تبحث عن «مهلة الدفع» في عقد. Ctrl+F لا يُرجِع شيئاً، رغم أن بنداً ينص على «يتم السداد خلال 30 يوماً». الكلمات مختلفة، لكن الفكرة واحدة. البحث الدلالي المحلي في PDF يستهدف تحديداً هذا التقارب، دون إرسال المستند إلى خدمة بعيدة.
البحث الدلالي أو Ctrl+F: حاجتان مختلفتان
يبحث Ctrl+F عن سلسلة أحرف مطابقة تماماً. وهو الخيار الصحيح لإيجاد رقم فاتورة أو اسم علم أو عبارة تعرف إملاءها. إنه سريع ومتوقَّع ولا يحتاج أي نموذج.
يقارن البحث الدلالي بدل ذلك معنى الاستعلام بمعنى مقاطع المستند. يمكنه مثلاً تقريب «مهلة الدفع» من «السداد خلال 30 يوماً»، أو «نهاية العقد» من «شروط الإنهاء». لا يحل محل البحث المطابق: بل يلبي حاجة أخرى، حين تعرف الموضوع دون معرفة الكلمات التي استخدمها الكاتب.
كيف تبقى التضمينات محلية
يستخرج Document Flare أولاً نص كل صفحة عبر pdf.js، ثم يقطّعه إلى مقاطع تتداخل قليلاً. التضمين هو تمثيل رقمي لنص: المقاطع المتقاربة في المعنى تنتج متجهات متقاربة. يحصل الاستعلام هو الآخر على متجه، ثم ترتّب الأداة المقاطع حسب تشابه جيب التمام.
تستخدم هذه الحسابات Transformers.js والنموذج متعدد اللغات Xenova/paraphrase-multilingual-MiniLM-L12-v2، في نسخته ONNX المكمّمة q8. يبلغ حجم النموذج نحو 115 ميغابايت. يُنزَّل من Hugging Face فقط بعد تفعيلك الصريح، ثم يُحفَظ في ذاكرة التخزين المؤقت للمتصفح — أي يُنزَّل مرة واحدة لكل متصفح، لا في كل استخدام. يعمل الاستدلال عبر ONNX Runtime Web: يُستخدَم WebGPU عند توفره، مع الرجوع إلى WASM في غير ذلك.
يبقى ملف PDF ونصّه واستعلاماتك على الجهاز. يُحفَظ الفهرس في الذاكرة ولا يُخزَّن بشكل دائم. ثمن هذه السرية ملموس: تنزيل أولي كبير، وذاكرة عشوائية للمقاطع ومتجهاتها، ثم وقت حساب لفهرسة المستند.
خطوة بخطوة: البحث عن مفهوم في ملف PDF
- افتح أداة البحث الدلالي.
- أسقِط ملف PDF. يُقبَل ملف واحد، بحد أقصى 50 ميغابايت و1,000 صفحة.
- انتظر استخراج النص. إذا كان المستند مسحاً ضوئياً دون طبقة نصية كافية، سيقترح عليك اللوح المرور عبر OCR.
- انقر زر التفعيل. تُعلِمك الواجهة بتنزيل نحو 115 ميغابايت قبل بدئه وتعرض تقدّمه.
- دع الفهرسة تكتمل. يُحوَّل كل مقطع من PDF إلى تضمين على جهازك.
- اكتب فكرة بدل كلمة منفردة. مثلاً: «غرامات التأخير»، «إجراءات الاسترداد» أو «التزامات المورّد».
- افحص المقاطع المرتّبة. تُظهِر كل نتيجة صفحتها ودرجة قربها. يمكنك إرسال الصفحات الموجودة إلى أداة الاستخراج، أو تصدير النتائج إلى ملف نصي.
لمرجع تعرفه تماماً، ابدأ بـCtrl+F. ولمفهوم صيغ بعدة طرق في تقرير طويل، شغّل البحث الدلالي.
حالات استخدام واقعية
في عقد، يمكنك البحث عن أفكار الإنهاء أو التجديد أو المسؤولية دون تخمين كل صياغة قانونية. في تقرير سنوي، يمكن لاستعلام مثل «المخاطر المرتبطة بالمورّدين» أن يُظهِر مقاطع تتحدث عن الاعتمادية أو سلسلة التوريد. في أطروحة، يمكن لـ«حدود المنهجية» أن يجد نقاشاً حول التحيزات أو التحفظات، حتى دون عنوان مطابق.
يبقى الترتيب عوناً على القراءة، لا إثباتاً بأن جميع المقاطع ذات الصلة وُجدت. لأرشفة صفحات معينة فقط بعد التحقق منها، استخدم بعدها استخراج صفحات PDF. وللحصول على رؤية شاملة بدل قائمة مقاطع، قارن مع مقالنا حول تلخيص PDF بالذكاء الاصطناعي المحلي (متوفر بالفرنسية).
حدود النموذج وكلفته الحقيقية
الاستخدام الأول يتطلب اتصالاً
يجب تنزيل النموذج البالغ نحو 115 ميغابايت مرة أولى. قد يقطع اتصال بطيء أو مُرشَّح هذه الخطوة. تعمل الأداة دون اتصال فقط إذا كان النموذج موجوداً أصلاً في ذاكرة التخزين المؤقت للمتصفح. مسح بيانات الموقع أو استخدام ملف تعريف آخر يفرض عادةً تنزيلاً جديداً.
المستندات الكبيرة تستهلك مزيداً من الذاكرة العشوائية
يُقطَّع النص ويُحوَّل إلى متجهات ويُفهرَس في الذاكرة. كلما زاد عدد المقاطع في المستند، استغرقت الفهرسة وقتاً أطول واستهلكت ذاكرة أكبر. تبقى السقوف ملفاً واحداً و50 ميغابايت و1,000 صفحة، لكن بلوغها لا يضمن تجربة سلسة على جهاز متواضع الإمكانات.
المسح الضوئي يتطلب خطوة مسبقة
بدون نص قابل للاستخراج، لا يمكن تحويل أي مقطع إلى متجه. ابدأ بـالتعرف على النص عبر OCR محلياً. قد يؤثر بعدها ترتيب الأعمدة والجداول وأخطاء OCR في ملاءمة النتائج.
تعدد اللغات لا يعني العصمة
يغطي النموذج الفرنسية والإنجليزية والعربية والإسبانية وغيرها، لكن جودته تتفاوت حسب اللغة والمفردات المتخصصة وطول الصياغات. تشير الدرجة العالية إلى قرب محسوب، لا إلى مصادقة قانونية أو علمية. أعد صياغة الاستعلام وتحقق دائماً من المقطع في سياقه.
لمراقبة التبادلات الشبكية بنفسك أثناء التنزيل ثم الفهرسة، اتبع بروتوكولنا للتحقق من حركة المرور (المقال متوفر بالفرنسية). ستميّز بذلك التحميل الظرفي للنموذج عن المعالجة المحلية لمستندك.
