مواصفات بيانات الذكاء الاصطناعي: الصيغ، IAA والتسليم

صيغ الإخراج

نسلّم بصيغتك

التسليم الافتراضي هو JSONL — سجل واحد في السطر، جاهز لـ Hugging Face. كذلك نُنتج Label Studio JSON وSRT/VTT للصوت، وCSV أو TSV مخصص عند الطلب.

DEFAULT

JSONL

سجل توسيم واحد في السطر. متوافق مع Hugging Face datasets وOpenAI fine-tuning ومعظم pipelines.

{"id": "ax-001",
 "text": "שלום, אני צריך עזרה",
 "lang": "he",
 "dialect": "modern",
 "label": "support_request",
 "confidence": 0.97,
 "annotator": "native_he_001",
 "reviewed": true}

RLHF Preference Pairs

مُهيَّكل لتدريب DPO/PPO. كل سجل يحتوي على prompt وردّين: مُفضَّل ومرفوض مع مسوّغ المُوسِّم.

{"id": "ax-rlhf-044",
 "prompt": "اشرح البرمجة للمبتدئين",
 "chosen": "البرمجة هي ...",
 "rejected": "برمجة = كود ...",
 "lang": "ar", "dialect": "msa",
 "rationale": "chosen: clearer, formal",
 "iaa_score": 0.88}

Audio / Speech

WAV + JSONL metadata. الصوت مقسّم حسب الجملة، مع تمييز المتحدث ووسم اللهجة والطوابع الزمنية والنسخ.

{"id": "ax-audio-017",
 "file": "ax-017.wav",
 "start_ms": 0, "end_ms": 3200,
 "speaker": "F_AR_EG_02",
 "dialect": "eg",
 "text": "عايز أعرف إمتى ...",
 "code_switch": false,
 "snr_db": 42.1}

HTR / OCR

أزواج صورة + نص مرجعي. PNG/JPEG للمنطقة المكتوبة بخط اليد أو مطبوعة، مع نسخ UTF-8 وإحداثيات bounding box.

{"id": "ax-htr-209",
 "image": "page_04_line_03.png",
 "text": "ירושלים עיר הקודש",
 "script": "hebrew_print",
 "bbox": [12, 44, 320, 72],
 "confidence": 0.94,
 "era": "modern"}

مخططات مخصصة إذا كان pipeline الخاص بك يستخدم مخططاً مختلفاً، أرسل لنا سجلاً كمثال وسنكيّف صيغة التسليم قبل بدء التجربة — بدون رسوم إضافية.

تغطية اللغات

سبع مستويات لهجية — مورّد واحد

معظم الموردين يغطون الفصحى فقط. نحن نغطي اللهجات التي يتحدث بها مستخدموك فعلاً — والعبرية التي لا يلمسها تقريباً أي مورّد متخصص في العربية.

اللغة / اللهجة	الرمز	قاعدة المتحدثين	المهام المتاحة	ملاحظات
Modern Hebrew	`he-IL`	✓ Active	All	Primary market — including code-switch with English
Egyptian Arabic	`ar-EG`	✓ Active	All	Largest dialect speaker base in our pool
Levantine Arabic	`ar-LEV`	✓ Active	Annotation · Audio · LLM eval	Syria · Lebanon · Jordan · Palestine
Gulf Arabic	`ar-XG`	✓ Active	Annotation · Audio	Saudi Arabia · UAE · Kuwait · Bahrain
Modern Standard Arabic	`ar-MSA`	✓ Active	All	Used for formal, news and educational content
Moroccan Arabic (Darija)	`ar-MA`	⬤ Limited	Annotation · Audio	Requires scoping call — longer lead time
Hebrew–Arabic Code-Switch	`he+ar`	⬤ Specialist	Audio · LLM eval	Rare combination; dedicated pool of bilingual speakers

الجودة واتفاقية المُوسِّمين

نقيس الجودة قبلك

كل تسليم يشمل تقرير جودة. الدُّفعات التي لا تصل إلى عتبة IAA تُعاد توسيمها داخلياً — لن تتلقى دفعة دون العتبة المتفق عليها.

≥ 0.80 Cohen's κ

الحد الأدنى للاتفاق بين المُوسِّمين لمهام التصنيف الثنائي ومتعدد الفئات. نستخدم معامل كوهين كابا لمُوسِّمَين يقارنان تسمية واحدة.

≥ 0.75 Krippendorff's α

يُستخدم للمهام الترتيبية والفترية ومتعددة المُوسِّمين — بما فيها مقاييس تقييم RLHF. يتسامح مع البيانات المفقودة ويتوسع لأكثر من مُوسِّمَين.

