التوليد المعزّز بالاسترجاع (RAG)

مرحبًا بكم في عالم التوليد المعزز بالاسترجاع (RAG)! يقدّم هذا الدرس تقنية قوية لجعل النماذج اللغوية الكبيرة (LLMs) أكثر دقة وموثوقية.

يجمع RAG بين المعرفة الواسعة للنماذج اللغوية الكبيرة والمعلومات الخارجية الحديثة. إنه يشبه منح النموذج اللغوي الكبير كتابًا مفتوحًا أثناء خوض اختبار صعب!

رغم أن النماذج اللغوية الكبيرة الأساسية مثيرة للإعجاب، فإن لديها بعض القيود:

• الهلوسات: قد تولّد أحيانًا معلومات غير صحيحة من الناحية الواقعية أو غير منطقية.
• المعرفة القديمة: تقتصر معرفتها على تاريخ انتهاء بيانات تدريبها.
• نقص التخصص: قد لا تعرف حقائق متخصصة أو خاصة بمجال ضيق أو بنطاق خاص.
• غياب الاستشهادات: لا يمكنها بسهولة إخباركم بمصدر معلوماتها.

يعالج RAG هذه القيود من خلال دمج نظام استرجاع مع نموذج لغوي كبير توليدي.

قبل أن يولّد النموذج اللغوي الكبير استجابة، يسترجع RAG أولًا المعلومات ذات الصلة من قاعدة معرفة خارجية موثوقة. ثم تُستخدم هذه المعلومات المسترجعة في «تعزيز» المطالبة المقدمة إلى النموذج اللغوي الكبير.

الخطوة الأولى في RAG هي الاسترجاع. عندما يطرح المستخدم سؤالًا، يبدأ مكوّن «المسترجِع» المخصص عمله.

• يحلّل استعلام المستخدم.
• يبحث في قاعدة معرفة خارجية كبيرة، مثل المستندات وقواعد البيانات وصفحات الويب.
• يحدّد أجزاء المعلومات أو «المستندات» الأكثر صلة بالاستعلام ويجلبها.

بعد استرجاع المعلومات ذات الصلة، تأتي الخطوة التالية، وهي التعزيز.

• تُدرج مقتطفات النص المسترجعة مباشرةً في مطالبة المستخدم الأصلية.
• ينشئ ذلك «مطالبة معززة» تحتوي الآن على طلب المستخدم والسياق الواقعي معًا.
• تزوّد هذه المطالبة المُثرية النموذجَ اللغويَّ الكبير بالبيانات المحددة التي يحتاج إليها لصياغة إجابة دقيقة.

وأخيرًا، تأتي خطوة التوليد. يتلقى النموذج اللغوي الكبير المطالبة المعززة.

• مع توفير السياق ذي الصلة بوضوح، يولّد النموذج اللغوي الكبير استجابته.
• يُوجَّه إلى أن يستند في إجابته أساسًا إلى المعلومات المقدمة، بدلًا من الاعتماد فقط على معرفته التي اكتسبها أثناء التدريب.
• يؤدي ذلك إلى مخرجات أكثر استنادًا إلى الحقائق، وأكثر قابلية للتحقق.

يوفّر تطبيق RAG عدة مزايا مهمة:

• تقليل الهلوسات: تستند إجابات النموذج اللغوي الكبير إلى حقائق من قاعدة المعرفة.
• معلومات حديثة: الوصول إلى بيانات حالية تتجاوز تاريخ انتهاء تدريب النموذج اللغوي الكبير.
• التخصص في المجال: دمج بيانات المؤسسة الخاصة أو المتخصصة بسهولة.
• قابلية التفسير: يمكن للنظام غالبًا الاستشهاد بالمصادر التي استُرجعت منها المعلومات.

لنستعرض تفاعلًا بسيطًا باستخدام RAG:

1. استعلام المستخدم: «متى اكتمل بناء برج إيفل؟»
2. الاسترجاع: يبحث النظام في قاعدة بيانات للحقائق التاريخية، ويعثر على المعلومة التالية: «اكتمل بناء برج إيفل في 31 مارس 1889.»
3. التعزيز: تصبح المطالبة: «استنادًا إلى المعلومات التالية: «اكتمل بناء برج إيفل في 31 مارس 1889.»، متى اكتمل بناؤه؟»
4. التوليد: يجيب النموذج اللغوي الكبير: «اكتمل بناء برج إيفل في 31 مارس 1889.»

يتكوّن نظام RAG في جوهره من مكوّنين منطقيين رئيسيين:

• المسترجِع: هذا المكوّن مسؤول عن البحث عن المستندات أو أجزاء البيانات الأكثر صلة وجلبها من قاعدة معرفة خارجية استنادًا إلى استعلام المستخدم.
• المولّد: هو النموذج اللغوي الكبير (LLM) نفسه، إذ يأخذ استعلام المستخدم الأصلي ويجمعه مع السياق المسترجع لإنتاج إجابة متماسكة ومستنيرة.

أيّ مما يلي يُعد من الفوائد الرئيسية لاستخدام التوليد المعزز بالاسترجاع (RAG) مع النماذج اللغوية الكبيرة؟

لقد تعلّمتم الآن المفهوم الأساسي والبنية المعمارية للتوليد المعزز بالاسترجاع (RAG). ويُعد RAG تقنية مهمة لبناء تطبيقات للنماذج اللغوية الكبيرة أكثر موثوقية واستنادًا إلى الحقائق ووعيًا بالسياق.

من خلال الجمع بين الاسترجاع والتوليد، يمكّن RAG النماذج اللغوية الكبيرة من التفاعل مع البيانات الخارجية الديناميكية وتقديم إجابات تستند إليها. سنستكشف بعد ذلك الدور الحيوي لقواعد البيانات المتجهية في الاسترجاع الفعّال لأنظمة RAG!