أنظمة RAG العربية والإنجليزية للمؤسسات في الخليج: دليل البنية والدقة والنشر

مقدمة: لماذا لا يكفي "الذكاء الاصطناعي الجاهز" في سوق الخليج؟

حين تتعاقد جهة حكومية في أبوظبي مع مزوّد ذكاء اصطناعي أجنبي، غالباً ما يُعرض عليها نموذج تحادثي مُدرَّب على مئات المليارات من الكلمات الإنجليزية، وبضعة مليارات فحسب من النصوص العربية - وهذا إن وُجدت. تُخزَّن البيانات على خوادم خارج الإمارات أو المملكة، وحين يُطلب من النظام البحث في عقد إيجار مكتوب بالعربية مع ملاحق إنجليزية، يُنتج إجابات قد تبدو مقبولة للوهلة الأولى، لكنها مجتزأة تقنياً وخطيرة قانونياً.

هذا ليس تقصيراً في نموذج اللغة ذاته، بل تقصير بنيوي في الطريقة التي صُمِّمت بها أنظمة الاسترجاع المعزز بالتوليد (RAG). بنى الـ RAG التقليدية لم تُصمَّم للغة ذات اتجاه يمين-لشمال، لا تعرف أن كلمة "مصرف" و"بنك" تُشيران إلى الكيان ذاته، ولا تميّز بين "الشركة" في سياق قانوني إماراتي و"الشركة" في سياق حوكمة سعودي.

نحن في Seven Labs نعمل على أنظمة AI في الإنتاج عبر أكثر من 50 نشراً فعلياً. ما تعلمناه لا يوجد في الأوراق البحثية الأكاديمية - بل في مئات ساعات التصحيح داخل قواعد بيانات متجهية (vector databases) تعالج مستندات حكومية خليجية ممسوحة ضوئياً.

هذا الدليل مكتوب لمدراء تقنية المعلومات وفرق التحول الرقمي في الجهات الحكومية والمصارف والجامعات والمكاتب القانونية في الإمارات والمملكة العربية السعودية. إن كنتَ تبحث في نشر قاعدة معرفة بالذكاء الاصطناعي ثنائية اللغة، فهذا دليلك التقني المرجعي.

ما هو نظام RAG العربي-الإنجليزي للمؤسسات؟

نظام RAG المؤسسي ثنائي اللغة هو بنية تقنية تمكّن نموذج اللغة الكبير (LLM) من استرجاع المعلومات الدقيقة من مستودع وثائق خاص بالمؤسسة - باللغتين العربية والإنجليزية - قبل توليد أي إجابة. النظام يربط البحث الدلالي باللغة العربية بمحرك التوليد، مع ضمان أن المصدر المُستشهَد به محدد وقابل للمراجعة، والوصول إليه محكوم بصلاحيات المستخدم.

لماذا تفشل أنظمة RAG الإنجليزية في التعامل مع المستندات العربية؟

السبب ليس واحداً، بل سلسلة من نقاط الفشل المتراكمة: الصرف العربي وتصريف الجذور يُنتجان آلاف الصيغ لكلمة واحدة، والتشكيل يغيّر المعنى كلياً، والتطبيع غير المتسق يُفرّق بين نصوص متطابقة دلالياً، فضلاً عن أخطاء OCR المتكررة في المستندات الممسوحة ضوئياً باللغة العربية، وصعوبة تحديد أسماء الكيانات العربية-الإنجليزية المختلطة، وغياب دعم اتجاه RTL في خطوط معالجة النصوص.

نقاط الفشل السبع بالتفصيل

١. الصرف العربي والجذور الثلاثية

الكلمة العربية تُصرَّف من جذر ثلاثي أو رباعي بأنماط تصريفية معقدة. كلمة "استثمر" تُشتق منها: استثمار، مستثمر، يستثمرون، استثمارات، مستثمِرون. نظام embedding مُدرَّب إنجليزياً سيُعامل هذه الكلمات كتوكنات متباعدة في الفضاء المتجه رغم ارتباطها الجذري الواحد. النتيجة: استعلام عن "الاستثمارات الأجنبية" قد لا يُعيد وثيقة تتحدث عن "المستثمرين الأجانب" رغم تطابقها دلالياً.

