توليد مخططات JSON مُهيكلة من بيانات نموذجية باستخدام الذكاء الاصطناعي، مع التصحيح الذاتي التلقائي والمعالجة اللاحقة الذكية.
يحوّل توليد المخطط بيانات الكيان الخام إلى مخطط JSON مُصنّف ومُوثّق يحدد بدقة المعلومات المطلوب استخلاصها أثناء الإثراء. فبدلاً من كتابة المخططات يدوياً، تلصق عينة JSON وتدع الذكاء الاصطناعي يحلل البنية، ويستنتج الأنواع، ويخصص مجالات الخبرة، ويقترح التحسينات.
التوليد ليس موجّهًا واحدًا كبيرًا، بل سلسلة من الاستدعاءات الصغيرة أحادية الغرض، يعمل معظمها بالتوازي — وهذا ما يتيح للنماذج الصغيرة والرخيصة إنتاج مخطط صالح للاستخدام، إذ يجيب كل استدعاء عن سؤال ضيق واحد حول مادة يمكنه استيعابها دفعة واحدة.
"8.275 h" تصبح half_life_seconds: 29790)، والتاريخ الذي لا يستوعبه أي نوع أصلي يصبح سنة بعدد صحيح. وعلى كل قيمة مرصودة أن تُثبت ما يُدّعى، وإلا بقيت الخاصية نصًّا. والعيّنة المعادة كتابتها هي ما يُحفظ.{"en": "...", "fr": "..."}) تُختزل إلى قيمة واحدة متعدّدة اللغات.تعيد كل خطوة المحاولة بنفسها (3 محاولات) وتتراكم إجاباتها عبر المحاولات، فيتقارب حتى النموذج الذي يجيب على شكل أجزاء. وبعد ذلك تقبل الخطوة ما حصلت عليه وتُملأ الفجوات حتميًا — فالنموذج الضعيف يُضعف الأوصاف بدل أن يُفشل التوليد. ولا يُسمح إلا لتحديد الهوية وتوجيه المجال بإفشال التشغيل بأكمله. ويُفوتَر كل استدعاء ويُسجَّل بوصفه موجّهًا مستقلًا، فيُظهر السجل بدقة ما أُنفق وأين.
يمكنك تمرير عدّة عيّنات من النوع نفسه للكيان بدلاً من واحدة — عندئذٍ يغطّي المخطط اتحاد حقولها، وأي شيء مفقود من عيّنة يصبح قابلاً لقيمة فارغة، وتصبح القيم الموجودة عبرها أمثلة حقيقية. يجب أن تتطابق أسماء الحقول: تُرفَض العيّنات التي تصف أنواع كيانات مختلفة، وكذلك الكائنات داخل مصفوفة لا تشترك في أي حقل على الإطلاق، إذ لن يبقى ما يعرّف صفوفها. يشير محرّر العيّنات إلى أي اختلاف من هذا القبيل قبل أن تنفق عملية توليد.
تُحوَّل القيم التي تحمل وحدتها الخاصة إلى أرقام قبل اشتقاق المخطط، لأنه لا يمكن فرز عمود يحتوي على "8.275 h" و"85 ms" أو تصفيته حسب النطاق أو تجميعه. تنتقل الوحدة إلى اسم الخاصية (half_life_seconds)، ويصبح البديل غير الرقمي مثل "stable" قيمة فارغة، وتتحول التواريخ التي تسبق العام الأول إلى سنة كعدد صحيح (سالبة لما قبل الميلاد)، وهو ما لا يمكن لأي نوع تاريخ تخزينه ويُفرز نصيًّا بشكل خاطئ. يُحدَّث لوح العيّنة لديك ليتطابق، بحيث يعرض دائمًا العيّنة التي يصفها المخطط. وأي شيء لا يستطيع التحويل قراءته بيقين يُترك تمامًا كما كتبته.
لأن كل خطوة تجيب عن سؤال ضيّق واحد، يمكن أن يكون التصحيح ضيّقًا كذلك: يحتفظ مدقّق الخطوة بكل ما عاد صالحًا للاستخدام ويسأل من جديد عمّا ينقص فقط. لا يُعاد توليد شيء من الصفر، فالإجابة الصحيحة جزئيًا تقدّمٌ لا محاولة ضائعة.
