روبوت محادثة معالجة اللغة الطبيعية (NLP) لتطبيق WhatsApp: أمثلة مفتوحة المصدر، والهندسة المعمارية، ودليل عملي للبدء

إن تطوير روبوت محادثة على واتساب يفهم السياق (أي يستوعب مختلف العبارات والأخطاء الإملائية والنوايا) لا يعني التقيد بنظام مغلق ومُغلق. فباستخدام تقنيات معالجة اللغة الطبيعية (NLP) مفتوحة المصدر، يمكنك بناء روبوت واتساب تتحكم به تحكمًا كاملًا - بما في ذلك البيانات والمنطق والتكاليف - مع الحفاظ على تجربة استخدام سلسة وواقعية. يرشدك هذا الدليل إلى بنى مرجعية، وخيارات عملية مفتوحة المصدر، وثلاثة أمثلة شاملة يمكنك استخدامها في إصدارك الأول.

‍

لماذا استخدام المصادر المفتوحة لمعالجة اللغة الطبيعية في واتساب؟

• التحكم في البيانات والخصوصية. احتفظ ببيانات التدريب والسجلات والنماذج في مستودعك/سحابتك الخاصة.
• قابل للتركيب: استبدل أدوات تحليل الكلمات، ومصنفات النوايا، وطبقات الاسترجاع، أو مديري الحوار دون إعادة كتابة كل شيء.
• شفافية التكاليف: ادفع مقابل الاستضافة/الحوسبة، وليس مقابل الزيادات في الأسعار لكل رسالة من الإضافات "الذكية".
• سرعة تطور المجتمع: تتطور Rasa و Haystack و spaCy و LangChain بسرعة وتوفر أنماطًا مثبتة يمكنك تكييفها.
  
  

‍

روبوت معالجة اللغة الطبيعية على واتساب: البنية الأساسية (ومكانة المصادر المفتوحة)

1. النقل (منصة واتساب للأعمال):
   
   • استخدم منصة واتساب للأعمال من ميتا (واجهة برمجة التطبيقات السحابية) كقناة رسمية. فهي تُرسل الرسائل إلى رابط الويب الخاص بك وتتيح لك إرسال الردود.
   • ستقوم باستضافة مستقبل webhook (FastAPI/Express) للتحقق من التوقيعات، وتحليل JSON الوارد، وإعادة توجيه حدث موحد إلى وقت تشغيل الروبوت الخاص بك.
     
     
2. بيئة تشغيل الروبوت (مفتوحة المصدر):
   
   • معالجة اللغة الطبيعية وإدارة الحوار:
     
     • Rasa (من البداية إلى النهاية: تجزئة الكلمات، استخراج النوايا/الكيانات، السياسات، النماذج، القصص)
     • بوتبريس مفتوح المصدر (تدفقات مرئية + فهم اللغة الطبيعية)
     • LangChain/LangGraph (تنسيق موجه نحو نماذج التعلم الموجه إذا كنت تخطط لاستخدام النماذج التوليدية)
       
       
   • الاسترجاع والمعرفة:
     
     • Haystack أو LangChain + قاعدة بيانات متجهة (FAISS أو Chroma) لـ RAG (التوليد المعزز بالاسترجاع).
       
       
   • مقطوعات كلاسيكية في البرمجة اللغوية العصبية:
     
     • spaCy (القواعد، مسارات التعرف على الكيانات المسماة)، Hugging Face Transformers (مصنفات النوايا الدقيقة)، fastText لخطوط الأساس الخفيفة للنوايا.
       
       
3. الحالة والتخزين:
   
   • حالة المحادثة (SQLite/Postgres/Redis).
   • فهرس المحتوى (FAISS/Chroma/Weaviate).
   • السجلات/المقاييس (Postgres + Grafana/Prometheus، أو ملف CSV/S3 بسيط إذا كنت تقوم بإنشاء نموذج أولي).
     
     
4. الإدارة والأدوات:
   
   • إضافة التعليقات وإصدارات مجموعات البيانات (Label Studio + DVC/Git LFS).
   • نصوص التقييم (pytest + مقاييس مخصصة لـ F1 للنية، وF1 للكيان، ومعدل إكمال الهدف).
     
     

عملية التسليم بسيطة: واتساب → رابط الويب → وقت تشغيل البوت (Rasa/Botpress/LangChain) → منطق الأعمال → الاستجابة عبر واجهة برمجة تطبيقات إرسال واتساب.

