استخراج بيانات الفواتير بالعربية والفرنسية والنصوص المختلطة

قد تحمل فاتورة صادرة في الرياض بيانات المورّد بالعربية، وأوصاف الأصناف بالإنجليزية، وأرقامًا عربية مشرقية في الترويسة، وأرقامًا غربية في جدول الإجماليات. كل انتقال من هذه الانتقالات موضعٌ يعطي فيه محلّلٌ مصمَّم لكتابة واحدة نتيجة خاطئة دون أن ينبّه إليها.

ترتيب القراءة ليس الترتيب البصري

في المستندات التي تُكتب من اليمين إلى اليسار، تقع التسمية على يمين قيمتها. والمحلّل الذي يفترض الاقتران من اليسار إلى اليمين يربط كل تسمية بالحقل الخطأ، ثم يعلن النتيجة بثقة، لأن التعرّف على الحروف لم يفشل أصلًا — الذي فشل هو الاقتران.

لهذا يجب حلّ التخطيط انطلاقًا من الإحداثيات لا من ترتيب القراءة وحده. التسمية الصحيحة هي الأقرب إلى القيمة في الاتجاه الذي يسير فيه المستند فعليًا.

نظاما أرقام في صفحة واحدة

يجب توحيد الأرقام العربية المشرقية قبل إجراء أي تحقق حسابي، وكثيرًا ما يظهر النظامان معًا في الفاتورة ذاتها: أحدهما في الترويسة والآخر في الجدول. تُحوَّل الأرقام إلى الصيغة الغربية والتواريخ إلى معيار ISO 8601 قبل بدء التحقق، حتى لا تقع أي مقارنة بين ترميزين مختلفين.

التاريخ الملتبس يُرفض ولا يُخمَّن

التاريخ المكتوب 03/04/2026 يعني الثالث من أبريل أو الرابع من مارس بحسب بلد الإصدار. وحين يتعذّر تحديد الصيغة من المستند نفسه، يُعلَّم الحقل بدل أن يُحسَم بالافتراض. فالتاريخ المُخمَّن الذي يتضح خطؤه أغلى ثمنًا من حقل تُرك فارغًا.

التحقق بالحساب لا بالثقة

أقوى مؤشر على صحة استخراج متعدد اللغات ليس درجة التعرّف، بل اتساق الأرقام. فحين يساوي مجموع البنود المجموعَ الفرعي، ويساوي المجموع الفرعي مضافًا إليه الضريبة الإجماليَ المعلن، يكون الاستخراج صحيحًا على الأرجح مهما كانت الكتابة التي قُرئ بها.