التوليد المعزز بالاسترجاع (RAG)
تعريف سريع
التوليد المعزز بالاسترجاع (RAG) هو تقنية يقوم فيها نظام الذكاء الاصطناعي أولاً باسترجاع مقاطع ذات صلة من مصدر موثوق، مثل قاعدة معرفية أو كتالوج منتجات، ثم يقدمها إلى نموذج لغوي بحيث تستند إجابته إلى تلك المقاطع بدلاً من ذاكرته فقط.
في هذه الصفحة
لماذا يوجد RAG
يتعلم نموذج اللغة من لقطة ثابتة من النص. لا يعرف سياسة الإرجاع الخاصة بك، أو أسعارك الحالية أو المنتج الذي أضفته هذا الصباح، وعندما يُسأل على أي حال قد ينتج إجابة معقولة ولكن خاطئة. إعادة تدريب نموذج في كل مرة يتغير فيها محتواك سيكون بطيئًا ومكلفًا.
يحل RAG هذه المشكلة من خلال الاحتفاظ بالمعرفة خارج النموذج. يبقى محتواك في متجر قابل للبحث يمكنك تحديثه في أي وقت؛ يُطلب من النموذج فقط قراءة المقاطع ذات الصلة وصياغة إجابة. تم وصف هذا النهج من قبل لويس وزملائه في أبحاث الذكاء الاصطناعي في فيسبوك في عام 2020.
كيف يعمل، خطوة بخطوة
أولاً، يتم إعداد المحتوى: يتم تقسيم الوثائق، صفحات الويب أو سجلات المنتجات إلى مقاطع، ويتم تحويل كل مقطع إلى تمثيل — قائمة من الأرقام التي تلتقط معناه. يتم تخزين هذه التمثيلات في فهرس متجه، غالبًا بجانب فهرس كلمات رئيسية تقليدي.
عندما تصل سؤال، يتم تحويله بنفس الطريقة ويتم استرجاع أقرب المقاطع، أحيانًا بالجمع مع بحث الكلمات الرئيسية أو عوامل التصفية مثل اللغة أو الفئة. يتم إدخال أفضل المقاطع في موجه النموذج مع تعليمات للإجابة منها. تعيد العديد من الأنظمة أيضًا المصادر، حتى يتمكن القارئ من التحقق من مصدر الإجابة.
حدود يجب معرفتها
RAG جيد فقط بقدر ما يسترجع. إذا كانت المقطع الصحيح مفقودًا، أو قديمًا أو مقسمًا بشكل سيء، فإن النموذج يجيب من المقطع الخاطئ أو يعتمد على ذاكرته. الأسئلة المهيكلة — "أرخص سترة متاحة في الحجم M" — تخدم بشكل سيء من خلال البحث عن التشابه فقط وتحتاج إلى عوامل تصفية على البيانات الحقيقية. ولا يزال بإمكان النموذج قراءة المقطع بشكل خاطئ، لذا يجب التحقق من الإجابات حول المواضيع الحساسة أو تصعيدها.
لهذا السبب تجمع أنظمة الإنتاج بين RAG والبحث المهيكل، وقواعد التحديث التي تعيد مزامنة المحتوى عند تغييره، وتعليمات واضحة لتحديد متى لا تحتوي المصادر على الإجابة.
RAG في خدمة العملاء
بالنسبة لمساعد الدعم أو التجارة الإلكترونية، فإن RAG هو ما يسمح للوكيل بالإجابة من أسئلتك الشائعة، سياساتك وكتالوجك بلغة العميل، والإشارة إلى الصفحة التي استخدمها. في AI SmartTalk، يتم فهرسة المعرفة التي يجيب منها المساعد — صفحات الويب، الوثائق، إدخالات الأسئلة الشائعة والمنتجات المتزامنة — بهذه الطريقة، وتستخدم أسئلة المنتجات أيضًا عوامل تصفية على السعر، الخيارات والمخزون.
الأسئلة المتكررة
هل RAG هو نفس ضبط النموذج؟
لا. ضبط النموذج يغير أوزان النموذج من خلال تدريبه على أمثلة؛ RAG يترك النموذج دون تغيير ويقدم له المعلومات الصحيحة في وقت السؤال. عادة ما يكون RAG الخيار الأفضل للحقائق التي تتغير، مثل الأسعار، المخزون أو السياسات.
هل يمنع RAG هلوسات الذكاء الاصطناعي؟
يقللها كثيرًا، لأن النموذج يجيب من مقاطع حقيقية، لكنه لا يزيلها. لا يزال هناك حاجة لاسترجاع جيد، وتعليمات للاعتراف عندما تكون المصادر صامتة، وتحويل الأمر لشخص في الحالات الحساسة.
ما هو قاعدة بيانات المتجهات؟
متجر يقوم بفهرسة التمثيلات بحيث يمكن العثور بسرعة على المقاطع الأقرب في المعنى لسؤال ما. إنها الطبقة المعتادة للاسترجاع في نظام RAG، وغالبًا ما تكون مرتبطة مع بحث الكلمات الرئيسية.
هل يمكن أن يعمل RAG مع كتالوج المنتجات؟
نعم، لكن المنتجات تحتاج إلى أكثر من بحث التشابه: يجب على المساعد تصفية الحقول المهيكلة مثل السعر، الحجم أو المخزون، ثم استخدام RAG للوصف وأدلة الشراء.