عندما تسأل نموذج ذكاء اصطناعي عن مستند لم يتدرّب عليه، فقد لا يعرف ما فيه. هنا تأتي فكرة التوليد المعزز بالاسترجاع (RAG): يبحث النظام أولًا عن مقاطع ذات صلة في مصادر خارجية، ثم يضعها مع السؤال أمام النموذج كي يبني إجابة تستند إليها.
كيف يعمل RAG؟
- تُحضَّر المستندات وتُقسَّم إلى مقاطع قابلة للبحث.
- عند وصول السؤال، يسترجع النظام المقاطع الأقرب إليه. قد يستخدم بحثًا بالكلمات، أو تمثيلات رقمية (Embeddings)، أو الاثنين معًا.
- يُرسل السؤال والمقاطع المسترجعة إلى النموذج، فيولّد إجابة يمكن ربطها بمصادرها.
هذا ليس تدريبًا جديدًا للنموذج في كل مرة؛ بل تزويده بمعلومات وقت الإجابة. ومن أمثلته مساعد يجيب عن أسئلة الموظفين بالاستناد إلى دليل الشركة، أو أداة تبحث داخل ملفات المستخدم.
متى يفيد؟
يفيد عندما تكون المعلومات متخصصة، أو تتغير بعد تدريب النموذج، أو نريد إظهار المستند الذي استندت إليه الإجابة. وقد تساعد هذه الطريقة في تقليل الإجابات غير المسندة، لكنها لا تضمن صحتها: إذا استُرجع مستند غير مناسب أو قديم، أو أساء النموذج تفسيره، فقد تبقى الإجابة خاطئة. لذلك يجب فحص المصدر وتاريخ تحديثه.
ما الفرق بين RAG والبحث العادي؟
يعرض البحث عادة قائمة نتائج ليفحصها القارئ. أما RAG فيضيف خطوة توليد إجابة اعتمادًا على نتائج مسترجعة. جودة الإجابة تعتمد على جودة البحث والمصادر وطريقة عرضها للنموذج.
الخلاصة
RAG يجمع بين استرجاع معلومات من مصدر خارجي وتوليد إجابة لغوية منها. لفهم عناصره المرتبطة، راجع مصطلحي التضمين والهلوسة في القاموس.