لا تزال قواعد التحقّق الثماني تُطبَّق على المخطط المُجمَّع كفحص نهائي — صحة الأنواع، وإسناد مجالات الخبرة، وسلامة المراجع، والاكتمال. وهي عند تلك المرحلة شبكة أمان لا آلية تصحيح. تعرّف على كل قاعدة في دليل قواعد التحقّق.
المخطط المُولَّد أكثر من مجرد تعريف نوع بسيط. تتضمن كل خاصية بيانات وصفية توجّه عملية الإثراء:
نوع مخطط JSON (string، number، integer، boolean، array، object)
وصف سياقي يخبر الذكاء الاصطناعي بالمعلومات التي ينبغي البحث عنها
أي مجال خبرة (مالي، تنظيمي، إلخ) يوفّر هذه القيمة
ما إذا كان هذا الحقل جزءًا مما يُعرِّف المثيل. تؤدي الخصائص التعريفية المهمتين معًا: فهي تركّز مُوجّه الإثراء على الكيان الصحيح، وهي ما يعتمد عليه الدمج في مطابقة عناصر المصفوفة. ويمكن مع ذلك أن يقبل الحقل القيمة الفارغة — فالواصف الذي يفصل بين النظائر المتشابهة يبقى تعريفيًا حتى عندما تفتقر إليه عائلات بأكملها فعليًا
عندما تأتي قيم السلسلة النصية من مجموعة صغيرة متعارف عليها (حالات أو درجات أو رموز تصنيف)، يقترح التوليد عناصرها — مكتوبة بالصيغة نفسها الواردة في عيّناتك — كمفردات مفتوحة يتقارب عليها الإثراء. وتظهر القيم الواردة خارج القائمة كمرشّحات في المحرِّر، وتُغلق المجموعة بمجرد توقفها عن النمو؛ فتصبح المجموعة المغلقة عقدًا صارمًا لا يمكن للإثراء أن يحيد عنه
ما إذا كان بإمكان الحقل أن يكون null — الحقول غير القابلة لأن تكون null مطلوبة للقبول في قاعدة البيانات
ما إذا كان ينبغي إثراء الحقل عبر لغات متعددة
ما إذا كان يجب إبقاء القيمة الأصلية دون تغيير أثناء الإثراء
قيم أمثلة واقعية توجّه الذكاء الاصطناعي نحو التنسيق الصحيح
بنية قابلة للتحقّق آليًا لقيم السلاسل النصية: تُرفَض الإجابات المشوَّهة ويُعاد طلبها، وتُحفَظ القيم المخزَّنة بصيغتها المعيارية. لا يقترح التوليد إطلاقًا سوى تنسيق مُسمّى (date، time، date-time، uuid، email، uri، ipv4، ipv6) تُثبته عيّناته — أما نمط regex فهو تنبؤ بقيم لم يرها أحد بعد، والنمط الخاطئ يُفشل كل إثراء لهذا الحقل، لذا تضيفه أنت بنفسك في المحرّر
يجمّع الذكاء الاصطناعي خصائص المخطط في مجالات خبرة بناءً على معناها الدلالي. على سبيل المثال، قد يحتوي مخطط شركة أدوية على مجالات مثل ”محلل مالي“ و”خبير تنظيمي“ و”معلومات الشركة“. وتستخدم استراتيجية الخبرات المتعددة هذه المجالات لتشغيل استدعاءات LLM متوازية ومتخصصة للحصول على نتائج أعمق.
يُحدَّد عدد مجالات الخبرة تلقائيًا بناءً على عدد خصائص بياناتك لمنع التجزئة المفرطة:
بعد تجميع الأجزاء، تحسم خطوات حتمية كل ما لا ينبغي تركه للنموذج — مستندةً إلى بيانات الإدخال الفعلية لديك كدليل:
أي حقل غائب أو فارغ (null) في أي عيّنة يصبح قابلًا للقيمة الفارغة مهما كانت إجابة النموذج، فتغدو القيمة المجهولة إجابة مقبولة لا خللًا في جودة البيانات. والعيّنات لا تفعل إلا التوسيع: فحفنة من العيّنات تثبت وجود الحقل في تلك الحالات وحدها، لا في كل حالة من حالات النوع — ولهذا يكون للنموذج صوت أيضًا، ويُدمج الرأيان بعملية OR.