٢. التشكيل وغيابه

"مَصرف" (مشكّلة) و"مصرف" (غير مشكّلة) تتطابقان بصرياً في نص ممسوح ضوئياً، لكن معالجتهما في التطبيع تختلف. نموذج OCR قد يُنتج "مصرف" مع حرفيات مختلفة في Unicode تماماً. قاعدة البيانات المتجهية التي لا تُعالج هذا مسبقاً تخزّن نسختين من النص ذاته كأنهما وثيقتان مستقلتان.

٣. التحويل بين اللغتين في الوثيقة ذاتها

عقود الشركات الإماراتية غالباً ما تحتوي على اسم الكيان القانوني بالعربية في رأس العقد، بينما تُستخدم الترجمة الإنجليزية في البنود. نظام RAG الذي لا يمتلك كيانات مرتبطة cross-lingual سيفشل في ربط "شركة الاتحاد للطيران" بـ "Etihad Airways" داخل الوثيقة ذاتها.

٤. أخطاء OCR في الوثائق الحكومية

الوثائق الحكومية الخليجية القديمة ممسوحة ضوئياً بدقة منخفضة، وكثير منها بخط نسخ يدوي. نسبة خطأ OCR للعربية في المحرك العام تبلغ 8-15% مقارنة بـ 1-3% للإنجليزية. هذا يعني أن كل 100 صفحة عربية تحمل ما بين 8 إلى 15 صفحة مكافئة من الأخطاء المُدخَلة في قاعدة المعرفة.

٥. اللهجات الخليجية في المراسلات الداخلية

الوثائق الداخلية لمؤسسات خليجية - البريد الإلكتروني، محاضر الاجتماعات، التقارير الدورية - مكتوبة غالباً بمزيج من العربية الفصحى والخليجية. كلمة "مافي" (لا يوجد) أو "زين" (جيد/حسناً) أو "شلون" (كيف) تُربك النماذج المُدرَّبة على العربية الفصحى فحسب.

٦. أسماء الكيانات الهجينة

"هيئة الأوراق المالية والسلع (SCA)" و"مصرف الإمارات العربية المتحدة المركزي (CBUAE)" و"هيئة النقد العربي السعودي (SAMA)" - هذه الكيانات تظهر بصيغ مختلطة داخل الوثيقة الواحدة. نظام NER المُدرَّب إنجليزياً لا يعرف أن "سيكا" هي اختصار عربي دارج لـ SCA.

٧. اتجاه النص RTL في خطوط المعالجة

بعض مكتبات معالجة PDF تتعامل مع النص العربي من اليسار لليمين داخلياً، ثم تُعكسه عند العرض. حين تُقطَّع هذه النصوص للـ embedding، ينتهي بك الأمر بأجزاء نصية تبدأ من منتصف الجملة العربية. التحقق من هذا لا يظهر في اختبارات الوحدة - يظهر فقط حين يُفاجئك المستخدم بتقرير "لا تتطابق الأجوبة مع ما في الوثيقة."

ما البنية التقنية التي تتطلبها منصة RAG ثنائية اللغة في الإنتاج؟

نظام RAG ثنائي اللغة جاهز للإنتاج يتطلب ثماني طبقات متكاملة: استيعاب المستندات مع معالجة OCR مخصصة للعربية، تطبيع النص وتنظيفه، التقطيع الذكي المراعي للبنية اللغوية، توليد التضمينات بنموذج متعدد اللغات، التخزين في قاعدة بيانات متجهية مع metadata غنية، طبقة استرجاع هجينة (كثيفة + متفرقة)، طبقة RBAC وعزل المستأجرين، وأخيراً نموذج التوليد مع حقن السياق.

