ما هو RAG؟ كيف يستخدم الذكاء الاصطناعي البحث لتقديم إجابات أفضل

أبرز النقاط

• يزوّد RAG نموذج الذكاء الاصطناعي بمعلومات ذات صلة ليرجع إليها قبل الإجابة، بدلًا من الاعتماد فقط على ما تعلّمه أثناء التدريب.
• يمكنه ربط المساعد بمعارف الشركة أو الأوراق البحثية أو محتوى الويب الحالي دون إعادة تدريب النموذج الأساسي.
• قد يؤدي تحسين الاسترجاع إلى تحسين الإجابات، لكن RAG يظل بحاجة إلى مصادر موثوقة وضوابط وصول وفحوصات لاكتشاف الأخطاء.

التوليد المعزّز بالاسترجاع (RAG) هو أسلوب يجمع بين البحث عن المعلومات والإجابات التي يولّدها الذكاء الاصطناعي: يسترجع النظام مواد ذات صلة ويقدّمها إلى نموذج لغوي لتكون سياقًا له. وتكمن أهميته في مساعدة الذكاء الاصطناعي على الإجابة عن الأسئلة باستخدام معارف محددة أو حديثة أو خاصة قد لا تكون متاحة في بيانات تدريبه.

كيف يعمل

تخيّل أن RAG يتيح لمساعد الذكاء الاصطناعي خوض امتحان يُسمح فيه بالرجوع إلى الكتب. فبدلًا من الإجابة اعتمادًا على الذاكرة وحدها، يتلقى مواد مرجعية مختارة قبل كتابة إجابته.

يتكوّن سير العمل المعتاد في RAG من خمس خطوات:

1. إعداد المصادر. اجمع المستندات أو مقالات المساعدة أو السياسات أو غيرها من البيانات. أزل النسخ القديمة واحتفظ بالتفاصيل المفيدة مثل العناوين والتواريخ وأذونات الوصول.
2. جعل المحتوى قابلًا للبحث. قسّم المستندات الطويلة إلى أقسام يسهل التعامل معها، غالبًا ما تُسمّى مقاطع، وأضفها إلى فهرس بحث. تُنشئ أنظمة كثيرة أيضًا تضمينات: وهي تمثيلات رقمية تساعد على مطابقة النصوص بحسب المعنى.
3. استرجاع المواد ذات الصلة. عندما يطرح شخص ما سؤالًا، يبحث النظام عن مقاطع مفيدة. وقد يستخدم البحث بالكلمات المفتاحية أو البحث بالتشابه أو كليهما.
4. تزويد النموذج بالسياق. تُدرج المقاطع المختارة إلى جانب السؤال والتعليمات، مثل «أجب اعتمادًا على هذه المصادر فقط».
5. توليد إجابة. يُنتج النموذج إجابة استنادًا إلى ذلك السياق. ويمكن للتطبيق عرض إحالات إلى المصادر ليتمكن القرّاء من التحقق من المواد الداعمة.

على سبيل المثال، يسأل أحدهم: «ما سياسة إجازة الوالدية لدينا؟» يعثر النظام على الأقسام ذات الصلة في سياسة الموارد البشرية الحالية ويزوّد النموذج بها. ثم يشرح المساعد تلك الأقسام بلغة إنجليزية مبسّطة.

لا يغيّر RAG عادةً المعرفة الأساسية للنموذج. بل يغيّر المعلومات المتاحة لإجابة بعينها. ولذلك، يمكن لتحديث المستندات المصدرية وفهرس البحث أن يحدّث ما يستطيع المساعد الرجوع إليه.

أمثلة من الواقع

مساعدو المعرفة الداخلية

غالبًا ما يهدر الموظفون وقتًا في البحث بين الأدلة والمجلدات المشتركة والوثائق الداخلية. ويمكن لمساعد يعتمد على RAG استرجاع المقاطع ذات الصلة وتحويلها إلى إجابة مباشرة.

