فواتير إلكترونية وإيصالات ونماذج سعودية اصطناعية ثنائية اللغة من Bayanat Labs

synthetic Arabic invoices Saudi e-invoice data UBL XML key information extraction Arabic OCR document question answering

أرقام رئيسية

تُحسب آليًا من الملفات المنشورة. يُقرأ كل رقم من ملفات الأعداد ونتائج الفحوص وخط الأساس في مجلد meta من مجموعة البيانات على Hugging Face عند المراجعة ⁦4eb6531b76ac77377a4a42dde98ba186b256bcad⁩، ويُربط ببصمة SHA-256 للملف، وتُحسب النسب المئوية والدرجات ذات المنازل العشرية الثلاث من هذه الملفات وتُقرَّب كما تكتبها بطاقة البيانات. والشيفرة عند الوسم v0.1.0، الإيداع ⁦0dbe24707b773b3c51371ff7adebc2ddf5bfb48c⁩. ويسرد ملف MANIFEST.json كل ملف مع حجمه وبصمته.

التنزيل والمعرّفات

ابدأ الاستخدام

حمّل أحد الإعدادات بمكتبة datasets. وتُثبَّت أدوات التوليد والتحقق والتحويل من GitHub عند وسم الإصدار v0.1.0، فالحزمة غير منشورة على PyPI.

pip install datasets pillow huggingface_hub

from datasets import load_dataset
pages = load_dataset("Bayanat-Labs/saudi-einvoice-synth", "pages", split="test", streaming=True)

pip install "saudi-einvoice-synth[all] @ git+https://github.com/Bayanat-Labs/saudi-einvoice-synth@v0.1.0"

ما الذي يتضمنه الإصدار

صيغة النسبة: Synthetic Saudi E-Invoices, Receipts and Bilingual Forms by Bayanat Labs, CC BY 4.0. City and district names from the Bayanat Labs Arabic Gazetteer (CC BY 4.0), which takes them from GeoNames (CC BY 4.0) and Wikidata (CC0 1.0). https://huggingface.co/datasets/Bayanat-Labs/saudi-einvoice-synth

الاستخدامات المقصودة

• تدريب واختبار التعرف الضوئي واستخراج المعلومات الأساسية والإجابة عن الأسئلة من المستندات على فواتير وإيصالات ونماذج ثنائية اللغة سعودية الطابع، مع مربعات الحقول على الصفحة النظيفة وعلى كل نسخة متدهورة.
• اختبار نموذج على تخطيطات لم يرها، بعائلات القوالب المحجوزة عن التدريب (10 في الاختبار فقط و5 في التحقق فقط).
• تطوير أدوات لقراءة ملفات UBL XML ورموز QR بصيغة TLV على إعداد xml.

خارج النطاق

• إنتاج فواتير ضريبية حقيقية أو التحقق منها أو تقديمها: فكل صفحة تذكر أنها ليست فاتورة ضريبية، والتوقيعات اختبارية وغير صالحة للتقديم.
• فهم الفحوص هنا على أنها ما قد تُظهره حزمة أدوات ZATCA أو أنظمة الهيئة: فلم تُشغَّل حزمة الأدوات، ولم يُرسل أي ملف إلى أنظمة الهيئة.
• فهم النتائج على هذه الصفحات المولَّدة على أنها نتائج على فواتير حقيقية: فالنسخ المتدهورة محاكاة، ولم يُقس الفرق عن الفواتير الحقيقية.

الحقوق باختصار

التدريب والعرض وإعادة التوزيع وإنشاء الأصوات الاصطناعية أذونات منفصلة.