1┌─────────────────────────────────────────────────────────────┐
2│                  مصادر الوثائق / Document Sources           │
3│   PDF عربي │ PDF إنجليزي │ Word │ Excel │ API خارجي        │
4└────────────────────────┬────────────────────────────────────┘
5                         │
6                         ▼
7┌─────────────────────────────────────────────────────────────┐
8│              طبقة الاستيعاب / Ingestion Layer               │
9│  ┌──────────────┐  ┌───────────────┐  ┌──────────────────┐  │
10│  │  Arabic OCR  │  │ Layout Parser │  │  Table Extractor │  │
11│  │  (Tesseract/ │  │ (detect RTL / │  │  (Camelot/       │  │
12│  │   EasyOCR)   │  │  columns)     │  │   pdfplumber)    │  │
13│  └──────────────┘  └───────────────┘  └──────────────────┘  │
14└────────────────────────┬────────────────────────────────────┘
15                         │
16                         ▼
17┌─────────────────────────────────────────────────────────────┐
18│            طبقة التطبيع / Normalization Layer               │
19│  Unicode normalization (NFC) │ Hamza unification            │
20│  Tatweel removal │ Diacritic stripping │ Spell correction   │
21└────────────────────────┬────────────────────────────────────┘
22                         │
23                         ▼
24┌─────────────────────────────────────────────────────────────┐
25│         طبقة التقطيع / Chunking Layer                       │
26│  Semantic chunking │ Sentence boundary detection            │
27│  Overlap window │ Bilingual paragraph detection             │
28└────────────────────────┬────────────────────────────────────┘
29                         │
30                         ▼
31┌─────────────────────────────────────────────────────────────┐
32│         طبقة التضمين / Embedding Layer                      │
33│  Multilingual embedding model (Arabic-tuned)                │
34│  BM25 sparse index │ Dense HNSW vector index                │
35└────────────────────────┬────────────────────────────────────┘
36                         │
37                         ▼
38┌─────────────────────────────────────────────────────────────┐
39│    قاعدة البيانات المتجهية + Metadata / Vector DB           │
40│  Document ID │ Language tag │ Permissions │ Date │ Source   │
41│  Tenant ID   │ Sensitivity level │ Chunk position           │
42└────────────────────────┬────────────────────────────────────┘
43                         │
44                         ▼
45┌─────────────────────────────────────────────────────────────┐
46│         طبقة الاسترجاع الهجين / Hybrid Retrieval           │
47│  Query → detect language → dual embedding                   │
48│  Reciprocal Rank Fusion (RRF) │ Cross-lingual reranking     │
49└────────────────────────┬────────────────────────────────────┘
50                         │
51                         ▼
52┌─────────────────────────────────────────────────────────────┐
53│       طبقة RBAC والأمن / Security & Access Control          │
54│  Pre-retrieval filter │ Post-retrieval permission check     │
55│  PII redaction │ Audit log per query                        │
56└────────────────────────┬────────────────────────────────────┘
57                         │
58                         ▼
59┌─────────────────────────────────────────────────────────────┐
60│              نموذج التوليد / Generation (LLM)               │
61│  Context injection │ Language-aware prompt │ Citations      │
62│  Hallucination guardrails │ Response in user's language     │
63└─────────────────────────────────────────────────────────────┘

ما استراتيجيات التقطيع والتضمين الملائمة لنظام RAG العربي؟

التقطيع (Chunking) في اللغة العربية ليس خياراً واحداً - بل قرار هندسي يتوقف على طبيعة المستندات وطبيعة الاستعلامات المتوقعة.

استراتيجيات التقطيع

التقطيع الدلالي القائم على الجمل أنسب للنصوص القانونية والأنظمة والسياسات. يستخدم نماذج كشف حدود الجمل العربية (Arabic sentence boundary detection) لضمان عدم اقتطاع الحكم القانونية أو الفقرات التنظيمية في منتصفها. الحجم المُوصى به: 256-512 توكن مع تداخل (overlap) 50-80 توكناً.

التقطيع الهرمي (Hierarchical Chunking) ملائم لوثائق ذات بنية: تقارير مجلس الإدارة، خطط الأعمال، الدراسات الاستشارية. يخزّن الوثيقة على ثلاثة مستويات: الوثيقة كاملة → الأقسام → الفقرات. الاستعلامات العامة تُعيد الأقسام، والاستعلامات المحددة تصل إلى الفقرة.

التقطيع الموجه بالبنية (Layout-Aware Chunking) حين تكون المستندات ذات تخطيط متعدد الأعمدة - كثير من النماذج الحكومية الإماراتية والسعودية - يجب أن يقرأ المُقطِّع الأعمدة بترتيب صحيح (يمين ثم يسار في العربية) لا بترتيب XY الخطي الافتراضي.

