RAG (التوليد المعزز بالاسترجاع)

ما المقصود بـ RAG (التوليد المعزز بالاسترجاع)؟

التوليد المعزز بالاسترجاع (RAG) هو بنية ذكاء اصطناعي تجمع بين استرجاع المعلومات وتوليد النصوص لتقديم ردود دقيقة ومستندة إلى مصادر. فبدلًا من الاعتماد فقط على المعرفة الداخلية لـالنموذج اللغوي الكبير (LLM)، التي قد تكون قديمة أو ناقصة، يسترجع RAG المستندات ذات الصلة من مصدر معرفي خارجي ويمرر هذا السياق إلى النموذج اللغوي أثناء التوليد. ويُعد نهج «الاسترجاع ثم التوليد» أساس منصات خدمة العملاء بالذكاء الاصطناعي الحديثة، لأنه يحدّ من هلوسة الذكاء الاصطناعي ويضمن استناد الإجابات إلى معلومات موثقة ومحدّثة.

كيف يعمل RAG؟

يعمل مسار RAG على مرحلتين رئيسيتين: الاسترجاع والتوليد.

مرحلة الاسترجاع: عندما يرسل العميل استفسارًا، يحوّله النظام إلى تضمين متجهي كثيف، وهو تمثيل رقمي يلتقط المعنى الدلالي. ثم يُقارَن هذا التضمين بفهرس متجهي لمستندات معالجة مسبقًا (مقالات المساعدة، ووثائق المنتجات، وصفحات السياسات، والتذاكر السابقة) باستخدام خوارزميات البحث بالتشابه مثل تشابه جيب التمام أو البحث التقريبي عن أقرب جار (ANN). وتُسترجع أجزاء المستندات الأكثر صلة ويُعاد ترتيبها. وتعزز التطبيقات المتقدمة البحث المتجهي بعمليات بحث في الرسم البياني المعرفي وبالاسترجاع القائم على الكلمات المفتاحية (البحث الهجين) لالتقاط المعنى الدلالي والمصطلحات المطابقة حرفيًا، مثل رموز المنتجات أو معرّفات الأخطاء.

مرحلة التوليد: تُدرج أجزاء المستندات المسترجعة في موجّه النموذج اللغوي الكبير بوصفها سياقًا. ويولّد النموذج ردًا يدمج المعلومات المسترجعة في إجابة متماسكة بلغة طبيعية. ولأن النموذج يعتمد على مادة مصدرية حقيقية لا على ذاكرته البارامترية وحدها، يأتي الرد مستندًا إلى الحقائق ويمكن تتبّعه إلى مستندات محددة.

تضيف أنظمة RAG المعدّة للإنتاج خطوات وسيطة: إعادة صياغة الاستفسار لتحسين جودة الاسترجاع، وإعادة الترتيب لتقديم الأجزاء الأكثر صلة، وتقنيات RAG Fusion التي تدمج نتائج استراتيجيات استرجاع متعددة. وتقلل هذه التحسينات التشويش وترفع الدقة.

لماذا يُعد RAG مهمًا؟

النماذج اللغوية الكبيرة أدوات توليد قوية، لكنها تعاني قيدًا جوهريًا: فقد تنتج معلومات تبدو صحيحة لكنها خاطئة في الواقع. وهذا ما يُعرف بالهلوسة، وفي خدمة العملاء قد يعني تزويد العميل بسياسة فوترة غير صحيحة، أو خطوة خاطئة لحل مشكلة، أو ميزة غير موجودة. ويعالج RAG ذلك بربط كل رد بأدلة مسترجعة.

أثبتت الورقة البحثية التأسيسية لـ RAG التي أعدّها Lewis وزملاؤه (2020) ونُشرت في NeurIPS أن الجمع بين نموذج لغوي مدرَّب مسبقًا ومسترجع عصبي يعمل على مستندات خارجية يُنتج مخرجات أكثر تحديدًا وتنوعًا ودقة من النماذج البارامترية وحدها. ومنذ ذلك الحين أصبحت هذه البنية المعيار لتطبيقات الذكاء الاصطناعي كثيفة المعرفة، كما هو موثق في البحث الأصلي حول RAG على arXiv.

في خدمة العملاء، يكون أثر RAG مباشرًا؛ إذ يستطيع وكيل الذكاء الاصطناعي الاستشهاد بمصادره، ويمكن لفرق الدعم التحقق من الدقة، ويحصل العملاء على إجابات مبنية على المعرفة الفعلية للشركة لا على أفضل تخمين للنموذج. كما يسهّل RAG إبقاء الذكاء الاصطناعي محدّثًا: يكفي تحديث فهرس المستندات لتنعكس المعلومات الجديدة فورًا دون إعادة تدريب.