السمات التي لا يمكن أن تجتمع يُوفَّق بينها بقاعدة بدل السؤال من جديد: «الحفظ» يتغلّب على «متعدد اللغات» و«القابل للقيمة الفارغة»، وبقاء مفردات مغلقة يُلغي «متعدد اللغات»، وخاصية المفتاح لا تحتفظ أبدًا بقائمة تعداد.
يُضمَن لكل كائن داخل مصفوفة خاصية مفتاحية واحدة على الأقل — فهي الوحدة التي يعتمدها الدمج لإزالة التكرار، ومن ثم فإن عنصر مصفوفة بلا مفتاح يجعل دمج إجابتَي نموذجين مستحيلًا.
تُجمَع جميع مجالات الخبرة الفريدة من المخطط لأغراض المقاييس وإعداد الاستراتيجية.
المخطط يصف نفسه بلغة ما — أسماء أنواعه وأوصاف خصائصه وتسميات مجالات الخبرة والاقتراحات. وهذا شيء مختلف عن اللغات التي تُثري إليها. حدِّد لغة عند التوليد، أو اتركها فتحسم الأمرَ لغةُ أسماء خصائص عيّنتك نفسها: فالعيّنة الفرنسية لن تُنتج بعد الآن مخططًا إنجليزيًا. ويُحفظ هذا الاختيار، فتظل تعديلات الذكاء الاصطناعي اللاحقة تكتب باللغة نفسها بدل الانحراف عائدةً إلى الإنجليزية.
لا تحتاج إلى بيانات عيّنة لتبدأ. صِف بكلمات بسيطة العيّنة التي تريدها — نوع الكيان، والخصائص التي يجب أن تحملها، وحجمها أو عمقها — مع مستندات ترسّخها إن شئت، أو بحث ويب للتحقق منها على أرض الواقع — وتتولّى المنصة كتابة العيّنات نيابةً عنك. اطلب عدة عيّنات تحصل على نُسخ مختلفة بالفعل، لا نسخة واحدة معادة الصياغة.
تحدّد العيّنة الأولى أيضًا موضوع بقية العيّنات، ضمن الاستدعاء نفسه. فطلب «مثال» N مرة بشكل مستقل يعيد المثال الشهير نفسه N مرة؛ وتسمية المجموعة كاملة مسبقًا هو ما يجعلها متمايزة.
تُولَّد العيّنات المتبقية بالتوازي وفق بنية العيّنة الأولى بوصفها عقدًا، لا مجرد طلب مطابقتها — فلا يمكن لأي نسخة إعادة تسمية حقل أو إضافته أو حذفه. وأي عيّنة تعود مكرّرة أو مشوَّهة يُعاد طلبها ضمن موجة إعادة محاولات محدودة، وإن لم يكتمل العدد المطلوب تُبلَّغ بذلك بدل أن تُسلَّم عددًا أقل دون إشعار.
يُنفَّذ كل ما ورد في طلبك — فحدّ الحجم يتغلّب على نزعة المولّد إلى الإسهاب، والبنية التي طلبتها تتغلّب على بنيته الافتراضية — وإلّا فإن الاستجابة تخبرك بما تعذّر تنفيذه وسببه، فلا يُهمَل شيء في صمت. وثمّة أمر واحد ليس جزءًا من الطلب: عدد العينات التي تحصل عليها يحدّده عدد العينات، وكل عينة هي نسخة واحدة بالضبط — فطلب «ثلاث عينات» داخل النص لا يُنتج أبدًا قائمة مغلَّفة في كائن واحد. وعندما يكون الطلب ملتبسًا فعلًا (نوع من الكيانات يحتمل عدة قراءات، أو نطاقان متعارضان)، يسألك المولّد قبل أن يستهلك عملية التوليد بدلًا من التخمين. أمّا اللغة فقيمتها الافتراضية auto، وتُستنتج من كلمات طلبك نفسه، ثم من أي مستند مرفق.