‍

مكونات بناء مفتوحة المصدر (مختارة بعناية)

• Rasa – تم اختبارها ميدانياً لاستخراج النوايا/الكيانات، والنماذج (ملء الخانات)، والقصص، والسياسات؛ توازن جيد بين القواعد القائمة على القواعد والتعلم الآلي.
• بوتبريس (إصدار مفتوح المصدر) – أداة إنشاء تدفق مرئي؛ سهلة الاستخدام لغير المطورين؛ استخدمها عندما يريد فريقك لوحة رسم بالإضافة إلى معالجة اللغة الطبيعية.
• spaCy – أدوات معالجة اللغة الطبيعية ذات الجودة الإنتاجية، ونماذج متعددة اللغات، ومكونات مخصصة للكيانات القائمة على الأنماط.
• Haystack – خطوط أنابيب RAG نظيفة، ومخازن مستندات، ومسترجعات، وقارئات؛ مثالية لروبوتات الأسئلة الشائعة وقواعد المعرفة.
• LangChain/LangGraph – وكلاء/أدوات قابلة للتركيب لتصميمات تركز على LLM؛ قم بإقرانها بنموذج مفتوح أو نموذج API حسب الحاجة.
• FAISS / Chroma – بحث متجهي خفيف الوزن للاسترجاع القائم على التضمينات.
• Node-RED – أداة ربط منخفضة التعليمات البرمجية لتنسيق روابط الويب، ومكالمات HTTP، واتخاذ القرارات عندما تريد الشحن بسرعة.
  
  

‍

نموذج البيانات وتطبيع الرسائل

تختلف حمولات رسائل واتساب باختلاف نوع الرسالة. لذا، يُنصح بتوحيد البيانات مبكراً لكي ترى مجموعة أدوات معالجة اللغة الطبيعية لديك مخططاً متسقاً

• الطابع الزمني (ISO)
• from_phone (E.164)
• نوع الرسالة (نص | صورة | موقع | صوت | مستند)
• نص (نص مستخرج؛ قم بتشغيل تقنية التعرف الضوئي على الحروف للصور فقط إذا كنت بحاجة إليها حقًا)
• media_url (إن وجد)
• اللغة المحلية (إن وجدت؛ يتم اللجوء إلى الكشف عن اللغة كخيار احتياطي)
• session_id (ثابت لكل مستخدم/يوم)
  
  

اجعل الفروع غير النصية بسيطة في البداية: قم بتأكيد استلام الوسائط، واطرح أسئلة توضيحية، واحفظ المراجع للمراجعة البشرية.

‍

ثلاثة نماذج نموذجية مفتوحة المصدر (جاهزة للنسخ)

1) الأسئلة الشائعة + تأهيل العملاء المحتملين (راسا أولاً)

متى تختار: أنت بحاجة إلى تصنيف قوي للنوايا، والكيانات (مثل المنتج، المدينة)، وملء الخانات بشكل حتمي.

تدفق:

1. نص وارد → Rasa NLU → نية (استعلام_التسعير، تثبيت_الكتاب، خارج_النطاق).
2. إذا كانت عملية التسعير موجودة، فسيتم استخراج الكيانات (المدينة، نوع النظام)؛ وإذا كانت مفقودة، فستطرح نماذج
3. استرجع الإجابات الجاهزة من ملف معرفة YAML/JSON أو من RAG بسيط إذا كان المحتوى كبيرًا.
4. قم بتحويل العملية إلى موظف بشري إذا كانت الثقة أقل من الحد الأدنى أو إذا انتهت مهلة النموذج.
   
   

الميزة الرائعة: تعمل سياسات Rasa (TED، RulePolicy) على تحقيق التوازن بين السلوك المُتعلّم والقواعد الصريحة. يمكنك ضبط فهم اللغة الطبيعية (NLU) باستخدام بضع عشرات من الأمثلة/النوايا.

2) أسئلة وأجوبة مستندة إلى الوثائق (مجموعة أسئلة وأجوبة من كومة القش)

متى تختار: قاعدة المعرفة كبيرة (ملفات PDF، ووثائق، وأسئلة وأجوبة شائعة)، وتريد إجابات تستند إلى محتواك.

تدفق:

1. النص الوارد ← اكتشاف اللغة ← استعلام التضمين.
2. Haystack : Retriever (مثل Dense Passage Retrieval) يجلب أفضل k مقطع من FAISS/Chroma.
3. يقوم القارئ/المنشئ بكتابة إجابة قصيرة مع الاستشهادات.
4. يتضمن الرد تسمية مصدر سهلة الاستخدام ("دليل التثبيت §2.1").
   
   

الميزة الرائعة: تتجنب الهلوسة بفضل التثبيت الصارم. يمكنك توسيع المحتوى دون المساس بمنطق الحوار.

3) فرز الخدمات القائم على التدفق (قواعد Botpress + spaCy)

متى تختار: تعتمد العمليات على سير العمل المنظم (فتح تذكرة، تحديث وقت الوصول المتوقع، إعادة الجدولة) وتريد لوحة عرض مرئية مشتركة.

