التوليد المعزز للاسترجاع (RAG)

كيف يعمل التوليد المعزز للاسترجاع

تتضمن عملية RAG عادةً مرحلتين رئيسيتين:

1. الاسترجاع: عندما يقوم المستخدم بتقديم مطالبة أو استعلام، يستخدم النظام أولاً هذه المدخلات للبحث في مجموعة كبيرة من المستندات أو قاعدة بيانات متجهة. يهدف هذا البحث إلى العثور على مقاطع نصية أو مستندات تحتوي على معلومات ذات صلة بالاستعلام. وغالبًا ما يتم استخدام تقنيات مثل البحث الدلالي هنا للعثور على معلومات متشابهة من حيث السياق، وليس فقط مطابقة الكلمات الرئيسية.
2. التوليد: يتم بعد ذلك دمج المعلومات ذات الصلة المسترجعة في المرحلة الأولى مع مطالبة المستخدم الأصلية. يتم إدخال هذه المطالبة المعززة، التي أصبحت الآن غنية بسياق محدد، في آلية إدارة التعلم الآلي. وتستخدم آلية التوليد هذه كلاً من الاستعلام الأصلي والسياق المقدم لتجميع استجابة شاملة ومستندة إلى الحقائق. وقد تم تقديم هذه العملية رسميًا في بحث مثل البحث الخاص بتوليد الاسترجاع المعزز لمهام معالجة اللغات الطبيعية كثيفة المعرفة.

الفوائد والتطبيقات

يوفر RAG العديد من المزايا مقارنةً باستخدام الآليات المعيارية LLMs القياسية وحدها:

• تحسين الدقة: من خلال تأصيل الاستجابات في بيانات خارجية، يقلل RAG من احتمالية توليد آلية تحديد مستوى الدقة لمعلومات غير صحيحة أو ملفقة.
• الوصول إلى المعلومات الحالية: يمكن لأنظمة RAG الوصول إلى أحدث المعلومات المخزنة في قاعدة معارفها، مما يتغلب على قيود أنظمة RAG التي تكون معرفتها مجمدة في وقت آخر تدريب لها.
• المعرفة الخاصة بالمجال: تتيح لخبراء إدارة اللغات تقديم إجابات على مستوى الخبراء في مجالات متخصصة من خلال استرجاع المعلومات من وثائق أو قواعد بيانات تقنية محددة.
• الشفافية والثقة: يمكن لأنظمة RAG في كثير من الأحيان الاستشهاد بالمصادر المستخدمة في التوليد، مما يعزز ثقة المستخدم ويسمح بالتحقق من الحقائق، وهو أمر بالغ الأهمية لأخلاقيات الذكاء الاصطناعي.

أمثلة من العالم الحقيقي:

1. إدارة المعرفة المؤسسية: تستخدم الشركات RAG لإنشاء روبوتات دردشة داخلية يمكنها الإجابة عن أسئلة الموظفين بدقة من خلال استرجاع المعلومات من السياسات الداخلية والأدلة التقنية والتقارير المخزنة في منصات مثل SharePoint أو قواعد المعرفة المخصصة.
2. أتمتة دعم العملاء: تستفيد من منصات خدمة العملاء من RAG لتزويد وكلاء الدعم أو روبوتات الدردشة بالمعلومات ذات الصلة من الأسئلة الشائعة ووثائق المنتج وبطاقات الدعم السابقة، مما يتيح حل استفسارات العملاء بشكل أسرع وأكثر دقة. تتضمن أدوات مثل Zendesk مثل هذه الميزات.

RAG مقابل المفاهيم ذات الصلة

• آلية الاستجابة السريعة مقابل الآليات القياسية لتحديد مستوى التعلم: تُنشئ الآليات القياسية لإدارة التعلم منخفضة التكلفة استجابات تعتمد فقط على الأنماط المكتسبة أثناء التدريب. يعمل RAG على تحسين ذلك من خلال دمج المعلومات الخارجية بشكل ديناميكي في وقت الاستدلال، مما يؤدي إلى مخرجات أكثر واقعية وذات صلة بالسياق.
• RAG مقابل الضبط الدقيق: يعمل الضبط الدقيق على تكييف نموذج مُدرب مسبقًا مع مهام أو مجالات محددة من خلال مواصلة عملية التدريب على مجموعة بيانات أصغر ومتخصصة. وعلى الرغم من فعاليته، إلا أنه يتطلب موارد حاسوبية كبيرة وإعادة تدريب لتحديث المعرفة. يسمح RAG بتحديث المعرفة ببساطة عن طريق تعديل مصدر البيانات الخارجية دون إعادة تدريب نموذج LLM، مما يجعله أكثر مرونة في التعامل مع المعلومات المتغيرة بسرعة. يمكن أيضًا استخدام RAG والضبط الدقيق معًا.
• هندسة الموجه مقابل هندسة الموجه: تتضمن هندسة الموجهات صياغة موجه الإدخال بعناية لتوجيه استجابة إدارة التعلم الآلي. يقوم RAG بأتمتة عملية توفير السياق ذي الصلة داخل الموجه من خلال استرجاعه من مصدر خارجي. توفر أطر عمل مثل LangChain و LlamaIndex أدوات لبناء خطوط أنابيب RAG.

يمثل مفهوم RAG خطوة مهمة نحو إنشاء أنظمة ذكاء اصطناعي أكثر دراية وموثوقية، وسد الفجوة بين القوة التوليدية الهائلة لنماذج LLMs والحاجة إلى الدقة الواقعية. وعلى الرغم من ارتباط هذا المفهوم بالنصوص في كثير من الأحيان، إلا أنه من المحتمل أن يمتد ليشمل تعزيز نماذج مثل Ultralytics YOLO من خلال استرجاع الأمثلة المرئية أو البيانات الوصفية ذات الصلة، على الرغم من أن هذا لا يزال مجالاً بحثياً ناشئاً في مجال الرؤية الحاسوبية. تعمل منصات مثل Ultralytics HUB على تسهيل إدارة النماذج ومجموعات البيانات التي يمكن أن تكون بمثابة مصادر للمعرفة في تطبيقات RAG متعددة الوسائط في المستقبل. يمكن أن يوفر استكشاف مجموعات البيانات المتاحة رؤى حول نوع المعلومات المنظمة التي قد تكون مفيدة.