خدمة · توسيم البيانات

خدمات توسيم البيانات العربية للذكاء الاصطناعي

كيانات ونوايا ولهجات وتسجيلات صوتية ومستندات، يوسمها متحدثون أصليون ومختصون مرخّصون بعد اجتياز الفرز، وتُقاس جودتها بمجموعات ذهبية من بياناتك، وتبقى داخل المنطقة افتراضيًا.

اطلب مشروعًا تجريبيًا كل الخدمات

Read in English

توسيم البيانات (Data Annotation) هو إضافة الوسوم التي يتعلم منها النموذج: كيانٌ في جملة، أو نيةٌ في محادثة، أو متحدثٌ في تسجيل، أو حقلٌ في مستند. تقدّم Bayanat Labs خدمات توسيم البيانات العربية لفرق تدريب نماذج الذكاء الاصطناعي وتقييمها: الكيانات، والنوايا والمشاعر، والإشراف على المحتوى، وتحديد اللهجة، والتفريغ الصوتي، والمستندات والصور. ينفّذ العمل متحدثون أصليون ومختصون مرخّصون عبر أكثر من 25 لهجة وتنويعة، ويُعايَر على مجموعات ذهبية، ويُستضاف داخل المنطقة افتراضيًا. والبداية مشروع تجريبي على بياناتك، يُنجَز عادةً خلال أسبوعين.

25+لهجة وتنويعة عربية

4أنماط: نص وصوت وصورة وفيديو

أسبوعانللمشروع التجريبي وتقرير جودته عادةً

توسيم أم وسم أم تصنيف؟ «وسم البيانات» و«تصنيف البيانات» و«التعليق التوضيحي للبيانات» أسماء أخرى للتوسيم. لكن «تصنيف البيانات» في الجهات العامة السعودية يعني تحديد مستوى حساسيتها وفق سياسة سدايا لتصنيف البيانات (سري للغاية، سري، مقيد، عام)، وهذا المستوى يحكم أين تُوسَم البيانات ومن يطّلع عليها. التفصيل في دليل المصطلحات.

ما الذي تشمله خدمات توسيم البيانات العربية؟

وسم الكيانات والمقاطع (NER)

كيانات مسطّحة أو متداخلة، ومقاطع وعلاقات وفق مخططك. جملة «بكرة رايح لجدة عشان مقابلة في جامعة الملك عبدالعزيز» تخفي ثلاثة قرارات، نعرضها أدناه.

النوايا والمشاعر

نوايا ومشاعر وسخرية في المحادثات والتقييمات. في «مشكورين على السرعة، صار لي ساعة أنتظر» الألفاظ مديح والرسالة شكوى.

الإشراف على المحتوى

تصنيفات متعددة الوسوم للسمية وسياسات المحتوى والموضوعات. «تستاهل» قد تكون تهنئة أو شماتة، والمحادثة كاملة تحسم الوسم.

تحديد اللهجة

«وش تبي؟» و«شو بدك؟» و«عايز إيه؟» سؤال واحد بالخليجية والشامية والمصرية. والنص القصير قد يصلح لأكثر من لهجة: حين راجع متحدثون أصليون تنبؤات نظام لتحديد اللهجة في دراسة Keleg وMagdy (2023)، تبيّن أن نحو 66% من «أخطائه» المؤكَّدة ليست أخطاء حقيقية، لذا قد يكون الوسم متعدد القيم.

التفريغ الصوتي وفصل المتحدثين

تفريغ وطوابع زمنية وتحديد للمتحدثين ووسم للّكنة والانفعال. في «خلني أرسل لك الـ invoice على الإيميل» يحدد الدليل بأي حرف تُكتب الكلمة الدخيلة. انظر البيانات الصوتية العربية.

المستندات وOCR والصور والفيديو

التعرّف الضوئي على الخط العربي، ومربعات محيطة، وتقسيم، وحقول مستندات، ووسم مشاهد الفيديو. تاريخ «١٤٤٦/٠٣/١٢هـ» يُسجَّل كما كُتب ومعه شكل موحَّد.

ولبيانات التفضيل وتقييم النماذج خدمتان مستقلتان: RLHF للنماذج العربية وتقييم نماذج اللغة العربية.

مثال عملي: جملة سعودية واحدة وثلاثة قرارات توسيم

القرار	الخيار (أ)	الخيار (ب)	لماذا يهم
السوابق واللواحق	LOC = «لجدة»	LOC = «جدة»، واللام خارجه	تتغير المواضع (offsets) ويجب أن تطابق المُجزِّئ لديك. مدوّنة Wojood تُدخل الزوائد ضمن الكيان، والأنظمة التي تفصلها أولًا تحتاج العكس.
التداخل	ORG = «جامعة الملك عبدالعزيز»	ومعه PER = «الملك عبدالعزيز» داخله	المخطط المسطّح يُسقط الشخص. في Wojood نحو 22.5% من قرابة 75 ألف كيان متداخلة.
الإملاء	«عبدالعزيز»، «جدة»	«عبد العزيز»، «جده»	قرّر التوحيد أو الحفظ قبل قياس الاتفاق، وإلا بدا الموسِّمون المتّسقون متناقضين.