10% عينة مراجعة الجودة

على الأقل 10% من كل دفعة يُعاد توسيمها بواسطة مراجع أول قبل التسليم. للمشاريع التجريبية ترتفع إلى 25%.

98% معدل القبول

معدل القبول من التسليم الأول عبر المشاريع النشطة. يُقاس كدفعات مُسلَّمة دون طلب إعادة من العميل.

سير عمل مراجعة الجودة — كل دفعة

المُوسِّم 1
التوسيم الأولي وفق إرشادات المهمة
المُوسِّم 2
مرور ثانٍ مستقل — لا يرى A1
فحص IAA
إشارة خلاف تلقائية. العناصر دون κ = 0.6 تذهب إلى التحكيم
التحكيم
مُوسِّم أول يحل الخلافات ويوثّق مسوّغ القرار
عينة الجودة
10–25% إعادة توسيم عمياء بواسطة مراجع منفصل
التسليم + التقرير
دفعة JSONL + ملف PDF مقاييس الجودة معاً

تصنيف المهام

ما نُوسِّمه

NER

التعرف على الكيانات المُسمَّاة

شخص، منظمة، موقع، تاريخ، منتج — بالعبرية وجميع اللهجات العربية. يدعم الامتدادات المتداخلة والمتقاطعة.

SENT

المشاعر والنبرة

إيجابي / سلبي / محايد على مستوى الجملة أو المستند. المخططات الموسّعة تشمل الشدة (1–5) ومشاعر محددة.

RLHF

أزواج تفضيل RLHF

ردّان من النموذج مُرتَّبان من مُتحدث أصلي. يشمل حقل المسوّغ. يُستخدم لـ DPO وPPO وConstitutional AI.

CLASS

تصنيف النية والموضوع

تسمية واحدة أو متعددة. التصنيفات تُقدَّم منك أو تُبنى بشكل مشترك. مجموعة معايرة مشمولة في كل تجربة.

AUDIO

نسخ الكلام

حرفي أو نظيف. تمييز المتحدثين، وسم اللهجة، إشارة الخلط اللغوي ودرجات الثقة مشمولة.

HTR

نسخ خط اليد

الخط العبري التاريخي والحديث. Bounding boxes على مستوى السطر أو الكلمة. النص المرجعي بـ UTF-8 مُعيَّر NFD.

SAFE

الأمان والـ Red-Teaming

كشف المحتوى الضار، فحوصات الحساسية الثقافية وتقييم الطرح العدائي بالعبرية والعربية.

AUDIO-COLLECT

جمع بيانات الكلام

تسجيلات نصية وعفوية. توزيع محكوم للهجة والعمر والجنس. WAV 16kHz 16-bit، مُفلتَر من الضوضاء.

التسليم ومستويات الخدمة

جداول زمنية يمكنك التخطيط بناءً عليها

48 hrs

مكالمة النطاق

الرد على التواصل الأول. نجدول مكالمة 30 دقيقة خلال يومي عمل.

72 hrs

عرض المشروع التجريبي

بعد مكالمة النطاق — سعر ثابت، نطاق، هدف IAA ومعايير القبول.

1–2 wks

إطلاق التجربة

من الاتفاقية الموقعة إلى أول عناصر مُوسَّمة. يشمل توجيه المُوسِّمين ومجموعة المعايرة.

2–4 wks

تسليم التجربة

تجربة نموذجية 100–500 عنصر. تُسلَّم مع تقرير جودة كامل وتفصيل IAA.

أسبوعياً

الدفعات الحجمية

عند الحجم الكامل — دفعات أسبوعية مع مقاييس جودة متجددة. يومياً للمشاريع العاجلة.

5 biz days

مستوى إعادة التوسيم

إذا فشلت دفعة في مراجعة جودتك، نعيد توسيم العناصر المُشارة خلال خمسة أيام عمل بدون رسوم.

عينة البيانات

اطلع على البيانات قبل الالتزام

اطلب عينة تصل إلى 50 عنصراً مُوسَّماً — تغطي نوع المهمة واللغة التي تحتاجها. تُسلَّم بصيغة JSONL خلال 72 ساعة، وتحت اتفاقية سرية إذا لزم الأمر.

اختر اللغة واللهجة
اختر نوع المهمة
احصل على العينة + تقرير IAA خلال 72 ساعة
لا التزام بتجربة أو عقد

اطلب عينة بيانات ↗

اتفاقية سرية متاحة عند الطلب

← العودة إلى نظرة عامة AI Data

ما نسلّمه — وكيف نسلّمه تماماً