من إسقاط PDF إلى إيداع مصنَّف: كيف تقرأ Rexfin مستنداً

أسقِط تقرير 10-K، أو تقريراً سنوياً، أو إيداعاً نظامياً ممسوحاً ضوئياً في معظم أدوات المالية وستحصل على صندوق أسود: تُقرأ بعض الصفحات، وتظهر بعض الأرقام، ولا يوجد حساب مرئي عمّا قرّرته الأداة بشأن ماهية الصفحة فعلياً. خطوة الاستيعاب في Rexfin هي نقيض ذلك تماماً: يحصل كل مستند على هوية وتصنيف وخريطة على مستوى الصفحة قبل أن يُسمح لرقم واحد بدخول النموذج.

كل مستند يحصل على هوية واحدة، إلى الأبد

أول ما يحدث لملف PDF ليس الاستخراج. إنه تحديد الهوية. تُجزّئ Rexfin بايتات الملف إلى doc_id بعنونة المحتوى، فالملف نفسه إذا رُفع مرتين، من شخصين، في يومين مختلفين، ينتهي إلى المعرّف نفسه بدل إنشاء سجل مكرر. ذلك المعرّف، مقروناً برقم الصفحة، يصبح عنوان الاستشهاد الذي تشير إليه كل أجزاء المنتج الأخرى: الشارة على رقم في شبكة القوائم، ورابط المصدر في درج المصدرية، كل ذلك يتتبّع إلى الزوج (doc_id، رقم الصفحة).

إلى جانب المعرّف، يلتقط الاستيعاب البيانات الوصفية الخاصة بالإيداع نفسه (العملة، ومقياس التقرير، وما إذا كان مدقَّقاً، والإطار المحاسبي الذي يدّعيه، ومصدره). لا شيء من ذلك يُستنتج لاحقاً من السياق؛ بل يُقرأ من الإيداع عند المدخل.

رقمي أو ممسوح ضوئياً، لا بد من تحديد موقع الصفحة

لا يملك كل إيداع طبقة نص قابلة للاستخدام. بعضها ملفات PDF رقمية بنص مضمَّن نظيف؛ وبعضها صور ممسوحة ضوئياً بالكامل لا شيء فيها قابل للقراءة آلياً؛ وعدد متزايد يقع في مكان ما بينهما (صفحة غلاف رقمية أمام واجهات قوائم ممسوحة ضوئياً، أو قسم إنجليزي مدفون خلف صفحات من العربية). يكتشف الاستيعاب أي حالة يواجهها قبل أن يقرر كيفية قراءتها.

بالنسبة للصفحات الرقمية، يُحدَّد موقع مناطق القوائم (الميزانية، وقائمة الدخل، والدخل الشامل الآخر، والتغيرات في حقوق الملكية، والتدفقات النقدية) بواسطة نص عنوان مثبَّت زائداً شريط الفترة أعلى الأعمدة، بحيث يكون الهدف قائمة لا رقم صفحة ثابت ينكسر بمجرد أن يتغيّر تخطيط الإيداع. أما الصفحات الممسوحة ضوئياً، فتُوجَد المناطق نفسها عبر تشغيل OCR على شريط عنوان كل صفحة، باستخدام مطابقة كلمات لا تكترث لترتيب الكلمات، لأن OCR على عنوان ممسوح ضوئياً يخلط ترتيبه بانتظام. أحد الإيداعات الحقيقية في مجموعة اختبار Rexfin تقع فيه واجهات القوائم الإنجليزية في الصفحات 69 و70 و73، بعد قسم عربي طويل، ويجدها الاستيعاب رغم ذلك، لأنه يواصل المسح ما دامت قائمة مطلوبة لا تزال مفقودة بدل التوقف عند نافذة صفحات ثابتة.

الافتراضي هو الرفض، لا التخمين

الغريزة في معظم خطوط أنابيب الاستيعاب هي استخراج شيء بدل لا شيء. يفعل استيعاب Rexfin العكس عندما لا يكون واثقاً. إذا لم يتطابق تنسيق الإيداع مع أي ملف تعريف كيان معروف، أو تعذّر تصنيف صفحة بمطابقة عنوان حقيقية، تُعزَل بدل إقحامها قسراً في منطقة. صفحة ملاحظات ممسوحة ضوئياً تذكر عرَضاً “التدفقات النقدية” لا تُلصَق بقائمة التدفقات النقدية الفعلية: يشترط المصنِّف كلمة العنوان الفعلية ويستبعد أي شيء يحمل عنوان ملاحظات، تحديداً كي لا تفتح مطابقة زائفة تبدو معقولة منطقة لا ينبغي أن توجد.

الموقف نفسه القائم على الرفض عند الشك ينطبق على السنة المالية ذاتها. تحمل الإيداعات سنوات مقارنة وتواريخ مدقِّق سابق قد تبدو وكأنها سنة التقرير إذا أخذت أول تاريخ في صفحة الغلاف؛ يأخذ الاستيعاب بدلاً من ذلك آخر نهاية سنة ديسمبر معقولة، ويرفض نهاية سنة غير ديسمبرية بدل التخمين بشأنها.

لماذا يهم هذا قبل أن ترى رقماً واحداً

لا شيء في مراحل لاحقة يكون موثوقاً إذا أخطأ الاستيعاب في الصفحة. خطوة الاستخراج متعددة المحركات التي تقرأ صفحة لاستخراج قيم لا تعمل إلا إذا كانت تقرأ الصفحة الصحيحة للقائمة الصحيحة من الأساس. وسم IFRS الذي يحوّل تسمية مطبوعة إلى مفهوم قياسي لا يعمل إلا إذا سُحبت تلك التسمية من واجهة قائمة محدَّدة بشكل صحيح، لا من ملاحظة شاردة أو عمود مقارنة أُسيء تسميته كسنة حالية.

هذا أيضاً ما يجعل التحليل متعدد السنوات ممكناً دون إعادة تشغيل كل شيء من الصفر: لأن الاستيعاب يربط كل إيداع بسنته المالية الفعلية بدل سنة مبرمجة سلفاً، يحافظ خط الأنابيب نفسه على أرقام فعلية موثَّقة عبر السنوات بدل الحاجة إلى إعادة بناء مخصَّصة كل موسم إيداع.

من يلجأ إلى هذا

أي شخص شاهد أداة مالية تصنّف بثقة عموداً مقارناً على أنه أرقام فعلية لهذا العام، أو تستخرج رقماً من صفحة ملاحظات ظنّتها الميزانية العمومية. إن كنت بحاجة إلى الوثوق بأن “إيرادات السنة المالية 2024” جاءت فعلاً من قائمة دخل تلك السنة لا من أثر ممسوح ضوئياً، فالاستيعاب هو الطبقة التي تُجري ذلك التحقق قبل أن ترى الرقم أبداً. طالع كيف يتصل هذا ببقية خط الأنابيب في مركز جولة المنتج، أو احجز عرضاً توضيحياً لمشاهدة إيداع ممسوح ضوئياً وثنائي اللغة يمرّ عبر الاستيعاب مباشرةً.