Structured Outputs

تشير المخرجات المهيكلة إلى منهجية في الذكاء الاصطناعي تُفرَض فيها استجابات النموذج بصرامة للالتزام بتنسيق بيانات محدد مسبقًا، وعادةً ما يكون مخطط JSON. في نماذج اللغة الكبيرة (LLMs) التقليدية، يعتمد توليد النصوص على التنبؤ الاحتمالي بالرموز، ما يؤدي غالبًا إلى نص غير مهيكل وحر الصياغة. ومن خلال استخدام المخرجات المهيكلة، يمكن للمطورين ضمان إرجاع نظام الذكاء الاصطناعي لبيانات قابلة للقراءة آليًا ومتوقعة، مما يلغي الحاجة إلى نصوص تحليل هشة ومعالجة أخطاء معقدة.

فهم المخرجات المهيكلة في مقابل وضع JSON#

على الرغم من أن الإصدارات المبكرة من الذكاء الاصطناعي التوليدي قدّمت "وضع JSON" أساسيًا، فإن ذلك لم يضمن سوى أن يكون الناتج [JSON](https://ultralytics-translation-1.invalid صالحًا، من دون ضمان احتوائه على المفاتيح المحددة أو أنواع البيانات المطلوبة. وتحل المخرجات المهيكلة هذه المشكلة من خلال تقنية تُسمى فك الترميز المقيّد. وأثناء التوليد، يرشّح محرك الاستدلال مفردات النموذج في كل خطوة، ويحجب الرموز التي من شأنها انتهاك المخطط الذي يقدمه المطور. ويضمن ذلك الامتثال الكامل للمخطط بنسبة 100%.

يرتبط مفهوم استدعاء الدوال (استخدام الأدوات) ارتباطًا وثيقًا بهذه المنهجية. فبينما يتيح استدعاء الدوال للنماذج تحديد متى تنفّذ أداة خارجية، فإنه يعتمد بالكامل على المخرجات المهيكلة لملء المعلمات المطلوبة للأداة بدقة ومن دون هلوسات.

اعتماد القطاعات والأطر#

بين عامي 2024 و2025، جعل مزودو الذكاء الاصطناعي الرئيسيون المخرجات المهيكلة ميزة أصلية لتحسين موثوقية أنظمة المؤسسات. فعلى سبيل المثال، تتيح واجهة برمجة تطبيقات المخرجات المهيكلة من OpenAI للمطورين تعريف مخططات صارمة باستخدام Pydantic في Python أو Zod في JavaScript. وبالمثل، تدعم الآن أدوات المخرجات المهيكلة في Claude من Anthropic والمخرجات المهيكلة في Google Gemini فرض المخططات الصارمة للمطالبات المعقدة.

تستفيد منظومات المصادر المفتوحة أيضًا من أطر مثل vLLM وOutlines لتوفير منهجيات فك الترميز المقيّد للنماذج المخصصة المبنية باستخدام PyTorch.

التطبيقات الواقعية#

يحوّل تطبيق المخرجات المهيكلة استجابات الذكاء الاصطناعي الغامضة إلى بيانات النمذجة التنبؤية القابلة للتنفيذ. وتشمل حالات الاستخدام الرئيسية ما يلي:

• مسارات استخراج البيانات: تستخدم المؤسسات المخرجات المهيكلة لاستخراج كيانات محددة، مثل أسماء المرشحين وإجماليات الفواتير والتواريخ، من المستندات الأولية غير المهيكلة وإدخالها مباشرةً إلى قواعد بيانات SQL من دون إدخال البيانات يدويًا.
• وكلاء الذكاء الاصطناعي المستقلون: تعتمد مسارات العمل الوكيلة على البيانات المهيكلة للتنقل في البرمجيات المعقدة. فقد يحلل الوكيل استعلام المستخدم ويُخرج حمولة JSON صارمة تؤدي إلى تشغيل واجهة API خارجية، مع توسيع نطاق العمليات بأمان عبر أنظمة مثل خدمة نماذج Databricks.

المخرجات المهيكلة في الرؤية الحاسوبية#

على الرغم من مناقشة المخرجات المهيكلة على نطاق واسع في معالجة اللغة الطبيعية، فإنها تمثل مبدأ التشغيل الأساسي لـالرؤية الحاسوبية. ولا تُخرج نماذج الرؤية نصًا حر الصياغة؛ بل تنتج أصلاً موترات عالية التنظيم تمثل الإحداثيات والفئات ودرجات الثقة. فعلى سبيل المثال، تقيّم نماذج متقدمة مثل Ultralytics YOLO26 صورةً وتُرجع بيانات مكانية منسقة بصرامة، وهو ما يجعلها مثالية لـنشر النماذج بسلاسة في بيئات الحافة منخفضة زمن الاستجابة.

يوضح المقتطف التالي مدى سهولة استخراج نتائج اكتشاف الكائنات المهيكلة باستخدام الحزمة ultralytics:

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Perform inference to generate structured visual data
results = model("image.jpg")

# The model strictly outputs structured bounding box objects
for box in results[0].boxes:
    print(f"Class ID: {box.cls}, Confidence: {box.conf}, Coordinates: {box.xyxy}")

من خلال ردم الفجوة بين منطق الذكاء الاصطناعي الاحتمالي ومتطلبات البرمجيات الحتمية، تمثل المخرجات المهيكلة مكوّنًا حاسمًا في بناء أنظمة قابلة للتوسع وجاهزة للإنتاج على منصة Ultralytics وما يتجاوزها.