كيف خفّضتُ تكلفة الذكاء الاصطناعي نحو عشر مرات في نظام للتعرف الضوئي على الحروف العربية
السجل يجب أن يبقى مجانياً، فكان على النظام الذي خلفه أن يصبح رخيصاً. هذه الطبقات التي فعلت ذلك، بالترتيب الذي يمر به المنشور.
بقلم فراس محمد · · 4 دقائق قراءة
الجواب المختصر
خفّضتُ إنفاق الذكاء الاصطناعي في نظام لمعالجة المستندات العربية نحو عشر مرات، بأن جعلتُ استدعاء النموذج آخر خطوة. الفحوص الحتمية المجانية تأتي أولاً. كل صورة تُقرأ مرة واحدة بالتعرف الضوئي عبر Google Cloud Vision. نموذج رخيص يفرز معظم المنشورات، ولا يصل إلى النموذج القوي إلا المنشور الحدّي، عبر واجهة الدفعات (Batch API) بنصف السعر.
حتى أكتوبر 2026 حوّل هذا النظام 106,595 منشوراً و133,161 صورة إلى 679,162 سجلاً قابلاً للبحث في «عربتي وين؟»، السجل المجاني للعربات المنهوبة في حرب السودان.
أين كان يذهب المال
المدخلات كشوفات استرداد بالعربية من مجموعات فيسبوك وقنوات تيليجرام سودانية. جزء كبير منها صور لصفحات بخط اليد ولرخص العربات. ورقم الشاسي المختوم على لوحة معدنية موجود في الصورة فقط.
تصميمي الأول كان يرسل كل صورة إلى نموذج رؤية. ثم قِستُه، فنقلني القياس إلى محرك مخصص للتعرف الضوئي وإلى نظام يعمل على النص أولاً. كل قرار مكلف في هذا المشروع اتخذتُه قبل أن أقيس.
الطبقات بالترتيب
- ابحث عن الأرقام المعروفة بطريقة حتمية. قبل أي استدعاء لنموذج، تُطابَق الأرقام التي أبحث عنها رقماً رقماً. والمطابقة رقماً رقماً مهمة: إذا ألصقتَ كشفاً من الأرقام في نص واحد، تكوّنت من أرقام البنود المتجاورة أرقامٌ غير موجودة أصلاً. هذا الفحص بلا تكلفة، وهو الفحص الوحيد المسموح له بإعلان تطابق وحده.
- استبعد ما لا يمكن أن يحوي عربة. المنشور الذي ليس فيه مفردات عربات ولا رقم بشكل رقم الشاسي ولا صورة لا يصل إلى أي نموذج. بوابة الصلة هذه أزالت نحو 35% من المحتوى.
- استخدم بصمة المحتوى. كشوفات الاسترداد تُعاد نشرها بين المجموعات، فحكم واحد يخدم كل النسخ. والصور تُعامل بالطريقة نفسها. حين حسبتُ بصمات الصور المتراكمة، كانت 75% منها نسخاً متطابقة بايتاً ببايت.
- اقرأ كل صورة مرة واحدة. قرأ Google Cloud Vision ما مجموعه 24,928 صورة، أي 1.7 مليون حرف، بنحو 35.80 دولاراً، أي قرابة 1.50 دولار لكل 1,000 صورة. بعدها صار المحتوى كله نصاً، والنص أرخص في التقييم وأسهل في التحقق. وقِستُ نموذجاً منافساً أيضاً: كان سيكلّف نحو 145 دولاراً للكمية نفسها، ومن 17 رقم شاسي مقروءة من صور وجد 13، ووجد Cloud Vision منها 14.
- درّج النماذج. نموذج رخيص يفرز كل شيء، ولا يصعد إلا المنشور الحدّي. عند المزوّد الاحتياطي الفرق في السعر بين المستويين 20 ضعفاً. حسبتُ تكلفة 744 منشوراً متراكماً: فرزها كلها على المستوى الرخيص أقل من دولار، ورفع نحو 15% منها إلى المستوى القوي يجعل التشغيل كله قرابة 4 دولارات. والمستوى القوي وحده كان سيكلّف بين 15 و40 دولاراً للإجابات نفسها.
