تتراكم في المكتبات والارشيفات العربية كنوز ضخمة من المخطوطات والوثائق والصحف التي نجت من التلف والضياع. ومع تطور التقنية جرى تصوير الكثير منها وحفظه رقميا. غير ان هذا التحول الورقي لم يضمن لها الحضور الفعلي في العالم الرقمي. اذ تظل الصفحات المصورة بالنسبة للحاسوب مجرد صور جامدة لا يمكن لمحركات البحث او نماذج الذكاء الاصطناعي فهم محتواها او استخراج نصوصها بشكل الي ومباشر.
وتكمن المعضلة الحقيقية في الفجوة التقنية التي تواجه رقمنة الذاكرة العربية. حيث ان كمية هائلة من المعرفة المخزنة لا تزال بعيدة عن ان تتحول الى بيانات قابلة للقراءة والتحليل. وهذا الامر يتطلب تقنيات متطورة قادرة على التعامل مع تعقيدات الخطوط العربية وتنوع اشكال الوثائق القديمة.
واضاف الخبراء ان المسألة لا تتوقف عند حدود المسح الضوئي البسيط. بل تستلزم تقنيات متخصصة تتعرف على النص وتفكك بنيته وتتعامل مع الاخطاء ثم تربطه بسياقه وبياناته الوصفية لتصبح ذاكرتنا التاريخية متاحة للبحث الرقمي.
من صورة محفوظة الى بيانات قابلة للقراءة
وتعتمد عملية تحويل الورق الى مادة ذكية على تقنيات التعرف الضوئي على الحروف المعروفة اختصارا بـ او سي ار. بينما تستخدم تقنيات التعرف على الكتابة اليدوية المعروفة بـ اتش تي ار للتعامل مع المخطوطات والوثائق التاريخية.
وبين الباحثون ان تدريب هذه الانظمة يتطلب كميات ضخمة من البيانات. وكشفت مجموعة سرد التي نشرها اكاديميون من جامعة الامير سلطان واكاديمية طويق عن حجم هذا الاحتياج بوجود اكثر من 2.6 مليون صورة لصفحات عربية متنوعة.
واكد الباحثون ان هذه المجموعة صممت لتدريب انظمة التعرف على النصوص في صفحات تحاكي تخطيطات الكتب. حيث استخدم الباحثون نصوصا عربية رقمية وحولوها الى صور صفحات للحفاظ على النص الاصلي كمرجع صحيح للتدريب والتقييم.
لماذا تحتاج الآلة الى كل هذه البيانات؟
واوضح وديع بوليلة مدير مختبر الروبوتات في جامعة الامير سلطان ان الدافع وراء هذا العمل هو سد الفجوة في البيانات اللازمة لتطوير تقنيات قراءة الوثائق. فالمجموعات السابقة كانت محدودة من حيث الحجم والتنوع الطباعي.
وذكر ان الهدف الاساسي هو توفير بيانات تساعد النماذج على قراءة صفحات كاملة تشبه الكتب المطبوعة مع اختلاف الخطوط وكثافة النصوص. وهو ما يقلل تكاليف التفريغ اليدوي ويوفر اساسا قويا لتطوير انظمة التعرف الضوئي الحديثة.
وشدد بوليلة على ان سرد لا تمثل الارشيف العربي بكل تعقيداته. فهي تحاكي صفحات الكتب ضمن تنسيقات مضبوطة ولا تغطي جميع عيوب الوثائق القديمة. لذا يتطلب الانتقال للتطبيقات الواقعية تعاونا مع المكتبات ومراكز الارشيف لجمع عينات حقيقية.
عندما تواجه الآلة الوثيقة القديمة
وكشف حمدي مبارك المهندس الرئيسي في معهد قطر لبحوث الحوسبة ان التحديات تزداد عند التعامل مع الوثائق الحقيقية. فضعف جودة المسح الضوئي واصفرار الورق وتلفه وبقع الحبر تجعل قراءة النص مهمة بالغة الصعوبة تقنيا.
