ما هي نافذة السياق في الذكاء الاصطناعي؟ دليل عملي

أبرز النقاط

• تحدّ نافذة السياق من كمية المعلومات التي يمكن لنموذج الذكاء الاصطناعي التعامل معها أثناء توليد استجابة واحدة.
• تُقاس بالرموز، لا بالصفحات أو الرسائل، وتحتاج عادةً إلى مساحة لكلٍّ من المدخلات والمخرجات.
• تساعد النافذة الأكبر في المهام الطويلة، لكن المعلومات ذات الصلة والتعليمات الواضحة تظل أهم من مجرد كثرة المحتوى.

نافذة السياق هي الحد الأقصى لكمية المعلومات التي يمكن لنموذج الذكاء الاصطناعي معالجتها بوصفها سياقًا عند توليد استجابة. تخيّلها مساحة عمل مؤقتة تضم التعليمات وسؤالك وسجل المحادثة ذي الصلة وأي مواد مقدَّمة، مع الحاجة عادةً إلى تخصيص مساحة للإجابة أيضًا.

كيف تعمل

يولّد النموذج اللغوي الكبير، أو LLM، الاستجابات باستخدام المعلومات المتاحة في سياقه الحالي. وفي روبوت المحادثة، قد يتضمن هذا السياق أكثر من الرسائل التي تراها.

وقد يحتوي على:

• تعليمات النظام التي توجّه سلوك المساعد.
• رسالتك الأخيرة وسجل المحادثة المُضمَّن.
• نص مستخرج من الملفات المرفوعة.
• معلومات مسترجعة من عملية بحث أو مكتبة مستندات.
• نتائج تُرجعها الأدوات المتصلة.

يُقاس السياق بالرموز

تعالج النماذج النص على هيئة رموز: وحدات قد تمثّل كلمة أو جزءًا من كلمة أو علامة ترقيم أو تسلسلًا آخر من المحارف.

لا توجد قاعدة موثوقة لتحويل عدد الرموز إلى عدد الكلمات على أساس رمز واحد لكل كلمة. يختلف عدد الرموز باختلاف اللغة والتنسيق والشيفرة البرمجية وأداة الترميز الخاصة بالنموذج. وقد تستهلك الصور والصوت والمدخلات الأخرى المدعومة جزءًا من السعة أيضًا، بحسب النموذج.

في كثير من النماذج، تتشارك المدخلات والمخرجات المُولَّدة سعة إجمالية واحدة للسياق. وقد يوجد أيضًا حد أقصى منفصل لطول المخرجات.

على سبيل المثال، تخيّل نموذجًا بنافذة افتراضية تتسع لـ32,000 رمز. إذا استهلكت التعليمات وسجل المحادثة والمستندات 28,000 رمز، فسيتبقى نحو 4,000 رمز للتوليد عند استخدام سعة مشتركة. لكن هذا لا يضمن إجابة بطول 4,000 رمز، إذ قد تنطبق حدود أخرى.

ماذا يحدث عندما تمتلئ النافذة؟

تعتمد النتيجة على التطبيق. فقد يرفض طلبًا يتجاوز الحجم المسموح، أو يحذف الرسائل الأقدم، أو يلخّص النقاش السابق، أو يختار مقاطع محددة فقط من المستندات.

لهذا قد يبدو أن روبوت المحادثة «نسي» شيئًا قلته سابقًا. فقد لا يعود ذلك التفصيل مُضمَّنًا في السياق المُرسَل إلى النموذج.

السياق ليس هو التدريب أو الذاكرة الدائمة. يشكّل التدريب القدرات التي يتعلمها النموذج. أما السياق فيوفّر المعلومات اللازمة للاستجابة الحالية. وتُعد ميزة الذاكرة في المنتج، إن توفرت، آلية منفصلة قد تُدخل معلومات مختارة في محادثات لاحقة.

أمثلة واقعية

مراجعة مستند طويل

لنفترض أنك طلبت من ChatGPT تلخيص تقرير مرفوع ومقارنة توصياته بموجز مشروع.

تؤدي المهمة أفضل نتائجها عندما تكون المواد ذات الصلة متاحة للنموذج. وبحسب المنتج وحجم الملف، قد يُضمِّن التطبيق النص المستخرج مباشرةً أو يسترجع مقاطع مختارة بدلًا من وضع المستند بأكمله في السياق.

إذا أُغفل ملحق مهم، فاسأل عنه تحديدًا وعيّن القسم المقصود. رفع ملف لا يضمن أن يؤثر كل تفصيل فيه في كل إجابة.

الإجابة عن أسئلة العملاء

يمكن لروبوت محادثة لدعم العملاء مبني باستخدام Chatbase الاستعانة بمحتوى الموقع الإلكتروني والمستندات للإجابة عن الأسئلة المتعلقة بنشاط تجاري.

من الأساليب الشائعة للمساعدين المعتمدين على المستندات التوليد المعزَّز بالاسترجاع، أو RAG. فبدلًا من إرسال مكتبة المعرفة بأكملها مع كل سؤال، يسترجع النظام المقاطع ذات الصلة ويُضمّنها في سياق النموذج.

يتيح ذلك الاستفادة من مجموعات كبيرة من المحتوى دون اشتراط استيعاب جميع صفحاتها دفعة واحدة. ومع ذلك، قد تظل الإجابة غير مكتملة إذا اختارت عملية الاسترجاع مواد غير مناسبة.

العمل على مشروع طويل

تخيّل روبوت محادثة يساعد في صياغة مقترح عبر رسائل كثيرة. في البداية، تحدد الجمهور وقيود الميزانية والنبرة المفضلة. ثم تطلب لاحقًا إعادة صياغة نهائية.