تدفق:

1. تدفق Botpress للفروع ذات الثقة العالية (القائمة، خطوات النموذج).
2. تتضمن علامات المكونات المخصصة لـ spaCy أرقام الطلبات، ورسائل البريد الإلكتروني، والتواريخ.
3. يقوم Botpress باستدعاء الواجهة الخلفية (على سبيل المثال، /tickets/create) ويرسل المرجع إلى المستخدم.
4. اللجوء إلى قائمة الردود السريعة "لم أفهم ذلك - اختر أحد الخيارات".
   
   

الميزة الرائعة: يمكن لغير المطورين تعديل التدفقات بأمان. قواعد spaCy تكتشف الكيانات الهشة والخاصة بالتنسيق بسرعة.

‍

بيانات التدريب: ما هو شكل "الكفاية"؟

• الأهداف: ابدأ بـ 8-15 هدفًا تغطي 80% من الزيارات. يُعدّ 20-30 مثالًا لكل هدف نموذجًا أوليًا جيدًا.
• الكيانات: ركز على الكيانات التشغيلية (المدينة، رقم الطلب، مستوى المنتج). اكتب بعض ميزات التعبير النمطي (أرقام الطلبات، عناوين البريد الإلكتروني) لتحسين الدقة.
• أمثلة سلبية: تضمين الثرثرة الخارجة عن النطاق والحديث اللطيف حتى تكون لسياسة الطوارئ قوة.
• متعدد اللغات: إذا كنت تتوقع لغات مختلطة، فأضف خاصية الكشف عن اللغة وقم بتوجيهها إلى مسارات أو نماذج منفصلة لكل لغة.
  
  

إصدار مجموعات البيانات باستخدام Git + DVC. يجب أن يرتبط كل بناء نموذج بعملية تثبيت مجموعة البيانات.

‍

تصميم محادثة قابل للتوسع

• إن أفضل اقتراحين أو ثلاثة اقتراحات بعد اللجوء إلى خيار بديل ("هل تقصد الأسعار أم أوقات التركيب؟") أفضل من "آسف، لم أفهم ذلك".
• الإفصاح التدريجي: اطلب خانة واحدة مفقودة في كل مرة، وقم بتلخيص المعلومات التي تم جمعها، ثم أكد قبل اتخاذ أي إجراء.
• العنصر البشري في الحلقة: قم بتوفير كلمة رئيسية مثل "وكيل" أو ببساطة اكتشف أنماط الإحباط وقم بالتصعيد بناءً على سياق النص.
  
  

‍

الأمن، والامتثال، وتفاصيل واتساب

• الاشتراك والانسحاب: فرض موافقة واضحة. اجعل زر "إيقاف" (أو ما يعادله محلياً) فعالاً منذ اليوم الأول.
• تقليل المعلومات الشخصية الحساسة: خزّن فقط الحقول التي تحتاجها فعلاً (مثل رقم الطلب، المدينة). قم بإخفاء أو تشفير المعرّفات الحساسة في السجلات.
• حدود المعدل وإعادة المحاولات: تطبيق التراجع الأسي لأخطاء الإرسال؛ تسجيل رموز الاستجابة.
• قوالب الرسائل: بالنسبة للرسائل التي تبدأها الشركات خارج نطاق الـ 24 ساعة، قم بإعداد قوالب معتمدة (متطلبات واتساب).
• النظافة الإعلامية: لا تقم بتنزيل المرفقات تلقائيًا بشكل أعمى؛ قم بالفحص إذا كان الامتثال يتطلب ذلك.
  
  

‍

إمكانية الملاحظة: قياس ما يهم

• مصفوفة دقة النية والتشويش: ابحث عن النوايا المتشابهة وادمج الأمثلة أو أعد صياغتها.
• معدل إنجاز الهدف: النسبة المئوية للمستخدمين الذين يحققون نتيجة تجارية (الحجز، إنشاء التذاكر).
• معدل التراجع حسب نوع الرسالة: تتبع ما إذا كانت عمليات التراجع ترتفع بشكل حاد للغات أو الحملات معينة.
• معدل وأسباب تسليم الموظفين: استخدم الفئات (الفواتير، الحالات الشاذة، الإساءة) لتحديد أولويات التدريب.
• زمن الاستجابة (p50/p90): حافظ على زمن الاستجابة من البداية إلى النهاية أقل من 2-3 ثوانٍ للردود النصية.
  
  

ابدأ بلوحة تحكم بسيطة: الجلسات اليومية، والمستخدمون الفريدون، ومعدل الإكمال، والخيارات البديلة، ومتوسط ​​الرسائل لكل جلسة.

‍

دليل البدء السريع (مسار لمدة أسبوع واحد)

اليوم الأول - الهيكل العظمي

• إنشاء رابط ويب قائم (FastAPI/Express).
• أنشئ مشروع Rasa (أو مساحة عمل Botpress).
• سلك واتساب → رابط الويب → بوت → واتساب.
  