تقطيع المستندات ثنائية اللغة حين يكون العقد بعربية يسار الصفحة وإنجليزية يمينها، أو حين تكون البنود متوازية، يجب أن يُقطِّع النظام مع الحفاظ على الارتباط بين النسختين. هذا يتطلب توكن "language_pair_id" مشتركاً في metadata الجزأين.

استراتيجيات التضمين

لا يوجد نموذج تضمين واحد هو الأفضل عالمياً للعربية. الخيار يتوقف على:

• حجم مخزون المستندات: المستودعات الصغيرة (< 10,000 وثيقة) تستفيد أكثر من نماذج خفيفة يمكن تحميلها محلياً مثل
  textCopy

  paraphrase-multilingual-mpnet-base-v2

  المُشغَّلة عبر ONNX runtime.
• السرية وأهمية استضافة البيانات محلياً: إذا كانت البيانات تحت نطاق CBUAE أو SAMA أو تصنيف حكومي، فالنماذج يجب أن تعمل on-premise أو في UAE/KSA cloud region. نماذج API خارجية تعني إرسال نصوص المستندات إلى خوادم خارجية - وهذا قد يُشكّل انتهاكاً تنظيمياً.
• دقة اللغة العربية مقابل الإنجليزية: نماذج مُدرَّبة على بيانات عربية مُنسَّقة (OSCAR، CC-100 Arabic، CAMeL corpus) تتفوق في البحث الدلالي باللغة العربية على النماذج الإنجليزية حتى بعد تدريبها متعدد اللغات.

للبحث الهجين، نُوصي دائماً بدمج BM25 مع التضمينات الكثيفة عبر خوارزمية Reciprocal Rank Fusion. BM25 يتفوق في المصطلحات القانونية والأرقام والمعرّفات، بينما التضمينات الكثيفة تتفوق في البحث الدلالي الحر.

كيف يتم معالجة ملفات PDF العربية الممسوحة والجداول؟

معالجة PDF العربي الممسوح ضوئياً تتطلب خط أنابيب متخصصاً من أربع مراحل: كشف اتجاه النص، OCR مضبوط على العربية، استخراج الجداول، ومراجعة بشرية للوثائق عالية الحساسية.

المرحلة الأولى: كشف اتجاه النص واللغة

قبل OCR، يجب كشف ما إذا كانت الصفحة عربية خالصة، إنجليزية خالصة، أو مختلطة. أدوات مثل

langdetect

المرحلة الثانية: OCR المُحسَّن للعربية

محرك Tesseract مع نموذج اللغة العربية (

ara.traineddata

المرحلة الثالثة: استخراج الجداول

الجداول في وثائق بيانات بنكية أو ميزانيات حكومية تتطلب معاملة خاصة. أداة Camelot تُعالج الجداول ذات الإطارات (lattice mode)، بينما pdfplumber أنسب للجداول بدون إطارات (stream mode). حين تكون رؤوس الجدول بالعربية والقيم بالأرقام الإنجليزية أو بالأرقام العربية الهندية، يجب توحيد تمثيل الأرقام قبل الإدراج في قاعدة المعرفة.

المرحلة الرابعة: المراجعة البشرية للوثائق الحرجة

لوثائق ذات أهمية قانونية أو رقابية - عقود مرخَّصة من ADGM، وثائق SAMA، مراسيم وزارية - نوصي بمراجعة بشرية لعيّنة لا تقل عن 10% من الوثائق المُدخَلة، مع تدقيق آلي يُحدد الجمل التي تحتوي على أرقام أو تواريخ أو أسماء كيانات قانونية.

كيف يمنع نظام RAG العربي الوصول غير المصرح به للبيانات؟

التحكم في الوصول القائم على الأدوار (RBAC)

كل جزء من الوثيقة (chunk) يحمل في metadata قائمة الأدوار المصرح لها بالوصول. حين يصدر استعلام، يُفلَّت المستودع المتجه أولاً بـ pre-retrieval filter يستبعد كل الأجزاء التي لا تتطابق صلاحيات المستخدم الحالي. هذا الفلتر يجب أن يُطبَّق قبل حساب التشابه - لا بعده. فلترة ما بعد الاسترجاع (post-retrieval filtering) وحدها تُشكّل ثغرة أمنية: النموذج قد يُدمج معلومات المستند في إجابته حتى حين يُحذف المصدر من النتائج.

