ما هو التوليد المعزز بالاسترجاع، أو RAG؟

يمكن تحسين دقة وموثوقية نماذج الذكاء الاصطناعي التوليدية من خلال الحقائق التي تم الحصول عليها من مصادر خارجية، وتسمى التقنية المستخدمة لجلبها بالتوليد المعزز بالاسترجاع (RAG).

لتبسيط الفهم، لنفترض أن نموذجًا لغويًا كبيرًا وجيدًا (LLM) قادر على الإجابة عن نطاق واسع من استفسارات المستخدمين. ولكن للحصول على إجابات موثوقة، لا بد من الاستشهاد ببعض المصادر، ولتحقيق ذلك، يحتاج النموذج إلى إجراء بعض الأبحاث، مما يستدعي وجود مساعد. تُسمى هذه العملية المساعدة "التوليد المُعزز بالاسترجاع" أو اختصارًا "RAG".

فهم التوليد المعزز بالاسترجاع، أو RAG

لفهم نموذج RAG بشكل أعمق، فهو يسد الثغرات الموجودة أصلاً في نماذج LLM. تُقاس جودة نموذج LLM أو قوته بعدد معاييره. المعايير هي في الأساس الأنماط العامة لكيفية استخدامنا نحن البشر للكلمات لتكوين الجمل. قد تكون نتائج نماذج LLM غير متسقة. 

أحيانًا تُقدّم هذه النماذج المعلومات الدقيقة التي يحتاجها المستخدم، وأحيانًا أخرى تُنتج حقائق وأرقامًا عشوائية من مجموعات البيانات المُضمّنة في تدريبها. إذا قدّمت نماذج اللغة المُستخدَمة أحيانًا إجابات غامضة، وكأنها لا تعرف ما تقوله، فذلك لأنها في الواقع لا تُدرك معناه. وكما ذكرنا سابقًا بخصوص المُعاملات، تستطيع هذه النماذج ربط الكلمات إحصائيًا، لكنها لا تعرف معانيها.

إن دمج RAG في أنظمة الدردشة القائمة على LLM له فائدتان رئيسيتان، فهو يضمن أن النموذج يمكنه الوصول إلى الحقائق الحالية والموثوقة، كما يضمن أيضًا أن المستخدمين يمكنهم التحقق من مصداقية ادعاءاته حيث أن لديهم إمكانية الوصول إلى مصادر النموذج.

قال لويس لاستراس، مدير قسم تقنيات اللغة في مركز أبحاث شركة آي بي إم:

"تريد مقارنة إجابات النموذج بالمحتوى الأصلي حتى تتمكن من معرفة على ماذا يستند في إجابته."

المصدر: شركة آي بي إم.

هناك فوائد أخرى أيضًا، إذ يقلل من احتمالية حدوث أخطاء في التوقع وتسريب البيانات، لأنه يتيح له فرصة بناء معرفته على مصادر خارجية، فلا يعتمد فقط على البيانات التي دُرِّب عليها. كما يُخفِّض نظام RAG التكاليف المالية والحسابية لتشغيل روبوتات المحادثة، لأنه أقل حاجة للتدريب على بيانات جديدة.

فوائد نظام RAG

تقليديًا، اعتمدت نماذج المحادثة الرقمية على أسلوب الحوار اليدوي. إذ كانت تُحدد نية المستخدم، ثم تستخلص المعلومات بناءً على ذلك، وتقدم إجابات وفق نص عام defiمسبقًا من قِبل المبرمجين. كان هذا النظام قادرًا على الإجابة عن أسئلة بسيطة ومباشرة. مع ذلك، كان للنظام قيود.

كان تقديم إجابات لكل استفسار قد يطرحه العميل يستغرق وقتًا طويلاً، وإذا أغفل المستخدم خطوة ما، لم يكن لدى روبوت الدردشة القدرة على التعامل مع الموقف والارتجال. ومع ذلك، فقد أتاحت التكنولوجيا الحديثة لروبوتات الدردشة تقديم ردود مخصصة للمستخدمين دون الحاجة إلى كتابة نصوص جديدة من قِبل البشر، ويتجاوز نظام RAG ذلك خطوة أخرى من خلال الاحتفاظ بالنموذج على محتوى جديد وتقليل الحاجة إلى التدريب. وكما قال لاستراس،

"تخيل النموذج كموظف مبتدئ متحمس للغاية يُطلق إجابة قبل التحقق من الحقائق، فالتجربة تعلمنا أن نتوقف ونقول عندما لا نعرف شيئًا. لكن يجب تدريب الحاصلين على درجة الماجستير في القانون بشكل صريح على التعرف على الأسئلة التي لا يستطيعون الإجابة عليها."

المصدر: شركة آي بي إم.

كما نعلم، لا تكون أسئلة المستخدمين دائمًا واضحة، فقد تكون معقدة، غامضة، ومطولة، أو تتطلب معلومات يفتقر إليها النموذج أو يصعب عليه تحليلها. في مثل هذه الحالات، قد تُخطئ نماذج التعلم الآلي. يمكن للضبط الدقيق أن يمنع هذه الحالات، ويمكن هذه النماذج على التوقف عند مواجهة مثل هذه المواقف. ولكن سيتعين تزويدها بآلاف الأمثلة من هذه الأسئلة لكي تتمكن من التعرف عليها. 

يُعدّ نموذج RAG أفضل نموذج متاح حاليًا لبناء نماذج خطية خطية باستخدام أحدث البيانات وأكثرها موثوقية، كما أنه يقلل من وقت التدريب. ويتطور نموذج RAG باستمرار، ولا يزال بحاجة إلى المزيد من البحث لتصحيح أوجه القصور.