القيود

• كل ما في البيانات مولَّد: جميع الأطراف والمعرفات والمنتجات والمبالغ. وتحمل كل صفحة التذييل «عينة اصطناعية لأغراض البحث — ليست فاتورة ضريبية». والبيانات مخصصة للبحث، وليست لإنتاج فواتير ضريبية حقيقية أو التحقق منها أو تقديمها.
• أسماء الأشخاص تركيبات عشوائية من أسماء شخصية وأسماء عائلات عربية. وقورنت الأسماء الكاملة بأسماء الأشخاص المأخوذة من ويكي بيانات، عبر أطلس الكيانات العربية وشريحة ويكي بيانات للعالم العربي من Bayanat Labs، بالعربية والإنجليزية، وحُذف ما طابقها تمامًا بعد التوحيد. وقد يطابق الاسم المولَّد مع ذلك شخصًا حقيقيًا، ويمكن لأي شخص الإبلاغ عنه عبر ⁦hello@bayanatlabs.com⁩.
• قورنت أسماء المنشآت بالأسماء في ويكي بيانات: 13,065 اسمًا بالعربية و13,048 اسمًا بالإنجليزية، وعدد التطابقات 0. وقد يطابق الاسم المولَّد مع ذلك منشأة صغيرة حقيقية، ويمكن الإبلاغ عن ذلك عبر ⁦hello@bayanatlabs.com⁩.
• أرقام ضريبة القيمة المضافة بالصيغة المكوّنة من خمسة عشر رقمًا التي تتطلبها قواعد XML، وتذكر بطاقة البيانات نمطها. ولم يُرجع إلى أي سجل، فلا يمكن استبعاد مطابقتها لتسجيل حقيقي، ويمكن لأي شخص الإبلاغ عن ذلك عبر ⁦hello@bayanatlabs.com⁩.
• لم تُشغَّل حزمة أدوات ZATCA (SDK)، لأن صفحة تنزيلها تتطلب الموافقة على الشروط والأحكام، ولم يوافق عليها هذا المشروع. وما شُغّل بدلًا منها هو التحقق من مخططات OASIS UBL 2.1 وفحص منفصل لقواعد الأعمال السعودية المنشورة كُتب لهذا المشروع. وتجتاز جميع ملفات XML البالغة 22,450 الفحصين، ولا يدل ذلك على ما قد تُظهره حزمة الأدوات أو أنظمة هيئة الزكاة والضريبة والجمارك. والتوقيعات اختبارية بمفتاح مُولَّد ذاتيًا، وغير صالحة للتقديم. ولم يُرسل أي ملف إلى أنظمة الهيئة.
• تتطابق المبالغ تمامًا في السجلات ذات المبالغ البالغ عددها 24,050، ويطابق رمز QR المقروء من 22,450 صفحة نظيفة تحمله قيمة XML. ولقارئ رمز QR حد زمني قدره 60 ثانية لكل صورة مع إعادة محاولة واحدة، وتُحسب الصورة التي ينفد وقتها غير مقروءة في معدلات القراءة على النسخ المتدهورة المذكورة في بطاقة البيانات، وقد حدث ذلك لصورة واحدة.
• يستخدم فحص التعرف الضوئي على المربعات نماذج tessdata_best من Tesseract ويأخذ أفضل نتيجة من عشرة إعدادات كحد أقصى لكل مربع: يبلغ معدل خطأ الأحرف عشرة في المئة فأقل في 98.99% من المربعات التي يشملها. ولا يشمل المربعات المكتوبة بالأرقام العربية الهندية وعددها 390,028، ولا يُجرى لها إلا فحص الحبر. فهو يبيّن أن المربعات تقع على نص مقروء في أفضل حالة، ولا يقيس ما يقرؤه محرك التعرف الضوئي بإعداد واحد، وهذا ما يقيسه خط الأساس المرجعي.
• يغطي فحص نص PDF القيم المكتوبة دون حروف عربية، ووُجدت كلها، وتبلغ النسبة على كل القيم 94.82% لأن طبقة النص العربي في ملفات PDF المصدرية غير موثوقة في بعض الخطوط. فاستخدم الوسوم، لا طبقة نص PDF، مصدرًا للنص العربي.
• في 26 من أصل 60 عائلة قوالب لا يضم جدول البنود عمود خصم، فلا يُطبع للبند المخصوم إلا مبلغه بعد الخصم، ولا يُطبع الخصم نفسه. ويختلف عندها حاصل ضرب الكمية في السعر عن المبلغ المطبوع: 11,521 من أصل 78,171 بندًا في تلك العائلات (5,537 من أصل 10,200 سجلًا). والخصم موجود في السجل canonical وفي XML.
• لا يُعاد بناء الصور مطابقةً بايتًا ببايت بالضرورة: في الجزء الذي بُني مرتين (500 من أصل 25,000 من السجلات)، تختلف 68 من 2,792 صورة، ويتضمن كل ملف PDF وقت إنشائه، ولا تشمل المقارنة غير ذلك الجزء. ويستخدم 73 بذرة سحبًا ثانيًا: 71 لإزالة التكرار القريب، واثنتان لأن جدول السحب السابق لم يتسع في الصفحة. وتذكر الصفوف الإيداع الذي بناها، وهي ثلاثة إيداعات كلها في تاريخ الوسم v0.1.0. ولا تضيف الإيداعات اللاحقة سوى حد زمني في فحص QR وذينك السحبين الثانيين ووثائق، ويعيد الوسم إنتاج سجلات كل الأجزاء.
• حالة الوسوم machine_validated: اجتازت فحوصًا مبرمجة، ولم يمر عليها مراجع. والنسخ المتدهورة محاكاة: لا يضم الإصدار نسخًا مطبوعة وممسوحة فعليًا ولا قسم اختبار مخفيًا، ولم يُقس الفرق عن الفواتير الحقيقية.
• خط الأساس المرجعي عينة، وليس منتجًا ولا اختبارًا لـ Tesseract عمومًا: Tesseract بنماذج tessdata_fast على 1,000 سجل من التحقق والاختبار سُحبت ببذرة مذكورة عبر كل الأجزاء، ومعرّفاتها في الملف meta/baseline_sample.json في مجموعة البيانات. متوسط معدل خطأ الأحرف في مربعات القيم دون الأرقام العربية الهندية: 0.103 على الصفحات النظيفة، و0.125 على المسح الضوئي، و0.192 على التصوير. ومقياس F1 لخمسة حقول بالتعرف الضوئي والقواعد على الصفحة الأولى فقط (المجاميع في صفحة لاحقة في 213 من أصل 572 مستند A4، فلا يمكن أن يسجل هذان الحقلان فيها نتيجة): 0.705 على النظيفة، و0.699 على المسح الضوئي، و0.584 على التصوير؛ وعلى الصفحات النظيفة 0.698 في عائلات القوالب الموجودة أيضًا في التدريب و0.709 في العائلات الموجودة في التحقق أو الاختبار فقط. ولم يُدرَّب أي نموذج، وكُتبت القواعد لهذه التخطيطات.