1استعلام المستخدم
2       │
3       ▼
4┌──────────────────────┐
5│  استخراج هوية المستخدم │  ← JWT token / SSO session
6│  وأدواره من IdP       │
7└──────────┬───────────┘
8           │
9           ▼
10┌──────────────────────┐
11│  Pre-retrieval RBAC  │  ← فلتر metadata قبل البحث
12│  filter              │  مثال: role IN ['legal_team', 'cfo']
13└──────────┬───────────┘
14           │
15           ▼
16┌──────────────────────┐
17│  البحث الدلالي       │  ← يرى فقط الأجزاء المصرح بها
18└──────────┬───────────┘
19           │
20           ▼
21┌──────────────────────┐
22│  Post-retrieval check│  ← تحقق ثانوي + تشذيب PII
23└──────────┬───────────┘
24           │
25           ▼
26┌──────────────────────┐
27│  سجل التدقيق         │  ← query + user + docs retrieved
28│  Audit Log           │  + timestamp + response hash
29└──────────────────────┘

عزل المستأجرين (Tenant Isolation)

في منصات متعددة المستأجرين - كمنظومة بنكية تخدم عدة مؤسسات، أو بوابة حكومية تخدم وزارات متعددة - يجب فصل مخازن المتجهات على مستوى Namespace أو Collection، لا على مستوى metadata فقط. خلط مستأجرين في مجموعة متجهية واحدة مع فلتر metadata وحده يُشكّل خطر "data bleed" في سيناريوهات هجوم معينة.

تصفية المعلومات الشخصية (PII Filtering)

الوثائق الخليجية تحتوي كثيراً على أرقام هويات وطنية (Emirates ID، هوية وطنية سعودية)، أرقام جوازات السفر، بيانات الرواتب. خط أنابيب الاستيعاب يجب أن يُشغّل نموذج NER لكشف PII قبل التخزين، مع خيار: إما redaction (استبدال بـ [REDACTED]) أو تخزين مشفّر مع مفتاح منفصل.

حماية من حقن الأوامر (Prompt Injection)

نظام RAG عُرضة لهجمات حيث تحتوي وثيقة في المستودع على تعليمات مخفية لتوجيه النموذج. الحماية تتطلب: تعقيم (sanitization) محتوى الوثائق المُدخَلة، وفصل واضح بين السياق والتعليمات في prompt template، ومراقبة استجابات النموذج للكشف عن سلوك غير متوقع.

كيف يتم تقييم دقة نظام RAG العربي؟

الاختبار على مجموعة بيانات عامة لا يكفي لنظام RAG مؤسسي. التقييم يجب أن يُبنى على وثائق حقيقية من قاعدة المعرفة، مع أسئلة أنتجها متخصصون في المجال.

بروتوكول التقييم الموصى به

اختبارات التكامل يجب أن تشمل حالات حافة خليجية: استعلام بالعامية الخليجية، استعلام يخلط عربية وإنجليزية، استعلام يحتوي على رقم هوية وطنية، واستعلام من مستخدم بصلاحيات محدودة عن وثيقة مُصنَّفة. إطار RAGAS مفتوح المصدر يوفر قياساً آلياً لمعظم هذه المقاييس.

ما تكلفة نشر نظام RAG المؤسسي العربي والمدة الزمنية؟

المدة الزمنية

في Seven Labs، انتقلنا من فكرة إلى نظام RAG إنتاجي في 18 يوماً لأحد عملائنا في القطاع المالي. هذا سيناريو متسارع مع وثائق منظمة جيداً. الجدول الأكثر شيوعاً:

محركات التكلفة

محركات التكلفة الرئيسية تشمل: حجم مستودع الوثائق ومدى تعقيده اللغوي، طبيعة متطلبات OCR (نصوص مطبوعة مقابل مكتوبة بخط اليد)، نموذج استضافة البيانات (on-premise مقابل UAE/KSA cloud region مقابل shared cloud)، عدد المستأجرين ومستويات RBAC المطلوبة، ومتطلبات الامتثال التنظيمي (CBUAE، SAMA، ADGM).

