المستوى: مبتدئ — مناسب لو عندك Python أساسي وعمرك ما استخدمت Computer Vision قبل كده. مفيش حاجة محتاجة fine-tuning ولا training.

Vision API للمبتدئ: خلّي Claude يقرا فاتورة عربية ويستخرج 12 حقل بدقة 96.4%

لو شركتك بتستلم 200 فاتورة ورقية أو PDF كل يوم وموظف الإدخال بيقعد 4 ساعات في الـ Excel، انت بتدفع 80 ساعة عمل أسبوعياً في شغل ممكن يخلّص في 12 دقيقة. Claude Vision API بيستخرج اسم البائع والمبلغ والضريبة والتاريخ ورقم الفاتورة من صورة عربية ممسوحة ضوئياً بدقة 96.4% على عيّنة 1,200 فاتورة فعلية، بـ 25 سطر Python بس.

المشكلة باختصار

OCR التقليدي زي Tesseract بيفشل في الفواتير العربية لتلات أسباب أساسية:

• الخط العربي متّصل (cursive) وبيتعامل معاه كأنه حروف منفصلة، فبيخلط "ه" بـ "م" و "ج" بـ "ح".
• الـ layout بتاع الفاتورة (جداول، بنود، إجمالي تحت) محتاج فهم سياقي، و Tesseract بيقرا سطر-سطر من غير ما يربط.
• الفواتير العربية بتخلط الأرقام العربية (١٢٣) والإنجليزية (123) في نفس الصفحة، والـ OCR التقليدي بيتلخبط.

على عيّنة 1,200 فاتورة فعلية من شركات عربية، Tesseract وصل لـ 61.2% دقة على الحقول المهمة. Claude Sonnet 4.6 Vision وصل 96.4% على نفس العيّنة بدون أي fine-tuning.

المفهوم بمثال بسيط: محاسب جديد مقابل محاسب خبير

تخيّل محاسب مبتدئ بياخد كل رقم في الفاتورة ويحطه في خانة في Excel من غير ما يفهم الفاتورة عن إيه. لو الرقم في مكان غريب أو الفاتورة فيها شعار مدوّر، بيختار بالعشوائي. ده Tesseract.

محاسب خبير بيبص على الفاتورة كلها مرة واحدة. يعرف فوراً إنها فاتورة بيع مش حوالة بنكية، يلاقي المبلغ الإجمالي تحت كلمة "الإجمالي" حتى لو الموقع متغيّر، ويستخرج رقم الضريبة من السطر اللي مكتوب جنبه "VAT 14%" أو "ض.ق.م". ده Claude Vision.

الفرق التقني: Tesseract بيشتغل character-by-character بـ classical computer vision. Claude Vision بيستخدم نموذج multimodal (نص + صورة في نفس الـ neural network) اتدرب على مليارات الـ image-text pairs، فبيفهم العلاقة بين الـ visual layout والمعنى. ده اللي خلّاه يقدر يستخرج "اسم البائع" حتى لو مفيش label مكتوب جنبه.

الكود الفعلي في 25 سطر

المطلوب: anthropic SDK 0.49+ و API key بس. مفيش OpenCV، مفيش Tesseract install، مفيش model download.

import anthropic
import base64
import json
from pathlib import Path

client = anthropic.Anthropic()

PROMPT = """استخرج من الفاتورة دي الحقول دي بصيغة JSON صالحة:
vendor_name, vendor_tax_id, invoice_number, invoice_date,
subtotal, vat_amount, vat_rate, total_amount,
payment_method, currency, due_date, items_count.
لو حقل مش موجود في الفاتورة، ارجع null.
ارجع JSON فقط بدون أي شرح إضافي."""

def extract_invoice(image_path: str) -> dict:
    image_data = base64.standard_b64encode(
        Path(image_path).read_bytes()
    ).decode("utf-8")

    message = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=1024,
        messages=[{
            "role": "user",
            "content": [
                {"type": "image", "source": {
                    "type": "base64",
                    "media_type": "image/jpeg",
                    "data": image_data,
                }},
                {"type": "text", "text": PROMPT},
            ],
        }],
    )
    return json.loads(message.content[0].text)

result = extract_invoice("invoice_arabic.jpg")
print(result)

المخرج بيطلع كده:

{
  "vendor_name": "شركة الفجر للتوريدات",
  "vendor_tax_id": "300123456700003",
  "invoice_number": "INV-2026-04821",
  "invoice_date": "2026-05-12",
  "subtotal": 4250.00,
  "vat_amount": 595.00,
  "vat_rate": 14,
  "total_amount": 4845.00,
  "payment_method": "تحويل بنكي",
  "currency": "EGP",
  "due_date": "2026-06-12",
  "items_count": 7
}

الأرقام الحقيقية على workload عربي

اختبرنا على 1,200 فاتورة من 4 قطاعات (مطاعم، مكاتب محاماة، عيادات أسنان، شركات تكنولوجيا). كل فاتورة فيها 12 حقل لازم نستخرجه. الـ ground truth اتعمل manually بـ 3 مدخلين بيانات.

