ما تقنية RAG، وماذا تقدّم للمؤسسة؟
التوليد المعزَّز بالاسترجاع (RAG، اختصارًا لـ Retrieval-Augmented Generation) أسلوب يقرن نموذجًا لغويًا كبيرًا (LLM) بمحرّك بحث يعمل على وثائقكم الخاصة. فبدل أن يجيب النموذج من ذاكرته، يتلقّى مع كل سؤال أكثر المقاطع صلةً به من قاعدة وثائقكم، ثم يصوغ إجابته انطلاقًا منها مع الإشارة إلى مصادرها.
والفائدة ملموسة: العثور على بند بعينه وسط مئات العقود، أو الإجابة عن سؤال حول إجراء من إجراءات الجودة، أو مساعدة تقنيّ على بلوغ القسم الصحيح من دليل الصيانة، أو تمكين موظف جديد من البحث في الوثائق الداخلية وطرح أسئلته عليها بالعربية أو الفرنسية أو الإنجليزية.
لكن نظام RAG ليس منتجًا يُوصَل فيعمل. إنه سلسلة معالجة متكاملة، وكل حلقة فيها تؤثّر في جودة النتيجة النهائية.
البنية في خمس مراحل
- الاستيعاب. تُجمع الوثائق (ملفات PDF وWord، وصفحات الشبكة الداخلية، وتذاكر الدعم)، وتُحوَّل إلى نص، وتُثرى ببيانات وصفية: المؤلف، والتاريخ، والمصلحة المعنية، ومستوى السرّية. وتحتاج الوثائق الممسوحة ضوئيًا إلى التعرّف الضوئي على الحروف (OCR)، وهو ما يستوجب التحقّق من جودته، لا سيما في النصوص العربية.
- التقطيع. يُقسَّم النص إلى مقاطع متماسكة — أقسام وموادّ وفقرات — بدل كتل ذات أحجام اعتباطية. فالتقطيع الجيد يحترم بنية الوثيقة الأصلية.
- الفهرسة. يُحوَّل كل مقطع إلى متّجه رقمي (Embedding) ويُخزَّن في فهرس متّجهي، مثل PostgreSQL مع امتداد pgvector، وغالبًا ما يُقرن ذلك ببحث نصّي تقليدي. وفي حالة الوثائق متعدّدة اللغات، ينبغي اختيار نموذج التضمين واختباره على لغاتكم الفعلية.
- الاسترجاع. عند كل سؤال، ينتقي النظام أكثر المقاطع صلة، مع تصفيتها وفق صلاحيات المستخدم. وكثيرًا ما تحسّن مرحلة إعادة الترتيب (Reranking) دقّة النتائج.
- التوليد. يتلقّى النموذج السؤال والمقاطع المسترجعة مع تعليمات صريحة: الإجابة من المصادر المقدَّمة وحدها، والاستشهاد بالوثائق، والتصريح بغياب المعلومة حين لا تكون متوفّرة.
السرّية: قرارات تُحسم أولًا
تحتوي وثائقكم الداخلية في الغالب على بيانات شخصية، ومعلومات تجارية حسّاسة، وأسرار تقنية. لذا، وقبل كتابة أول سطر برمجي، لا بدّ من حسم عدّة مسائل.
أين تُعالَج البيانات؟
ثمّة ثلاثة خيارات رئيسية: نموذج يُستعمل عبر واجهة برمجية لدى مزوّد خارجي، أو نموذج مستضاف في بيئة سحابية تتحكّمون فيها، أو نموذج مفتوح الأوزان يُنشر على خوادمكم الخاصة. ولكلّ خيار موازناته بين الجودة والكلفة وزمن الاستجابة ودرجة التحكّم في البيانات. وفي جميع الأحوال، اقرؤوا الشروط التعاقدية للمزوّد بعناية: مدّة الاحتفاظ بالطلبات، واحتمال استعمالها في التدريب، ومكان المعالجة.
من يحقّ له الاطّلاع على ماذا؟
لا يجوز لمساعد ذكي أن يكشف لمستخدم مضمون وثيقة لم يكن ليستطيع فتحها بنفسه. لذا يجب تطبيق صلاحيات الوصول لحظة الاسترجاع، لا في الواجهة وحدها.
ماذا يقول القانون؟
في الجزائر، يؤطّر القانون رقم 18-07 المؤرخ في 10 يونيو 2018، المتعلق بحماية الأشخاص الطبيعيين في مجال معالجة المعطيات ذات الطابع الشخصي، هذا النوع من المعالجات، بما في ذلك نقل المعطيات إلى الخارج. وبالنسبة لبيانات المقيمين في الاتحاد الأوروبي، تنطبق اللائحة العامة لحماية البيانات (GDPR) أيضًا، وإذا كانت المعالجة تخصّ المملكة العربية السعودية فإن نظام حماية البيانات الشخصية السعودي (PDPL) يدخل كذلك في الحسبان. ومن الممارسات الأساسية: تقليل البيانات الشخصية المفهرَسة إلى الحدّ الأدنى، واستعمال الأسماء المستعارة كلما أمكن، وتسجيل عمليات الوصول.
