لماذا تحتاج LLMs إلى الاسترجاع

لا يعرف LLM إلا ما رآه أثناء التدريب. وبعد تاريخ القطع هذا، تصبح معرفته متجمّدة، لذلك لا يستطيع الاطلاع على مستنداتكم الحديثة أو بياناتكم الخاصة.

عندما يفتقر LLM إلى حقيقة ما، فإنه غالبًا ما يختلق حقيقة تبدو واثقة. نسمّي ذلك هلوسة، وهي الخطر الأساسي على الثقة.

توسيع النموذج يضيف مهارات، لكنه لا يضيف حقائقكم الخاصة. فحتى العدد الهائل من المعلمات لا يستطيع تخزين ويكيكم الخاص أو أخبار اليوم.

يحلّ التوليد المعزّز بالاسترجاع هذه المشكلة عبر جلب النص ذي الصلة أولًا، ثم مطالبة النموذج بالإجابة باستخدام النص الذي جرى جلبه.

يتكوّن RAG من خطوتين. أولًا، استرجعوا المقاطع المطابقة للسؤال، ثم ولّدوا إجابة تستند إلى تلك المقاطع.

عبر إدخال مستندات حقيقية في الموجّه، فإنكم تُسنِدون النموذج إلى حقائق يستطيع قراءتها فعلًا، بدلًا من حقائق يتعين عليه تخمينها.

حدّثوا مستنداتكم، فتتحدّث الإجابات أيضًا. يحافظ RAG على حداثة الاستجابات دون إعادة تدريب النموذج وما يترتب على ذلك من تكلفة.

يُضمّن الضبط الدقيق المعرفة في الأوزان، وتكراره مكلف. أما RAG فيضيف المعرفة وقت الاستعلام، ولذلك تكون صيانته أقل تكلفة بكثير.

بما أن كل إجابة تأتي من مقاطع جرى جلبها، يمكنكم عرض الاستشهادات. فيرى المستخدمون المصدر ويتمكنون من التحقق مما ادّعاه النموذج.

لا يمكنكم لصق مكتبة كاملة في موجّه. فلدى النموذج نافذة سياق ثابتة، ولذلك يختار الاسترجاع المقاطع القليلة المهمة فقط.

يناسب RAG روبوتات الدعم، والبحث في المستندات، والأسئلة والأجوبة الداخلية: أي مهمة توجد فيها الإجابة الصحيحة داخل بياناتكم، لا في ذاكرة النموذج.

لدى LLMs ذاكرة متجمّدة ومليئة بالفجوات، ولذلك تهلوس. يسترجع RAG مقاطع حقيقية، ويولّد إجابات مسندة وحديثة وقابلة للاستشهاد. ✅