اللهجات والمجالات وأنماط البيانات

نغطي النص والصوت والصورة والفيديو في أكثر من 25 لهجة وتنويعة: الفصحى، والخليجية (ومنها السعودية والإماراتية والكويتية)، والشامية، والمصرية، والعراقية، والمغاربية. ونحدد النطاق باللهجة لا بالإقليم، فالمشروع السعودي يسمّي النجدية أو الحجازية. فقد وجد Keleg وزميلاه (ACL 2024) في 11 من 15 مجموعة بيانات عربية أن اتفاق الموسِّمين يتراجع كلما ابتعد النص عن الفصحى، حين تُوزَّع العينات عشوائيًا على الموسِّمين. وفي دراسة Bergman وDiab (2022) عَدّ خبراء البلد 74% من العينات العربية في مجموعة البيانات السعودية محتوى غير سعودي، ونبّه الباحثان إلى أن كثيرًا من اختبارات الكفاءة الجاهزة في العربية تقتصر على الفصحى.

لذلك يجتاز كل مساهم فرزًا في اللهجة والمجال قبل رؤية بيانات العميل، ويتولى المحتوى المتخصص أطباء ومحامون ومصرفيون ومهندسون مرخّصون، والتحريري محررون محترفون.

كيف يسير مشروع توسيم البيانات؟

منهجيتنا: الفرز ← التدريب ← الإنتاج ← ضبط الجودة (QA) ← التسليم.

تحديد النطاق. المهمة والتصنيف (taxonomy) واللهجات والمجال والحجم وصيغة المخرجات وقيود الإقامة، مع فحص مزيج اللهجات الفعلي في عينة.
الدليل والمجموعة الذهبية. دليل مبني حول حالات العربية الصعبة، ومجموعة ذهبية (gold set) من بياناتك يحكّمها لغويون متمرّسون ويُعايَر عليها الموسِّمون.
المشروع التجريبي. توسيم مستقل لشريحة محددة، وقياس للاتفاق، وتعديل للدليل حيث يكون الخلاف منهجيًا.
الإنتاج وضبط الجودة. عناصر ذهبية مخفية، وعينات متداخلة، وتحكيم، وإعادة عمل لكل عنصر يرسب.
التوسع والتسليم. بيانات وفق مخططك، مع تقارير جودة وسجل تدقيق (audit trail) لكل مهمة.

كيف تُقاس جودة البيانات الموسومة؟

مجموعات ذهبية من بياناتك للمعايرة، ثم فحوص مخفية أثناء الإنتاج.
اتفاق مصحَّح لأثر الصدفة: Cohen's kappa لزوج من الموسِّمين، وKrippendorff's alpha لأكثر من ذلك أو مع وسوم ناقصة (Artstein وPoesio)، وF1 لحدود الكيانات.
تقارير لكل لهجة ولكل وسم، فالمتوسط يخفي اللهجة المتعثرة.
تحكيم وإعادة عمل: يحسم الخلافَ لغويٌّ متمرّس من أهل اللهجة، والخلاف المتكرر يعدّل الدليل بدل لوم الموسِّمين.

أمن البيانات وإقامتها

تُستضاف البيانات داخل المنطقة افتراضيًا، مع خيارَي التشغيل في مقرّك (on-prem) أو في سحابة خاصة. الصلاحيات بأدنى قدر لازم، وكل إجراء مسجَّل، والمساهمون ملتزمون باتفاقيات عدم إفصاح (NDA). وإن كانت بياناتك مصنّفة وفق سياسة سدايا، فمستوى التصنيف يحدد نموذج العمل. بقية الأسئلة في قائمة التحقق لنظام حماية البيانات الشخصية وإقامة البيانات (بالإنجليزية).

هل يمكن أتمتة توسيم البيانات العربية بنموذج لغوي؟

يختبر LabelBench، تدقيقنا القابل لإعادة الإنتاج، هذا السؤال. في الإصدار v0.1، يحقق النموذج Qwen 2.5 3B نسبة 78% في تصنيف السمية الثنائي، وتهبط مطابقته التامة إلى 25.3% مع التصنيف الحقيقي ذي الوسوم السبعة. وفي تحديد اللهجة بين خمس مناطق يبلغ 22.4% مقابل 20% للتخمين المتوازن، ويصنّف 75% من الأمثلة الخليجية مصريةً. ويبلغ النموذج المتخصص في العربية Fanar 1 9B في المهمة نفسها 47.8%، ونموذج بسيط قائم على الحروف دُرّب على 100 مثال لكل منطقة 69.8%. ووفق طريقة تقدير الثقة المعتمدة في هذا الإصدار، لم يُعفِ أي تشغيل توليدي أي جزء من الطابور من المراجعة البشرية بأمان عند حد جودة 95%.