خصوصيات البيئة متعدّدة اللغات
في بلدان المغرب العربي، كثيرًا ما تُنتج الشركة الواحدة وثائق بالفرنسية والعربية، وأحيانًا بالإنجليزية، ويطرح المستخدمون أسئلتهم باللغة التي تحضرهم تلقائيًا، بل بالدارجة أحيانًا. وتستحق عدّة نقاط عناية خاصة:
- ينبغي أن يتعامل البحث النصّي بالعربية مع الصرف من سوابق ولواحق، ومع الاختلافات الإملائية كصور الألف والهمزة، والتاء المربوطة والهاء؛
- ينبغي أن يقرّب نموذج التضمين بين سؤال مطروح بالعربية ومقطع محرَّر بالفرنسية؛
- يجب تحديد لغة الإجابة مسبقًا: لغة السؤال، أو لغة الوثيقة، أو اختيار يحدّده المستخدم بنفسه؛
- يحسن حصر المصطلحات الداخلية والاختصارات وأسماء المنتجات في مسرد يُستعان به عند الفهرسة.
التقييم قبل النشر
يُحكم على نظام RAG بالأدلّة، لا ببضعة عروض ناجحة:
- إعداد مجموعة أسئلة مرجعية بالتعاون مع فرق العمل: أسئلة حقيقية مرفقة بالإجابة المنتظرة والوثائق المصدرية.
- قياس جودة الاسترجاع: هل تظهر المقاطع الصحيحة ضمن النتائج المسترجعة؟
- قياس الأمانة: هل تستند الإجابة إلى المقاطع المقدَّمة وحدها، دون اختلاق؟
- التحقّق من الاستشهادات: هل تحيل كل معلومة إلى مقطع يسوّغها فعلًا؟
- اختبار الحالات الحدّية: أسئلة خارج النطاق، ووثائق متعارضة، وإصدارات متقادمة، وأسئلة مطروحة بلغة غير لغة الوثيقة.
- إعادة التقييم عند كل تغيير في النموذج أو طريقة التقطيع أو الإعدادات، على غرار اختبارات عدم التراجع.
إبقاء الإنسان في الحلقة
قد يخطئ النموذج اللغوي وهو في غاية الثقة، ويجب أن يأخذ التصميم ذلك في الحسبان:
- عرض المصادر بشكل منهجي حتى يتمكّن المستخدم من التحقّق بنفسه؛
- اشتراط مصادقة بشرية في كل استعمال ذي عواقب: الردّ على عميل، أو تفسير بند تعاقدي، أو قرار يخصّ الموارد البشرية أو المالية؛
- تمكين المستخدمين من الإبلاغ عن الإجابات الخاطئة، واستثمار هذه الملاحظات في تحسين الوثائق والإعدادات؛
- تعيين مسؤولين عن المحتوى، لأن قيمة نظام RAG رهينة بجودة الوثائق التي يفهرسها وحداثتها.
متى لا ينبغي استعمال نموذج لغوي؟
الذكاء الاصطناعي التوليدي ليس الجواب الصحيح دائمًا، والأفضل الاستغناء عنه في الحالات التالية:
| الحالة | البديل الأنسب |
|---|---|
| الجواب عملية حسابية أو رقم مستخرج من أنظمتكم | استعلام SQL، أو تقرير، أو لوحة متابعة |
| مجموعة الوثائق صغيرة وجيدة التنظيم | بحث نصّي جيد وفهرس واضح |
| الخطأ ستكون له عواقب جسيمة ولا يمكن التحقّق منه | مسار خبير مع مصادقة بشرية |
| الحاجة سير عمل متكرّر ومحدَّد النتائج | أتمتة تقليدية وقواعد عمل واضحة |
| الوثائق المصدرية متقادمة أو متعارضة | ترتيب التوثيق أولًا |
وفي كثير من المشاريع، تأتي القيمة من عمل هيكلة الوثائق بقدر ما تأتي من النموذج نفسه.
التحكّم في الكلفة والتشغيل
للمساعد الوثائقي كلفة تشغيل: استدعاءات النموذج، وحساب المتّجهات، والتخزين، والمراقبة. ويمكن ضبط هذه الكلفة بتقليص حجم السياق المُرسَل إلى النموذج، وتخزين إجابات الأسئلة المتكرّرة مؤقتًا، واختيار نموذج يتناسب مع طبيعة المهمة. كما ينبغي التخطيط لتحديث الفهرس كلما تغيّرت الوثائق، وسحب الوثائق المؤرشفة أو المحذوفة منه.
نهج تدريجي: ابدؤوا بنطاق صغير ثم وسّعوه
للانطلاق، اختاروا نطاقًا محدودًا وجمهورًا معروفًا — كالإجراءات الداخلية لمصلحة واحدة — وابنوا مجموعة التقييم مع مستخدميها. قيسوا، وعدّلوا، ثم وسّعوا النطاق. فهذا النهج يحدّ من المخاطر، ويجعل الكلفة قابلة للتوقّع، ويبني ثقة الفرق في الأداة خطوة بخطوة.
هل تفكّرون في مساعد وثائقي ذكي لفرق شركتكم؟ يمكننا مساعدتكم على تقييم الجدوى وخيارات الاستضافة والضوابط اللازمة. حدّثونا عن مشروعكم عبر نموذج التواصل.
Author
ParadiStack