المصادر والتراخيص

لم تدخل هذه المجموعة أي فاتورة أو إيصال أو نموذج حقيقي. وتأتي قيم الحقول وأصناف البنود والأسئلة من معاجم وقواعد مكتوبة، وأسماء المدن والأحياء حقيقية من المعجم الجغرافي، والشوارع تركيبات مولَّدة من كلمات. وتُذكر مصادر ما دخل في البناء وإصداراتها في الملف meta/PROVENANCE.jsonl في مجموعة البيانات. تفاصيل المصادر (بالإنجليزية)

طريقة الاستشهاد

صيغة الاستشهاد:

Bayanat Labs (2026). Synthetic Saudi E-Invoices, Receipts and Bilingual Forms, version 0.1.0. Bayanat Labs. https://huggingface.co/datasets/Bayanat-Labs/saudi-einvoice-synth

• ملف CITATION.cff

لا يوجد معرّف DOI. استشهد بالرابط الوارد في صيغة الاستشهاد أعلاه وبتاريخ اطلاعك عليه.

@misc{bayanatlabs2026saudieinvoicesynth,
  author       = {{Bayanat Labs}},
  title        = {Synthetic Saudi E-Invoices, Receipts and Bilingual Forms, version 0.1.0},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://huggingface.co/datasets/Bayanat-Labs/saudi-einvoice-synth}}
}

كيف نتعامل مع الاستشهاد (بالإنجليزية)

سجل التغييرات

التصحيح وطلبات الإزالة

إذا وجدت في هذا الإصدار ما لا ينبغي وجوده أو ما يحتاج إلى تصحيح، فراسلنا على hello@bayanatlabs.com. نعالج طلبات الإزالة خلال 30 يومًا، وطلبات المنصات خلال 24 ساعة. كيف تعمل طلبات الإزالة

المنتج المرتبط: Bayanat Documents