ينبغي أن تحدد الإجابة المفيدة المصدر وتاريخ سريانه، إن كان متاحًا. ويجب أن تراعي أيضًا أذونات المستندات: فلا ينبغي أن يتلقى الموظف معلومات سرية لمجرد أن المساعد يستطيع البحث فيها.

دعم العملاء

يمكن لمساعد الدعم استرجاع أدلة الإعداد وخطوات استكشاف الأخطاء وإصلاحها وسياسات المنتجات قبل الرد.

ويكون ذلك مفيدًا خصوصًا عندما تتغير وثائق المنتج باستمرار. لكن استرجاع سياسة استرداد الأموال لا يمنح المساعد صلاحية تنفيذ عملية استرداد. فالعثور على المعلومات واتخاذ الإجراءات قدرتان منفصلتان تحتاج كل منهما إلى ضوابط مستقلة.

البحث ومراجعة الأدلة

يمكن للباحثين استخدام RAG للعثور على أقسام ذات صلة ضمن مجموعة من الأوراق البحثية وطلب ملخّص يستند إلى المصادر.

قد يقارن النظام النتائج أو يبرز أوجه الاختلاف، لكنه قد يفوّت ورقة مهمة أو يسيء تفسير نتيجة. وتتطلب الاستنتاجات ذات التبعات الكبيرة التحقق من الأدلة الأصلية.

ومن الأمثلة المعروفة على الإجابات المدعومة بالاسترجاع، يجمع Perplexity بين البحث على الويب وإجابات الذكاء الاصطناعي والاستشهاد بالمصادر. ويوضح ذلك الفكرة الأوسع المتمثلة في العثور على المعلومات قبل تقديم الإجابة؛ ومع ذلك، تظل الاستشهادات بحاجة إلى التحقق.

أسئلة بيانات الأعمال

تتطلب بعض الأسئلة إجراء حسابات بدلًا من الاستعانة بمقاطع من المستندات. فسؤال «كم بلغت المبيعات الشهر الماضي؟» يُجاب عنه بصورة أفضل عبر الاستعلام من قاعدة البيانات ذات الصلة، لا عبر البحث في تقرير قديم.

تدعم أدوات مثل Snowflake Copilot وSeek AI مسارات عمل لتحويل اللغة الطبيعية إلى SQL. وهذه أساليب ذات صلة لربط الذكاء الاصطناعي بالبيانات، لكن توليد SQL ليس تلقائيًا هو نفسه RAG القائم على المستندات. وقد يجمع مساعد أشمل بين النهجين.

الفوائد والقيود

الفائدة الرئيسية هي الصلة بالسياق. يمكن أن يساعد RAG المساعدَ على استخدام مصطلحات مؤسستك وإجراءاتها ومعارفها المتخصصة بدلًا من إنتاج إجابة عامة.

يمكنه تسهيل التحديثات. عندما تتغير سياسة ما، يكون تحديث المصدر القابل للبحث غالبًا أكثر عملية من إعادة تدريب نموذج. ومع ذلك، يجب أن تلتقط عملية الفهرسة التغيير وتزيل المواد التي لم تعد صالحة.

يمكنه تحسين قابلية التتبّع. إن عرض المقاطع التي تستند إليها الإجابة يسهّل التحقق. ولا يكون الاستشهاد مفيدًا إلا إذا كان يدعم فعلًا الادعاء المرتبط به.

وهناك قيود مهمة:

• قد يفشل الاسترجاع. إذا لم يعثر البحث على المستند الصحيح، فقد يفتقر النموذج إلى المعلومات اللازمة للإجابة.
• قد تكون المصادر خاطئة. يمكن أن تؤدي المستندات القديمة أو المتناقضة إلى إجابات مضللة.
• قد يظل النموذج يختلق تفاصيل. يقلّل RAG بعض فرص تقديم إجابات غير مدعومة؛ لكنه لا يقضي على الهلوسات.
• يتطلب الأمان تصميمًا مدروسًا. ينبغي فرض الأذونات أثناء الاسترجاع. وقد يحتوي النص المسترجع أيضًا على تعليمات خبيثة، لذا يجب التعامل معه بوصفه دليلًا، لا سلطة تتحكم في النظام.
• تضيف الخطوات الإضافية أعباءً. يضيف البحث والفهرسة ومعالجة النموذج تكاليف وزمن تأخير.

