيث تكون الإجابة الصحيحة قاطعة لا لبس فيها)، حقق مسار عمل مبني على نموذج الرؤية واللغة Qwen2.5-VL-72B (المكون من 72 مليار معامل) دقة بلغت 100% في إصدار الأحكام. لكن ذلك تحقق تحت شرط واحد محدد: عندما يُزوَّد النظام بالعتبة أو القيمة الحدية للقاعدة التي يتعين عليه التحقق منها محددةً سلفاً كرقم. بعبارة أخرى، إذا أخبرت النموذج أن "الحد الأقصى المسموح به هنا هو 6 بوصات"، فإنه يقارن بُعد الرسم بـ 6 بوصات بشكل صحيح في كل مرة دون خطأ.

هذا سقف تحكم مضبوط، والورقة صريحة في كونه حداً أقصى مشروطاً وليس إثباتاً لقدرة التحقق من الامتثال الشامل من البداية إلى النهاية (end-to-end). إنه يوضح لك أن النموذج قادر على مقارنة رقم موجود على الرسم برقم آخر مقارنة صحيحة، وهو أمر جيد للتأكيد ولكنه ليس الجزء الأصعب في المهمة. والمقارنة المفيدة بحق هي الآتية: خط الأساس المعتمد على OCR التقليدي دون أي نموذج بصري (non-VLM OCR baseline) يحقق بالفعل 76.4% في الإعداد التجريبي ذاته. وهذا يعني أن جزءاً كبيراً من هذا المعيار التقييمي بالذات يمكن حله دون أي فهم لهندسة الرسم على الإطلاق، بمجرد استخراج الأرقام ومقارنتها. الفجوة بين 76.4% و100% فجوة حقيقية، لكنها أضيق بكثير مما قد يوحيه للوهلة الأولى تعبير "الـ OCR في مواجهة نظام بصري متقدم"، وهو أمر يستحق التذكر عندما تبدأ ورقة بحثية بالترويج لنسبة 100%.

أما النتيجة التي أراها الإسهام الأهم للورقة عملياً فهي النتيجة الأصغر والأقل لفتاً للأنظار في نهايتها: التأصيل المستقل للقواعد (autonomous rule-grounding). فبدلاً من تزويد النظام بحدود الامتثال جاهزة، يقوم النظام باستخراج الحد الرقمي مباشرة من مجموعة نصوص المواصفات دون تدخل بشري يحدد القاعدة مسبقاً. وهذا هو الوجه الحقيقي للمهمة الذي يحاكي ما يتطلبه فحص الامتثال في الواقع العملي؛ إذ لا تتلقى رقم القاعدة على طبق من فضة، بل يتعين عليك العثور عليه في كتاب المواصفات ثم تطبيقه بشكل صحيح على الرسم. وتلك معضلة أشد تعقيداً بكثير من مجرد مقارنة رقمين محددين سلفاً، وهي الجزئية التي يحتاج هذا النظام إلى إتقانها بدرجة موثوقة ليصبح جديراً بالنشر الفعلي. وقد أثبتت الورقة نجاح هذه الآلية دون أن تقدم رقماً بارزاً لدقتها، وهو في حد ذاته مؤشر على المسافة التي لا يزال يتعين على هذا المكون قطعها قبل أن يصبح جاهزاً للتقييم المعياري.

ما أهمية ذلك لكل من يطور حلول ذكاء المستندات الاصطناعي أو يشتريها؟

إذا كنت تبني مسارات لمعالجة المستندات تتعامل مع الرسومات الهندسية، أو المخططات المعمارية، أو المخططات الكهربائية، أو أي وثائق أخرى تكمن دلالتها في العلاقات المكانية بين العلامات لا في الكلمات المجردة، فإن هذه الورقة تقدم حجة ملموسة لقاعدة يجدر ترسيخها: لا تعتمد على الـ OCR أولاً ثم تبحث عن الإجابات لاحقاً. فتحويل المحتوى إلى نص يهدر معلومات لا يمكن استعادتها بسهولة، ولن تفلح أي صياغة ذكية للمطالبات (prompting) على مخرجات الـ OCR في استرجاعها.