آليًا: الوسوم البسيطة الواضحة، بعد أن يتجاوز النموذج حد الجودة على مجموعتك الذهبية.
بشريًا: التصنيفات متعددة الوسوم، واللهجة، والسخرية، والأحكام المتخصصة، ووسوم السلامة.
معيار القرار: Safe Automation Coverage، أي نسبة الطابور المقبولة آليًا مع بقاء الحد الأدنى لفاصل الثقة فوق هدف الجودة.

استخدامات توسيم البيانات حسب القطاع

من القطاعات التي نخدمها: الشكاوى وحقول «اعرف عميلك» (KYC) في المصارف، والكيانات السريرية بمراجعة أطباء، ورقمنة المستندات الحكومية، وبنود العقود، وتفريغ مكالمات الاتصالات، ومشاعر التقييمات في الإعلام والتجزئة. وللسوق السعودي تحديدًا: شركة توسيم بيانات في السعودية.

فريق داخلي أم منصة جماعية أم مزوّد متخصص؟

المعيار	فريق داخلي	منصة عمل جماعي (Crowdsourcing)	مزوّد متخصص في العربية
مطابقة اللهجة	محدودة بمن توظّفهم	ذاتية التصريح، يصعب التحقق منها	فرز وتوجيه لكل لهجة
المختصون	ممكن، ومكلف	نادرون	حسب المهمة
منهج الجودة	تصممه بنفسك	فحوص المنصة أو تصويت الأغلبية غالبًا	مجموعات ذهبية واتفاق وتحكيم
إقامة البيانات	تحكم كامل	قوى عاملة عالمية غالبًا	اطلب خيارات داخل المنطقة وفي مقرّك
الأنسب لـ	وسوم مستقرة طويلة الأمد	أحجام كبيرة من وسوم بسيطة	مهام متعددة اللهجات أو ملتبسة أو منظَّمة، والمجموعات الذهبية

شروط المشروع التجريبي

نطاق ثابت: مهمة واحدة، وعينة متفق عليها من بياناتك، ولهجات محددة بالاسم، مع ضبط جودة بالمجموعة الذهبية. ينتهي بتقرير فيه الاتفاق لكل لهجة ووسم، وتحليل الأخطاء، وتعديلات الدليل، وتقدير ما يمكن وسمه آليًا بأمان، ويُنجَز عادةً خلال أسبوعين. أرسل عبر صفحة التواصل عينة ممثِّلة (مُقنَّعة إن أمكن)، وتصنيفك، والأسواق المستهدفة، وقيود الإقامة، وصيغة المخرجات. بعدها يتوسع العمل بنموذج مُدار أو مدمج أو مؤسسي. وللتعمق: دليل توسيم البيانات العربية ومقالاتنا بالعربية.

تبحث عن عمل في التوسيم؟ قدّم مجانًا عبر شبكة Bayanat للمواهب، واقرأ مقالتنا عن وظائف توسيم البيانات.

أسئلة شائعة

كم تكلفة توسيم البيانات العربية؟

تتحدد بالجهد الذي يتطلبه كل عنصر، لا باللغة: عدد الوسوم، وعدد اللهجات، والحاجة إلى مختص مرخّص، ونسبة التداخل في ضبط الجودة، ونمط البيانات؛ فساعة مكالمات بلهجة محلية تستغرق أضعاف ما تستغرقه تغريدة. لذلك نسعّر بعد أن يقيس المشروع التجريبي الإنتاجية ومعدلات الخطأ على بياناتك.

ما الفرق بين توسيم البيانات والتعليق التوضيحي عليها؟

في الاستخدام اليومي هما اسمان لعمل واحد. وحين يفرّق المختصون بينهما، يقصدون بالوسم (Labeling) إسناد فئة إلى العنصر كله، كأن تُصنَّف رسالة بأنها شكوى، وبالتعليق التوضيحي (Annotation) تحديد بنية داخله: حدود الكيانات والعلاقات والطوابع الزمنية وأدوار المتحدثين. والنوعان جزء من الخدمة نفسها.

كيف تتعاملون مع العربيزي والنصوص المختلطة بالإنجليزية؟

نعاملها جزءًا من الدليل، لا ضجيجًا يُحذف. نتفق مسبقًا: هل تُوسم كتابة مثل 9ba7 el5air (صباح الخير) كما وردت أم تُنقل إلى الحرف العربي أيضًا؟ وهل تأخذ الكلمات الإنجليزية وسم لغة مستقلًا؟ وكيف يُحدَّد كيان يمتد عبر نظامَي كتابة؟ وتختبرها المجموعة الذهبية.

كم موسِّمًا يعمل على كل عنصر؟

بحسب ذاتية المهمة. المهام الموضوعية، كاستخراج التواريخ والمبالغ، قد يكفيها موسِّم واحد مع فحوص ذهبية مخفية وعينة متداخلة لقياس الاتفاق. أما السخرية والسمية وتحديد اللهجة فتحتاج موسِّمَين أصليين مستقلَّين أو أكثر مع تحكيم الخلافات. والمشروع التجريبي يبيّن أي تصميم يبرّره معدل الخطأ لديك.