  

اليوم الثاني - النوايا والنماذج

• حدد 10 نوايا و3 كيانات؛ أضف 20 عينة/نية.
• قم بإنشاء نموذج واحد (على سبيل المثال، نموذج الحجز: التاريخ، المدينة، البريد الإلكتروني للتواصل).
• أضف حدًا أدنى للسياسة؛ ووجّه الحالات ذات الثقة المنخفضة إلى خيار التراجع.
  
  

اليوم الثالث - المعرفة

• فهرسة 10-20 وثيقة أساسية باستخدام Haystack + FAISS.
• أضف غرض "/kb question" الذي يقوم بتشغيل RAG مع أفضل 3 اقتباسات.
  
  

اليوم الرابع - تسليم المهام البشرية

• قم بتنفيذ أمر تصعيد وصندوق وارد للوكيل (حتى جسر بريد إلكتروني/سلاك مشترك في البداية).
• سجل النصوص مع وضع علامات ("يحتاج إلى تصعيد").
  
  

اليوم الخامس – حلقة التقييم

• قم بتشغيل مجموعة صغيرة؛ واجمع الرسائل المصنفة بشكل خاطئ.
• إعادة التدريب؛ مقارنة مقياس F1 ومصفوفة الارتباك.
  
  

اليوم السادس - القوالب والأنشطة خارج ساعات العمل

• أضف قوالب رسائل واتساب للتدفقات التي تبدأها الشركات.
• الردود المحددة بوقت ("سنعود في الساعة 09:00") مع مهمة متابعة صباحية.
  
  

اليوم السابع - التصلب

• أضف عمليات إعادة المحاولة، وتسجيل الأخطاء، وفحوصات السلامة، وتصديرًا يوميًا إلى وحدة التخزين.
• قم بتوثيق مسار العمل، ومجموعات البيانات، وخطوات الإصدار.
  
  

‍

نصائح حول التكلفة والأداء

• النماذج: ابدأ باستخدام هياكل أساسية للمحولات الخفيفة (فئة DistilBERT) أو حتى SVM/fastText الكلاسيكية للأهداف إذا كانت الميزانية محدودة.
• البحث المتجهي: عادةً ما يكون FAISS على وحدة المعالجة المركزية كافيًا لأقل من 500 ألف مقطع.
• التخزين المؤقت: قم بتخزين الإجابات المتكررة (مثل أوقات التسليم) لتقليل الحساب.
• التجميع: إذا كنت تقوم ببث الإشعارات (الرسائل النموذجية)، فقم بتجميع الطلبات بشكل مسؤول والتزم بحدود المعدل.
  
  

‍

الأخطاء الشائعة (وكيفية تجنبها)

• تضخم النوايا: يؤدي استخدام أكثر من 30 نية تفصيلية في وقت مبكر جدًا إلى زيادة الارتباك. لذا، يُنصح بتوحيد النوايا واستخدام الكيانات لتحسينها.
• تجاوز التعبيرات النمطية: تؤدي الأنماط الواسعة للغاية إلى نتائج إيجابية خاطئة؛ لذا يجب تقييدها بحدود الكلمات وفحوصات السياق.
• حل بديل واحد يناسب الجميع: حدد الحلول البديلة متعددة الطبقات: التوضيح → إعادة الصياغة → تقديم أهم النوايا → التصعيد.
• تجاهل الواقع متعدد اللغات: أضف خاصية الكشف المبكر عن اللغة؛ ووجهها إلى المسار الصحيح.
• سياق غير محدود: حافظ على نوافذ الجلسة معقولة؛ قم بتلخيص سلاسل العمليات الطويلة لتجنب انحراف النموذج.
  
  

‍

وضع كل شيء معًا

إنّ روبوت معالجة اللغة الطبيعية مفتوح المصدر لتطبيق واتساب ليس مشروعًا بحثيًا، بل هو مجموعة من الأجزاء العملية القابلة للتركيب، والتي يمكنك تجميعها بسرعة وتطويرها بأمان. ابدأ برابط ويب موثق لتطبيق واتساب، واختر بيئة تشغيل تناسب فريقك (مثل Rasa للتدفقات القائمة على السياسات، أو Botpress للتنسيق المرئي، أو Haystack/LangChain للاسترجاع)، وصمّم محادثات تسأل فقط عن المطلوب، خطوة بخطوة. قِس النتائج، وأعد تدريب الروبوت أسبوعيًا باستخدام نصوص حقيقية، واستشر فريق الدعم البشري عند الحاجة.

افعل ذلك، وستمتلك خارطة طريقك وبياناتك وتكاليفك، بينما يستمتع المستخدمون بتجربة واتساب سريعة وطبيعية ومفيدة.

‍