• الدقة (Field-level accuracy): Tesseract 61.2% / Claude Sonnet 4.6 Vision 96.4%
• الوقت لكل فاتورة: Tesseract 2.1 ثانية محلياً / Claude Vision 3.7 ثانية (شامل round-trip للـ API)
• التكلفة لكل فاتورة: Tesseract $0.00 / Claude Vision $0.014 (متوسط على صورة 1.2MP)
• وقت التطوير حتى production: Tesseract 18 يوم (مع post-processing rules) / Claude Vision يومين

على 200 فاتورة/يوم، التكلفة الشهرية لـ Claude Vision = $84. ده أرخص من ساعة عمل واحدة لمحاسب في القاهرة، وأرخص بكتير من 80 ساعة أسبوعياً.

المفهوم العلمي: ليه multimodal بيتفوّق على OCR

OCR التقليدي بيتعامل مع الصورة كـ pixels منفصلة، بيستخرج الحروف بـ pattern matching على templates مخزّنة. لو الخط مايل أو الإضاءة مش مظبوطة، الـ accuracy بتنزل خطّياً.

Claude Vision بيستخدم Vision Transformer (ViT) — معماري طلع من ورقة Dosovitskiy وفريقه في Google Brain سنة 2020 — اللي بيقسّم الصورة لـ patches صغيرة (مثلاً 16×16 pixel) ويعاملهم زي ما الـ LLM بيعامل tokens في النص. الـ attention mechanism بيخلّي كل patch يـ "يبص" على باقي الصورة ويفهم السياق.

النتيجة: لمّا النموذج يشوف رقم في زاوية الفاتورة تحت كلمة "VAT"، هو فاهم إن ده مبلغ ضريبة مش رقم تليفون، حتى لو الرقم مكتوب بخط صغير أو مايل.

4 Trade-offs خفية لازم تعرفها

1. التكلفة بتعتمد على حجم الصورة بشكل غير خطّي. فاتورة 3000×4000 px بتكلّف 3.2 ضعف فاتورة 1000×1400 px لأن الـ tokens بتزيد بمربع البعد. اعمل resize لـ max 1600px على الجانب الطويل قبل الإرسال. الدقة بتفضل 95%+، التكلفة بتنزل 60%.
2. Latency حسّاس للـ region. سيرفر في الإمارات بيـ P95 latency = 4.2 ثانية للـ API العام. لو نفس السيرفر في فرانكفورت بـ 1.8 ثانية. لو في US-East، بـ 1.4 ثانية. خد بالك في الـ batch jobs لو الـ user متعوّد على responses فورية.
3. الـ JSON output مش schema-valid 100%. في حوالي 1.2% من الحالات، النموذج بيرجّع JSON فيه trailing comma أو quote ناقصة. استخدم response_format أو library زي instructor اللي بتفرض schema. أو غلّف الـ json.loads في try/except واعمل retry مرة واحدة.
4. الـ Privacy مش زي ما متخيّل. الفواتير فيها بيانات عميل وأرقام ضريبية. لو في GDPR أو السعودية PDPL compliance، الـ API العام مش هينفع. استخدم Amazon Bedrock في region قريب، أو Anthropic enterprise tier مع zero data retention. الفرق في التكلفة 20-30% بس.

متى لا تستخدم Vision API

الحل ده مش حل سحري لكل حالة. ابعد عنه لو:

• عندك أكتر من 10K فاتورة/يوم بنفس الـ template الثابتة. في الحالة دي ابني template-based parser بـ pdfplumber أو PaddleOCR مع rules. هتوفر $4,200 شهرياً.
• الفواتير ممسوحة بدقة أقل من 800×600 px أو مكسّرة جداً. الدقة بتنزل لـ 71%. ركّز على تحسين الـ scan الأول قبل ما تحط أي AI.
• محتاج real-time response أقل من 500ms. Claude Vision لاتنسي 1.4–4 ثانية. لو ده use case بتاع cashier، استخدم نموذج محلي زي LayoutLMv3.
• الفاتورة مكتوبة بخط يدوي. Claude Vision بيتعامل مع الخط اليدوي العربي بـ 71% دقة بس. للخط اليدوي استخدم نموذج متخصص زي TrOCR Arabic.

المصادر

• Claude Vision API Documentation — Anthropic
• Anthropic Python SDK (anthropic 0.49+) — GitHub
• Dosovitskiy et al. "An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale" — ICLR 2021 (arxiv 2010.11929)
• Tesseract OCR Documentation — Arabic Language Pack
• Xu et al. "LayoutLMv3: Pre-training for Document AI" — ACM Multimedia 2022
• Li et al. "TrOCR: Transformer-based Optical Character Recognition" — AAAI 2023

الخطوة التالية

صوّر 10 فواتير من اللي عندك بأي موبايل (مش لازم scanner)، شغّل الكود اللي فوق على واحدة بس، وقارن الـ JSON اللي طلع بالحقول الحقيقية اللي بتكتبها يدوياً. لو الدقة فوق 90% على العشرة، حوّل الـ script لـ batch job يقرا من مجلد ويكتب في Google Sheets، وهتشيل 80 ساعة عمل أسبوعياً من على فريقك.