اقرأ اسم الخاصية في سياق الكائن الأب وعُدّ الأشياء المختلفة التي قد يطلبها. شيء واحد يعني الوضوح. أما اثنان أو أكثر فيستقر كل نموذج على واحد مختلف، فينتهي العمود بخليط من إجابات عن أسئلة مختلفة — فـannual_revenue لدى شركة قد تعني المجموعة أو الكيان، إجماليًا أو صافيًا، بإحدى عدة عملات. والأسوأ ألّا يطلب شيئًا على الإطلاق — اسم لشيء لا يملكه هذا الأب ببساطة: فمع غياب ما يُبحث عنه، يخترع النموذج قيمة.
يتصدّى التوليد لهذا مرتين: فالموجّه نفسه يشترط أسماءً تحتمل قراءة واحدة، ثم يمرّ فحص لاحق على المخطط المكتمل ليُعلّم ما لا يزال لا يفي بذلك. وفي هذه المرحلة يكون العلاج إعادة التسمية — فالأوصاف وُلِّدت من الأسماء، ولا يمكن لوصف أن يزيل التباس الاسم الذي اشتُقّ منه، ولا شيء يعتمد على المخطط بعد. ويُجري توليد العيّنة الفحص نفسه على العيّنة ويطبّق إعادة التسمية قبل أن تراها أصلًا. أما النصوص الحرة — وصف أو ملخص أو ملاحظات — فلا تُعلَّم أبدًا: فالصياغة تتفاوت، لكن السؤال المطروح واضح.
تعرض الخصائص المُعلَّمة شارة «ملتبس» في محرّر سير العمل، مع سرد القراءات التي يحتملها الاسم. وبمجرد أن يصبح المخطط قيد التشغيل يتحوّل العلاج إلى وصف مُعاد صياغته يثبّت معنى واحدًا دون كسر عقد البيانات. راجع دليل فحص الالتباس للاطلاع على المعايير الكاملة وعلاجاتها.
عند توليد كيان عيّنة من وصف، يمكنك تفعيل «استخدام البحث على الويب» للسماح للنموذج بالبحث عن معلومات حديثة على الويب بدل الاعتماد على بيانات تدريبه وحدها. ينتج عن ذلك قيم عيّنة أحدث وأدق — خصوصًا للمعلومات سريعة التغيّر مثل الأسعار أو أعداد الموظفين أو الإصدارات الأخيرة. ولا يتوفّر هذا الخيار إلا للنماذج التي يدعم مزوّدها البحث المدمج على الويب، ويحتسب المزوّد تكلفة عمليات البحث كأي استخدام آخر للنموذج.
بعد التوليد، يمكنك تعديل المخططات باستخدام تعليمات بلغة طبيعية. اكتب أمرًا فيطبّق الذكاء الاصطناعي التغيير مع الحفاظ على بنية مخططك الحالية. ينتج عن كل تعديل أيضًا 5 اقتراحات لمزيد من التحسينات.
أضف حقل عدد صحيح employee_countأنشئ كائن عنوان متداخل يحتوي على المدينة والدولةأضف أوصافاً بالفرنسية إلى جميع الحقول النصيةتعريف مرجع للشركة الأم باستخدام $defsحدّد حقل الموقع الإلكتروني كقابل للقيمة الفارغةيُتحقَّق من تعديلات الذكاء الاصطناعي باستخدام مجموعة فرعية من قواعد التوليد (فحص الأنواع، وسلامة المراجع، واتساق مجال الخبرة) دون مقارنتها ببيانات الإدخال، لأنك قد تضيف حقولًا أو تحذفها عمدًا.
يُنتج كل من توليد المخطط والتحرير بالذكاء الاصطناعي 5 اقتراحات موجّهة تغطي فئات تحسين مختلفة:
تظهر الاقتراحات على هيئة رقائق قابلة للنقر في محرّر سير العمل — انقر إحداها لملء حقل تعديل الذكاء الاصطناعي تلقائيًا وتطبيقه.