إذا لم تعد تلك المتطلبات الأصلية موجودة في السياق، فقد تنحرف الإجابة عنها. وقد يكون موجز قصير ومحدَّث للمشروع أكثر فائدة من الاعتماد على محادثة طويلة للاحتفاظ بكل تعليماتك.

الفوائد والحدود

يمكن لنافذة سياق أكبر أن تساعد النموذج اللغوي الكبير على:

• مقارنة عدة مستندات في مهمة واحدة.
• متابعة محادثة أطول.
• مراجعة مزيد من الشيفرة البرمجية والوثائق الداعمة معًا.
• استخدام تعليمات مفصّلة إلى جانب المواد المصدرية.

لكن النافذة الأكبر لا تنتج تلقائيًا إجابة أفضل.

أولًا، السعة لا تعني بالضرورة الانتباه الموثوق. فقد يغفل النموذج تفصيلًا حتى لو كان ضمن حدود النافذة، لا سيما عندما تكون المواد متكررة أو مشتتة أو متناقضة.

ثانيًا، قد تؤدي زيادة السياق إلى زيادة وقت المعالجة ومتطلبات الحوسبة وتكاليف الاستخدام، بحسب النموذج والخدمة. وقد يجعل ملء النافذة دون حاجة مهمةً بسيطةً أقل كفاءة.

ثالثًا، سعة السياق وطول الإجابة حدّان مختلفان. فقد يقبل النموذج مستندًا طويلًا، بينما يكون الحد الأقصى لطول استجابته أصغر بكثير.

وأخيرًا، لا تضمن النافذة الكبيرة دقة الحقائق أو الوصول التلقائي إلى معلومات حديثة. فلا يزال المساعد بحاجة إلى مصادر مناسبة، وينبغي التحقق من الادعاءات المهمة بالرجوع إليها.

كيف تبدأ

1. تحقّق من حدود النموذج والتطبيق

ابحث عن سعة نافذة السياق والحد الأقصى لطول المخرجات في النموذج المحدد الذي تستخدمه. قد تختلف الحدود باختلاف إصدارات النموذج وإعدادات التطبيق.

إذا كنت تشغّل النماذج محليًا باستخدام Ollama، فتحقّق من طول السياق الذي يدعمه النموذج ومن الإعدادات التي ضبطتها. قد تتطلب السياقات الأكبر ذاكرة أكثر؛ وقد لا يكون الحد الأقصى المُعلَن عمليًا على حاسوبك.

2. قدّم موجزًا مختصرًا للمهمة

حدّد الهدف والجمهور والقيود والمخرجات المطلوبة قبل إضافة المواد الخلفية.

على سبيل المثال:

قارن بين وثيقتَي السياسات هاتين. ركّز على الاختلافات في شروط الأهلية والمواعيد النهائية. أشر إلى القسم ذي الصلة لكل نتيجة. إذا كان أحد التفاصيل مفقودًا، فاذكر ذلك.

تساعد الأولويات الواضحة النموذج على استخدام مساحة العمل المتاحة له بفعالية.

3. قسّم المهام الكبيرة إلى مراحل

عند التعامل مع تقرير طويل، لخّص الأقسام منفردةً أولًا، ثم اجمع الملخصات. احتفظ بإشارات إلى الأقسام الأصلية حتى تتمكن من التحقق من التفاصيل المهمة.

تذكّر أن الملخصات تستبعد بعض المعلومات. عُد إلى النص الأصلي عندما تكون الدقة مهمة.

4. استخدم الاسترجاع مع المجموعات الكبيرة

إذا كنت تبني مساعدًا يعتمد على مستندات كثيرة، ففكّر في استخدام الاسترجاع بدلًا من إدراج كل شيء في كل طلب.

يمكن لأطر التطوير مثل LlamaIndex وLangChain أن تساعد في ربط البيانات وتنظيم سير عمل النماذج اللغوية الكبيرة. ومع ذلك، يظل الاسترجاع بحاجة إلى إعداد وتقييم دقيقين.

5. جدّد المتطلبات الأساسية

أثناء المحادثات الطويلة، أعد ذكر القيود الحاسمة أو ابدأ محادثة جديدة بموجز محدَّث. واطلب من المساعد سرد الافتراضات التي يعتمد عليها قبل تقديم إجابة نهائية مهمة.

الأسئلة الشائعة

هل نافذة السياق هي نفسها ذاكرة الذكاء الاصطناعي؟

لا. نافذة السياق هي المعلومات المتاحة للاستجابة الحالية. أما الذاكرة الدائمة، حيثما تكون مدعومة، فهي ميزة منفصلة في المنتج يمكنها توفير معلومات مختارة عبر المحادثات.

هل تجعل نافذة السياق الأكبر روبوت المحادثة أذكى؟

ليس بمفردها. فهي تتيح لروبوت المحادثة التعامل مع مواد أكثر دفعة واحدة، لكن القدرة على الاستدلال وجودة المصادر والاسترجاع واتباع التعليمات تؤثر أيضًا في النتائج.

كيف أعرف ما إذا كانت مطالبتي طويلة أكثر من اللازم؟

استخدم أداة الترميز الخاصة بالنموذج أو عدّاد الرموز في تطبيقك عند توفره. واترك مساحة للتعليمات والمخرجات. إذا بلغت أحد الحدود، فاحذف التكرار، أو ضيّق نطاق المهمة، أو قسّم المواد إلى أقسام أصغر.