ما هو التوليد المعزز بالاسترجاع، أو RAG؟

يمكن تحسين دقة وموثوقية نماذج الذكاء الاصطناعي التوليدي من خلال الحقائق المستمدة من مصادر خارجية، وتُسمى التقنية المستخدمة لجلبها بالتوليد المعزز بالاسترجاع (RAG).

لفهم الأمر ببساطة، لنفترض أن نموذج لغة كبير (LLM) جيداً يمكنه الإجابة على مجموعة واسعة من استفسارات البشر. ولكن للحصول على إجابات موثوقة، يجب أن تكون هناك مصادر مستشهد بها فيها، ولغرض ذلك، يجب أن يقوم ببعض البحث، لذا يحتاج النموذج إلى مساعد. تُسمى هذه العملية المساعدة بالتوليد المعزز بالاسترجاع، أو RAG، لتسهيل الفهم.

فهم التوليد المعزز بالاسترجاع، أو RAG

لفهم RAG بشكل أعمق، فهو يسد الفجوات الموجودة بالفعل في أعمال نماذج اللغات الكبيرة (LLMs). تُقاس جودة أو قوة نموذج LLM بعدد المعلمات التي يمتلكها. المعلمات هي في الأساس الأنماط العامة لكيفية استخدامنا البشري للكلمات لصياغة الجمل. يمكن أن تكون نماذج LLM غير متسقة في الإجابات التي تقدمها. 

أحياناً تقدم المعلومات الدقيقة التي يحتاجها المستخدم، وأحياناً أخرى تخرج حقائق وأرقاماً عشوائية من مجموعات البيانات المدرجة في تدريبها. إذا كانت نماذج LLM تقدم إجابات غامضة أحياناً، كأنها لا تعرف ما تقوله، فذلك لأنها حقاً لا تعرف ما تقوله. كما ناقشنا المعلمات في السطر السابق، يمكن لنماذج LLM ربط الكلمات إحصائياً، لكنها لا تعرف معانيها.

يتميز دمج RAG في أنظمة الدردشة القائمة على نماذج اللغات الكبيرة بفائدتين رئيسيتين: فهو يضمن أن النموذج يمكنه الوصول إلى الحقائق الحالية والموثوقة، ويضمن أيضاً أن المستخدمين يمكنهم التحقق من أن ادعاءاته موثوقة لأن لديهم إمكانية الوصول إلى مصادر النموذج.

قال لويس لاستراس، مدير تقنيات اللغة في أبحاث آي بي إم (IBM Research):

"تريد مقارنة إجابات النموذج بالمحتوى الأصلي لترى على ماذا يستند في إجابته."

المصدر: آي‌بي‌ام.

هناك فوائد أخرى أيضاً، حيث يقلل من احتمالات الهلوسة وتسرب البيانات، لأنه لديه الفرصة ليعتمد معرفته على مصادر خارجية، لذا لا يحتاج إلى الاعتماد حصرياً على البيانات التي تم تدريبه عليها. كما يقلل RAG من التكاليف المالية والحاسوبية لتشغيل روبوتات الدردشة، لأنه يحتاج أقل إلى التدريب على بيانات جديدة.

فوائد RAG

تقليدياً، استخدمت نماذج المحادثة الرقمية نهج حوار يدوي. كانت تقيم فهمها لنية المستخدم، ثم تجلب المعلومات بناءً على ذلك وتقدم إجابات في نص عام تم تعريفه مسبقاً من قبل المبرمجين. كان هذا النظام قادراً على الإجابة على الأسئلة البسيطة والمباشرة. ومع ذلك، كان للنظام قيود.

كان تقديم إجابات لكل استفسار قد يطرحه العميل يستغرق وقتاً طويلاً؛ فإذا فات المستخدم خطوة ما، كان لدى روبوت الدردشة نقص في القدرة على التعامل مع الموقف والتكيف معه. ومع ذلك، جعلت التقنيات الحديثة اليوم من الممكن لروبوتات الدردشة تقديم ردود مخصصة للمستخدمين دون الحاجة إلى كتابة نصوص برمجية جديدة من قبل البشر، وتأخذ تقنية RAG الأمر خطوة إلى الأمام من خلال الحفاظ على النموذج محدثاً بالمحتوى الجديد وتقليل الحاجة إلى التدريب. كما قال لاستراس،

"تخيل النموذج كموظف مبتدئ متحمس يصرخ بإجابة قبل التحقق من الحقائق، فتعلمنا الخبرة أن نتوقف ونقول عندما لا نعرف شيئاً. ولكن نماذج اللغات الكبيرة (LLMs) تحتاج إلى تدريب صريح للتعرف على الأسئلة التي لا يمكنها الإجابة عليها."

المصدر: IBM.

كما نعلم، ليست أسئلة المستخدمين دائماً مباشرة؛ فقد تكون معقدة، غامضة، ومطولّة، أو تتطلب معلومات يفتقر إليها النموذج أو لا يستطيع تحليلها بسهولة. في مثل هذه الظروف، يمكن أن يهلوس نماذج اللغات الكبيرة (LLMs). يمكن للضبط الدقيق (Fine-tuning) منع هذه الحالات، ويمكن تدريب نماذج اللغات الكبيرة على التوقف عندما تواجه مثل هذه المواقف. ولكن سيتطلب ذلك تغذيتها بآلاف الأمثلة من مثل هذه الأسئلة للتعرف عليها.

تُعد RAG أفضل نموذج متاح حالياً لدعم نماذج اللغات الكبيرة (LLMs) بأحدث وأكثر البيانات تأكيداً، كما تخفض تكاليف التدريب. كما أن RAG تتطور مع الوقت ولا تزال بحاجة إلى مزيد من البحث لسد الثغرات وإزالة العيوب.