حالات الاستخدام والتطبيقات

يمثل RAG الركيزة التقنية لدعم دقيق بالذكاء الاصطناعي في مختلف القطاعات:

• دعم العملاء: استرجاع مقالات المساعدة ووثائق المنتجات وبيانات الحسابات لتقديم إجابات دقيقة عن أسئلة العملاء
• إدارة المعرفة الداخلية: تمكين الموظفين من الاستعلام عبر Confluence وNotion وGoogle Drive وغيرها من المستودعات باستخدام اللغة الطبيعية
• الامتثال والقطاعات الخاضعة للتنظيم: ربط كل رد من ردود الذكاء الاصطناعي بوثائق السياسات المعتمدة والاحتفاظ بسجلات الاستشهاد لأغراض التدقيق
• حل المشكلات التقنية: استخراج وثائق الأخطاء ومراجع API وأنماط الحلول السابقة لتوجيه تفاعلات دعم SaaS
• الدعم متعدد اللغات: استرجاع المستندات المصدرية بلغة ما وتوليد الردود باللغة التي يفضّلها العميل

ميزة Maven

تقوم منصة Maven AGI على بنية RAG متطورة. إذ يستخدم Agent Maven بحثًا هجينًا يجمع بين التضمينات المتجهية الكثيفة وعمليات البحث المنظَّمة في الرسم البياني المعرفي عبر أكثر من 100 مصدر بيانات متصل. وتضمن إعادة الترتيب متعددة المراحل ودمج السياق وصول المعلومات الأكثر صلة إلى طبقة التوليد، ما يُنتج ردودًا دقيقة ومكتملة.

حققت Enumerate، وهي شركة في مجال التقنيات العقارية (PropTech)، معدل حل بلغ 91% مع Maven AGI. ولا يتأتى هذا المستوى من الدقة إلا لأن مسار RAG في Maven يسترجع معلومات موثقة من قاعدة المعرفة وأنظمة المنتجات الخاصة بالشركة، لا من الذاكرة البارامترية للنموذج اللغوي الكبير، ما يزيل خطر الهلوسة الذي يقوّض الثقة في الدعم بالذكاء الاصطناعي.

تتعامل Maven AGI، المدعومة بتمويل قدره 78 مليون دولار، مع RAG بوصفه طبقة أساسية. فكل رد يولّده Agent Maven يستند إلى أدلة مسترجعة، مع الاستشهاد بالمصادر لضمان الشفافية. ولهذا يحقق عملاء Maven مثل K1x معدل حل يبلغ 80% (10 أضعاف ما حققه حل الذكاء الاصطناعي السابق)، وتحقق Papaya Pay حلًا مستقلًا بنسبة 90%. لمعرفة المزيد، اطّلعوا على أبحاث IBM حول التوليد المعزز بالاسترجاع، أو استكشفوا تطور الاسترجاع الهجين في أحدث الأبحاث حول RAG مع الرسوم البيانية المعرفية.

الأسئلة الشائعة

كيف يحدّ RAG من هلوسة الذكاء الاصطناعي؟

يحدّ RAG من الهلوسة بجعل مخرجات النموذج اللغوي مشروطة بالمستندات المصدرية المسترجعة بدلًا من الاعتماد على المعاملات الداخلية وحدها. فالنموذج يستقي إجاباته من مقاطع نصية محددة وموثقة. وإذا لم يتضمن السياق المسترجع الإجابة، فإن أنظمة RAG المصممة جيدًا تقرّ بوجود هذه الفجوة بدلًا من اختلاق رد.

ما التضمينات المتجهية ولماذا تهم RAG؟

التضمينات المتجهية تمثيلات رقمية للنصوص تلتقط المعنى الدلالي. فكلمة «استرداد» وعبارة «أريد استعادة أموالي» تحملان تضمينات متقاربة رغم عدم اشتراكهما في أي كلمة. وفي RAG، تتيح التضمينات البحث الدلالي، إذ يعثر النظام على المستندات ذات الصلة من حيث المفهوم، لا مجرد المطابقات الحرفية للكلمات المفتاحية. وهذا ما يجعل RAG أكثر فعالية بكثير من البحث التقليدي في الذكاء الاصطناعي التحاوري.

هل يتطلب RAG إعادة تدريب النموذج اللغوي؟

لا. فمن أبرز مزايا RAG أن النموذج اللغوي لا يحتاج إلى إعادة تدريب عند تغيّر المعلومات. إذ تحدّث الفرق فهرس المستندات، فتُظهر طبقة الاسترجاع المعلومات الحالية فورًا أثناء التوليد. وهذا يجعل RAG مثاليًا للبيئات سريعة التغيّر مثل دعم SaaS حيث تتغير الوثائق باستمرار.

ما البحث الهجين في نظام RAG؟

يجمع البحث الهجين بين البحث الدلالي القائم على المتجهات والاسترجاع القائم على الكلمات المفتاحية (BM25 أو ما يماثله). فالبحث المتجهي يتفوق في فهم المعنى والنية، بينما يتفوق البحث بالكلمات المفتاحية في المطابقات الحرفية مثل رموز المنتجات ومعرّفات الأخطاء. ويضمن الجمع بينهما أن يسترجع مسار RAG نتائج ذات صلة سواء كان الاستفسار حواريًا أو محددًا. وتعتمد Maven AGI هذا النهج الهجين في منصتها للدعم المؤسسي بالذكاء الاصطناعي.