في القرارات القانونية أو الطبية أو المالية أو غيرها من القرارات ذات التبعات المهمة، استخدم RAG لدعم مراجعة يجريها مختصون مؤهلون، لا ليحلّ محلها.

كيف تبدأ

1. اختر مشكلة واحدة محددة النطاق. ابدأ بشيء قابل للقياس، مثل الإجابة عن أسئلة من دليل دعم واحد. وتجنّب ربط جميع أنظمة الشركة دفعة واحدة.

2. نظّم مصدر المعرفة. اختر مستندات معتمدة، وأزل النسخ المكررة، وميّز الإصدارات. وغالبًا ما تكون جودة المواد المصدرية أهم من إعداد منظومة ذكاء اصطناعي أكثر تعقيدًا.

3. اختر نهجًا للاسترجاع. يعمل البحث بالكلمات المفتاحية جيدًا مع المعرّفات والعبارات الدقيقة. ويساعد البحث بالتشابه عندما يصف الأشخاص الفكرة نفسها بكلمات مختلفة. وقد يكون الجمع بينهما مفيدًا.

Pinecone قاعدة بيانات متجهية مصممة للبحث بالتشابه. ويمكنها دعم طبقة الاسترجاع، لكن تطبيق RAG متكاملًا يحتاج أيضًا إلى معالجة المستندات ونموذج لغوي وأذونات وتقييم.

4. حدّد سلوكًا آمنًا للإجابة. اطلب من المساعد الاستشهاد بالمقاطع الداعمة، والتنبيه إلى التعارضات، والتصريح عندما يفتقر إلى أدلة كافية. ولا تفترض أن التعليمات وحدها تضمن الالتزام.

5. اختبر بأسئلة واقعية. أدرج أسئلة مباشرة وصياغات ملتبسة وسياسات قديمة وأسئلة لا تستطيع المصادر الإجابة عنها. وافحص جودة الاسترجاع بصورة منفصلة عن جودة الإجابات.

6. أجرِ تجربة محدودة قبل التوسع. تتبّع الإجابات الخاطئة والمصادر المفقودة وزمن الاستجابة وملاحظات المستخدمين. وعالج المشكلات المتكررة قبل إضافة المزيد من البيانات أو المستخدمين.

الأسئلة الشائعة

هل RAG هو نفسه الضبط الدقيق؟

لا. يوفّر RAG معلومات مرجعية وقت الإجابة. أما الضبط الدقيق فيغيّر النموذج من خلال تدريب إضافي، غالبًا لتحسين السلوك أو الأسلوب أو الأداء في المهام. ويمكن استخدامهما معًا، لكن لكل منهما غرض مختلف.

هل يتطلب RAG قاعدة بيانات متجهية؟

لا. يمكن أن يستخدم RAG البحث بالكلمات المفتاحية أو غيره من أساليب الاسترجاع. وتُعد قواعد البيانات المتجهية مفيدة للبحث بالتشابه، لكن الخيار المناسب يعتمد على محتواك وأسئلتك وبنيتك التحتية الحالية.

هل يضمن RAG إجابات دقيقة؟

لا. تعتمد الدقة على المواد المصدرية وجودة الاسترجاع ومدى التزام النموذج بالأدلة عند استخدامها. وتظل الإحالات إلى المصادر والاختبارات الواقعية والمراجعة البشرية مهمة، خصوصًا عندما تترتب على الأخطاء عواقب خطيرة.