ما هو RAG؟ كيف يجيب الذكاء الاصطناعي من بيانات شركتك

اسأل مساعد ذكاء اصطناعي عامًّا عن سياسة الاسترداد لديك أو عن عقد العام الماضي، وسيرفض الإجابة أو يختلق شيئًا بثقة. فـالنموذج اللغوي الكبير يعرف ما رآه في أثناء التدريب، ولم يرَ وثائقك قط.

يحل هذه المشكلة RAG، أي التوليد المعزز بالاسترجاع. فقبل الإجابة، يعثر النظام على المقاطع ذات الصلة في مصادرك ويقدمها إلى النموذج. وهكذا تستند الإجابة إلى بياناتك، ويمكن إظهار مصدر كل معلومة فيها.

كيف يعمل RAG

تتكون العملية من جزأين: إعداد المعرفة مسبقًا، ثم الإجابة عن السؤال.

الإعداد:

1. جمع المصادر: الوثائق وصفحات المعرفة والطلبات والسياسات.
2. تقسيمها إلى مقاطع صغيرة.
3. تحويل كل مقطع إلى تمثيل رقمي لمعناه، يسمى التضمين (embedding)، وحفظه في فهرس بحث.

الإجابة:

1. يطرح المستخدم سؤالًا.
2. يعثر النظام على أنسب المقاطع. وتجمع الأنظمة الجيدة بين البحث بالمعنى والبحث العادي بالكلمات، لأن رموز المنتجات والأسماء الدقيقة كثيرًا ما تضيع في البحث بالمعنى وحده.
3. يتلقى النموذج السؤال والمقاطع، ويكتب إجابة تستند إليها مع روابط إلى المصادر.

لا يتغير النموذج نفسه. ويمكن تحديث المعرفة بتحديث الفهرس فقط، بدون إعادة تدريب.

متى تحتاج الشركة إلى RAG

يناسب RAG الحالات التي تكون فيها الإجابة في نص، ويكون النص قابلًا للتغير:

• المعرفة الداخلية. السياسات والإجراءات والتعليمات التي يسأل عنها الموظفون باستمرار.
• دعم العملاء. مسودات إجابات تستند إلى الوثائق والطلبات السابقة.
• العقود واللوائح. العثور على البند المطلوب بين آلاف الصفحات مع رابط إليه.
• الوثائق التقنية. الأدلة والمواصفات والملاحظات الهندسية.

متى لا يكون RAG الأداة المناسبة

• الأسئلة عن الأرقام. يتطلب سؤال مثل «كم بلغت مبيعات الربع الماضي؟» استعلامًا من قاعدة بيانات أو نموذج ذكاء أعمال BI، لا بحثًا في النصوص. فالمقاطع النصية ستعطيك رقمًا قديمًا من تقرير قديم.
• عدد قليل من الوثائق الثابتة. إذا كانت المعرفة تتسع في صفحتين، فيمكن إدراجها مباشرة في تعليمات النموذج.
• القرارات التي تتطلب صورة كاملة. يعثر RAG على مقاطع فقط. أما سؤال مثل «أي من عقودنا كلها ينتهي هذا العام؟» فيتطلب معالجة كل وثيقة، لا استرجاع بعضها.

ما الذي يسوء عادةً

المصادر رديئة

هذا هو السبب الأكثر شيوعًا. فإذا وُجدت ثلاث نسخ من سياسة ما ولم يعرف أحد أيها السارية، فسيقتبس النموذج أيًّا منها. لا يصلح RAG مشكلات البيانات، بل يكشفها أسرع. ويفيد وجود مالك للوثائق وتنظيف بسيط أكثر من نموذج أقوى. وتنطبق هنا مبادئ أي تدقيق لجودة البيانات.

المقاطع مقسمة تقسيمًا سيئًا

إذا قُسمت الوثيقة بدون مراعاة بنيتها، فقد يقع الشرط في مقطع والاستثناء منه في مقطع آخر. وتحتاج الجداول والوثائق الممسوحة ضوئيًا إلى معالجة منفصلة، وإلا ضاع محتواها.

تجاهل صلاحيات الوصول

يجب ألا يُظهر المساعد لكل شخص إلا ما يحق له رؤيته. فإذا احتوى الفهرس على الرواتب ومحاضر مجلس الإدارة مع كل شيء آخر، فقد يكشفها سؤال عابر. ويجب تطبيق الصلاحيات لحظة البحث، بالأذونات نفسها المعمول بها في الأنظمة المصدر.

لا أحد يقيس الجودة

بدون قياس، يحكم الفريق استنادًا إلى بضعة عروض مبهرة، ويصبح كل تغيير مجرد تخمين. وعندها تأتي أول شكوى من المستخدمين مفاجأةً.

الفهرس يتقادم

تتغير الوثيقة في المصدر، ويبقى النص القديم في الفهرس. لذا يجب أن يكون التحديث تلقائيًا، بما في ذلك إزالة الوثائق المحذوفة.

كيف تتحقق من الجودة

أنشئ مجموعة اختبار من أسئلة حقيقية، نحو 50 إلى 100 سؤال، مع إجابات صحيحة ومصادر معروفة. شغّلها بعد كل تغيير وانظر في أربعة أمور:

• البحث. هل عثر النظام على المقطع الصحيح؟
• الدقة. هل تقول الإجابة ما يقوله المصدر، بدون إضافات؟
• المصادر. هل تؤدي الروابط إلى مقاطع تدعم الإجابة فعلًا؟
• الامتناع. إذا لم تكن الإجابة في البيانات، فهل يقول النظام ذلك بدلًا من اختلاق شيء؟

ابدأ بالبحث: فإذا لم يُعثر على المقطع الصحيح، فلن يجد النموذج ما يعمل عليه.

من أين تبدأ

1. اختر حالة استخدام واحدة لها مالك واضح وتدفق حقيقي من الأسئلة.
2. حدد مصادرها ونظّمها.
3. اكتب مجموعة الاختبار قبل بناء أي شيء.
4. أنشئ نموذجًا تجريبيًا يطبق صلاحيات الوصول من اليوم الأول.
5. قدّمه إلى مجموعة صغيرة مع طريقة للإشارة إلى الإجابات السيئة، وأضف هذه الإجابات إلى مجموعة الاختبار.
6. لا تتوسع إلا بعد استقرار أرقام الجودة.

ويجب أن تقرر أيضًا أين سيعمل النظام. فإذا كانت الوثائق لا يمكن أن تغادر بنيتك التحتية، فقارن الخيارات في مقالة مقر الشركة أم السحابة للذكاء الاصطناعي المؤسسي.

الخلاصة

يتيح RAG للنموذج أن يجيب من بياناتك لا من ذاكرته. والتقنية مفهومة جيدًا، وتعتمد النتائج أساسًا على جودة المصادر وصلاحيات الوصول والقياس المنتظم.

إذا كنت تفكر في ذلك لشركتك، فاطّلع على خدمة RAG. وإذا كان على المساعد أن يتصرف أيضًا داخل أنظمتك، فاقرأ عن وكلاء الذكاء الاصطناعي.

المصادر

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks، Lewis وآخرون، 2020، البحث الذي قدّم هذا المصطلح