نطاق التسعير

[أدخل النطاق السعري المعتمد من Seven Labs]

قائمة مراجعة جاهزية RAG العربي

قبل الشروع في نشر نظام RAG مؤسسي ثنائي اللغة، استخدم هذه القائمة لتقييم الجاهزية:

جاهزية المستندات

• تم تصنيف جميع أنواع الوثائق (PDF ممسوح، PDF نصي، Word، Excel، بريد إلكتروني)
• تم قياس نسبة خطأ OCR على عينة تمثيلية من كل نوع
• تم توثيق توزيع اللغات (% عربي، % إنجليزي، % مختلط)
• تم تحديد الوثائق ذات الجداول والمخططات الهيكلية
• تم تصنيف الوثائق حسب الحساسية (عام، سري، سري للغاية)

جاهزية البنية التقنية

• تم اختيار نموذج التضمين واختبار دقته على عينة عربية من المؤسسة
• تم اختبار التقطيع ومراجعة جودة الأجزاء يدوياً
• تم اختيار قاعدة البيانات المتجهية وتوثيق قيود الاستضافة (UAE region / on-premise)
• تم تصميم هيكل metadata بما يشمل: language، tenant_id، sensitivity، permissions
• تم بناء خط أنابيب استيعاب آلي مع معالجة الأخطاء والإعادة

جاهزية الأمن والامتثال

• تم توثيق متطلبات RBAC ورسم خريطة الأدوار والوثائق
• تم تكامل نظام الهوية (IdP) مع منصة RAG
• تم اختبار عزل المستأجرين: مستخدم من مستأجر A لا يرى وثائق مستأجر B
• تم تفعيل سجلات التدقيق (Audit Logs) وتوثيق سياسة الاحتفاظ بها
• تم اختبار كشف وتصفية PII في خط الاستيعاب
• تم الحصول على رأي قانوني بشأن متطلبات استضافة البيانات (CBUAE / SAMA / حكومي)

جاهزية التقييم

• تم بناء مجموعة أسئلة اختبار بالعربية والإنجليزية من وثائق حقيقية
• تم قياس Context Precision وContext Recall وFaithfulness على baseline
• تم اختبار الاستعلامات المُصرَّفة (أشكال مختلفة للكلمة الواحدة)
• تم اختبار الاستعلامات المختلطة (عربي + إنجليزي في استعلام واحد)
• تم اختبار حالات الصلاحيات المحدودة

جاهزية التشغيل

• تم تعريف SLA للاستجابة (P95 latency target)
• تم وضع خطة لتحديث المستودع حين تتغير الوثائق
• تم تعريف مالك العملية لمراجعة جودة الإجابات دورياً
• تم تدريب المستخدمين النهائيين على حدود النظام وكيفية التحقق من المصادر

خاتمة: نظام RAG العربي ليس ميزة إضافية - بل بنية تحتية استراتيجية

حين تنشر هيئة حكومية في الإمارات بوابة معرفية ذكية لموظفيها، أو حين تُطلق مؤسسة مالية سعودية مساعداً ذكياً للتحليل القانوني والامتثال، فإن الفارق بين نجاح هذا النظام وفشله لا يتحدد بالنموذج اللغوي المستخدم - بل يتحدد في كيفية معالجة الوثيقة العربية الأولى قبل أن يصلها الاستعلام.

أنظمة الاسترجاع المعزز بالتوليد باللغة العربية ليست ترجمة لنماذج إنجليزية - بل هي تخصص هندسي قائم بذاته، يستلزم اتخاذ قرارات متخصصة في كل طبقة: من OCR إلى التطبيع، إلى التقطيع، إلى التضمين، إلى الاسترجاع الهجين، إلى RBAC.

في Seven Labs، نبني هذه الأنظمة للمؤسسات الخليجية مع ضمان استضافة البيانات داخل المنطقة، والامتثال للمتطلبات التنظيمية المحلية، ودقة لغوية تعكس حاجة السوق الخليجي الفعلية.

إذا كنت تُخطط لنشر قاعدة معرفة بالذكاء الاصطناعي لمؤسستك، سواء كانت حكومية أو مصرفية أو قانونية أو تعليمية، نسعد بمناقشة متطلباتك التقنية وتقديم تقييم أولي لجاهزية وثائقك.

تواصل مع فريق Seven Labs التقني