واشار الى ان الصحف القديمة تضيف مشكلات اخرى بسبب تعدد الاعمدة والعناوين والاعلانات وتداخل النصوص. مما يجعل التعرف على الكلمات وحدها غير كاف لاستعادة الصفحة كما كانت في اصلها التاريخي والجمالي المعهود.
واوضح ان الاخطاء في اللغة العربية لها حساسية اضافية. اذ يمكن لخطأ صغير في حرف واحد ان يحول الكلمة الى كلمة اخرى صحيحة لغويا لكنها مختلفة تماما في المعنى مما يضلل النماذج الذكية ويشوه سياق التاريخ.
النص المستخرج يحتاج الى تدقيق
واكد مبارك ان استخراج النص يمثل بداية العمل فقط. اذ يحتاج المحتوى قبل استخدامه في انظمة استرجاع المعلومات الى ضبط الجودة والتنظيف والتوصيف. فمن المهم الاحتفاظ بالرابط بين النص المستخرج والصفحة الاصلية المصورة.
واضاف انه ينبغي معالجة ترتيب القراءة خصوصا في الصحف متعددة الاعمدة وفصل الحواشي عن المتن الاساسي. كما يجب الاحتفاظ بمعلومات المصدر مثل اسم الكتاب والمؤلف والتاريخ والطبعة لضمان دقة ومرجعية البيانات المستخرجة من الارشيف.
وحذر من التعامل مع مخرجات التعرف الضوئي باعتبارها حقيقة مطلقة لمجرد انها اصبحت نصا قابلا للبحث. اذ يرى ضرورة وجود مستوى من الثقة لكل صفحة مع مراجعة العينات منخفضة الجودة بشريا خاصة عند بناء مجموعات بيانات تدريبية.
عندما تنتقل الاخطاء الى الذكاء الاصطناعي
وكشف مبارك ان اخطاء او سي ار يمكن ان تتجاوز الوثيقة التي نشأت فيها. فقد يتحول اسم شخص او مكان الى كلمة اخرى وتتغير التواريخ. ومع تكرار هذه الاخطاء عبر ملايين الصفحات تصبح جزءا من البيانات التي تتعلم منها النماذج.
واشار الى انه في النماذج التوليدية قد يتعلم النموذج النص المشوه باعتباره صيغة صحيحة. لذا لا ينبغي قياس نجاح الرقمنة بعدد الصفحات التي تحولت الى نصوص فقط. بل بمدى امانة النص المستخرج للمصدر الاصلي واحتفاظه ببنية الوثيقة وسياقها.
وخلص الى انه يمكن استخدام الذكاء الاصطناعي نفسه في مرحلة التحقق من خلال اكتشاف الاخطاء ومقارنة النص المستخرج بالصورة. ولكن ذلك يظل مرهونا بالاحتفاظ بصورة الوثيقة الاصلية الى جانب النص لضمان بقاء النتائج قابلة للمراجعة والتحقق البشري.
عندما تصبح الذاكرة قابلة للقراءة الآلية
واظهرت رحلة رقمنة الذاكرة العربية ان تحويل الصفحة الى ملف رقمي ليس سوى الطبقة الاولى. فالبيانات التي تتعلم منها الالات تحتاج ان تكون قابلة للقراءة مع بقائها مرتبطة بالوثيقة التي جاءت منها والسياق الذي يمنحها معناها الحقيقي.
وبينت التجارب ان التحدي لا ينتهي عند استخراج النص. بل يمتد الى التحقق من دقته والحفاظ على بنية الصفحة ومصدرها. فالمهمة الكبرى هي جعل التراث العربي متاحا للبحث والاستخدام دون ان تنقطع صلته التاريخية باصوله الورقية المادية.
واكد الباحثون في النهاية ان قيمة رقمنة الذاكرة العربية تكمن في قدرة النصوص الناتجة على البقاء امينة للوثائق التي حفظت تلك الذاكرة. فالمعرفة الرقمية تظل ناقصة ما لم تكن دقيقة وموثقة وقابلة للتحقق من قبل الباحثين والمؤرخين في كل مكان.