استثناء واحد من التدرّج: المنشور الذي يقع رقم الشاسي فيه داخل صورة يذهب مباشرة إلى النموذج القوي بدقة صورة عالية. الختم لا يُقرأ في الصورة المصغّرة التي يراها الفرز، والفرز الرخيص إن أعطى هذا المنشور صفراً يدفن الرقم الذي تبحث عنه عائلة بالضبط.
الدفعات والبديل والعيّنة
كل ما يحتمل الانتظار يمر عبر واجهة الدفعات بنصف السعر. والتعليمات الثابتة المتكررة تُخزَّن مؤقتاً بخصم 90%.
حين يصل Claude إلى حد الإنفاق أو حد الطلبات أو يتعطل، يُعاد المنشور على OpenAI ويُوسم الحكم باسم النموذج الذي أصدره. ومن دون ذلك يُسقط الحدّ المنشورات بصمت. بديلي الأول لم يكن ليجيب عن أي طلب: كان يرسل max_tokens، ونموذج OpenAI الذي استخدمته يقبل max_completion_tokens فقط.
خذ عيّنة من الطابور قبل أن تثق بأي تقدير. أول 25 منشوراً لم تُقيَّم بعد كانت مليئة بالصور، وأوحت بتشغيل بقيمة 37 دولاراً. الطابور كله كان فيه 71 منشوراً بصور مقابل 709 منشورات نصية. والتكلفة الفعلية كانت نحو 7 دولارات.
ما تضيفه العربية
الأرقام العربية (١٢٣) تتحول إلى أرقام لاتينية قبل أي مقارنة. اللوحة السودانية تُكتب 12345 خ1، فتُطابَق اللوحات مجموعةَ أرقام بمجموعة. وإذا أُلصقت صارت 123451، وهو رقم غير مكتوب في أي مكان.
ومفردات العربات السودانية تحتاج جدولاً خاصاً. الشريحة حافلة صغيرة، والبوكس عربة نقل صغيرة (بيك أب)، والدقو ورا ركشة. قبل هذا الجدول سُجّلت عربة فان على أنها كورولا.
أسئلة شائعة
هل Google Cloud Vision جيد للتعرف الضوئي على النصوص العربية؟
في هذا المحتوى، نعم. من 17 رقم شاسي مقروءة من صور، قرأ 10 بدقة تامة و4 بفارق حرف واحد. ووضع DOCUMENT_TEXT_DETECTION تفوّق على TEXT_DETECTION بنتيجة 10 مقابل 9. أما Document AI فسعره نفسه، 1.50 دولار لكل 1,000 صورة، وهو مصمم للاستمارات والجداول، وهذا المحتوى ليس منها.
هل أرسل الصور مباشرة إلى نموذج لغوي متعدد الوسائط؟
فقط حين يكون الرقم الذي تحتاجه داخل الصورة. نظامي يقرأ كل صورة مرة واحدة ثم يقيّم النص. والمنشورات التي فيها رقم شاسي داخل صورة تذهب إلى النموذج القوي بدقة عالية.
أي نموذج من Claude استخدمتَ للاستخراج؟
Sonnet. في قياسي طابقه Opus في الجودة بنحو 4.7 أضعاف التكلفة و2.4 ضعف الوقت. أما Haiku فحلّل منشوراً واحداً من 21 وأبلغ أن الـ21 كلها اكتملت.
أين يقف اليوم
المسارات المدفوعة متوقفة اليوم. التعرف الضوئي على الصور واستخراج النصوص يعملان على المستوى المجاني من Gemini، والفحوص المجانية نفسها ما زالت تأتي أولاً. المشروع كاملاً في دراسة حالة سجل العربات. وطريقة البحث في السجل في كيف تعرف إن كانت عربتك المنهوبة في السودان قد ظهرت، والفحوص التي تمنع ضياع السجلات في كيف تكتشف فقدان البيانات الصامت.
إذا كان نظام مستنداتك يكلّف أكثر مما يجب، هذه طريقة عملي.