أما بالنسبة لفرق تطوير المنتجات التي تُقيّم مزودي خدمات الـ OCR أو ذكاء المستندات الاصطناعي، فإن أرقام الاسترجاع هنا (+91% في Recall@5، مع ثباتها أمام نسق مخططات لولاية غير مألوفة) تُمثل معياراً مرجعياً مفيداً بحق إذا كنت تتعامل مع مستندات تعتمد في جوهرها على التخطيط المكاني: كالخرائط، والرسومات التقنية، والاستمارات ذات الجداول المعقدة، وكل ما لا يتبع قراءة بشرية تبدأ "من الأعلى إلى الأسفل". وتزداد وجاهة هذا التوجه عند التعامل مع المخططات التي تحوي نصوصاً عربية؛ إذ تفرض الطبيعة المتصلة للخط العربي واتجاهه من اليمين إلى اليسار، وتغير أشكال الحروف سياقياً مع التراكيب والتشكيل، تعقيدات إضافية تجعل التعرف الضوئي (OCR) أكثر صعوبة وعرضة للخطأ.

ولكل من يغريه اقتباس نسبة الـ 100% الخاصة بأحكام الامتثال في عروضه التقديمية، عليه قراءة التفاصيل الدقيقة أولاً؛ فهذا الرقم يصف نظاماً يتحقق من قيمة زُوِّد بقاعدتها مسبقاً. أما الاختبار الحقيقي المتمثل في التأصيل المستقل للقواعد استناداً إلى مجموعة المواصفات دون الحصول على مفتاح الحل مسبقاً، فهو المعيار الجدير بالترقب، وهو أيضاً المعيار الذي لا يمتلك رقماً دقيقاً ومحدداً بعد. وهذا ليس انتقاصاً من الورقة، فالتحلي بالشفافية حول الجزء المثبت من مسار العمل والجزء الذي لا يزال مجرد عرض تجريبي واعد يعد أكثر فائدة للممارسين والمهندسين من مجرد التباهي بنسبة مئوية مظفرة.

ما الذي لا يزال ينقص هذا النهج؟

ثمة أمور عدة تستحق أن تبقى في الحسبان. فأرقام الاسترجاع في هذا المعيار التقييمي مستمدة من مقياس Recall@5 على أزواج من الأسئلة والأجوبة المبنية من مخططات خمس ولايات فقط، وهي بداية قوية لكنها دون الشمول المطلوب لتغطية التنوع الكامل في تقاليد التنسيق لدى وزارات النقل عبر الولايات الخمسين بأسرها، ناهيك عن معايير المقاطعات والبلديات التي لا تتبع قوالب الـ DOT على الإطلاق. كما يعتمد مسار التحقق من الامتثال على نموذج ضخم يضم 72 مليار معامل، وهو نموذج ليس بالخفيف أو السهل لتشغيله في بيئات الإنتاج الفعلية، ولم تقدم الورقة أي بيانات عن التكلفة أو زمن الاستجابة (latency) لمعرفة مدى عملية تشغيله بحجم العمل الذي تتطلبه مكاتب المراجعة الفعلية لوزارات النقل. أضف إلى ذلك أن رسومات الامتثال التخليقية، وإن كانت وسيلة مقبولة للحصول على حقيقة أرضية (ground truth) نقية ودقيقة، تظل أبسط بكثير من مجموعات المخططات الحقيقية العشوائية المليئة بالملاحظات اليدوية والتي تعود لعقود مضت، والتي لا تزال الكثير من مراجعات البنية التحتية الفعلية تعتمد عليها حتى اليوم.

لا يقلل أيٌ من ذلك من شأن الفكرة الجوهرية؛ فالتعامل مع لوحة المخطط كصورة يُبحث فيها بدلاً من صفحة يتم تفريغ نصوصها هو الحدس الصائب تماماً لهذه الفئة من المستندات، ونتائج الاسترجاع تؤكد ذلك وتدعمه. صحيح أن شق التحقق من الامتثال في هذه المنظومة لا يزال في مرحلة أبكر مما يوحيه الإطار العام، غير أن الورقة تتميز بوضوح وصراحة منعشة حول الحد الفاصل بين ما أُثبت وما لا يزال قيد التجربة، وهو ما تفتقر إليه معظم المعايير التقييمية في هذا المجال.

قراءة مخططات الطرق السريعة دون فقدان الرسم: نظرة على PlanSightRAG