ما هو التوليد المعزز بالاسترجاع (RAG)؟ ولماذا تفضله الشركات على إعادة تدريب نماذج الذكاء الاصطناعي؟

تواجه الشركات الراغبة في نشر روبوتات ومساعدات الذكاء الاصطناعي (AI) مشكلة أساسية: النماذج اللغوية الكبيرة (LLMs)، وهي الأنظمة التي تشغّل أدوات مثل تشات جي بي تي (ChatGPT)، لا تعرف سوى ما تعلمته أثناء تدريبها، وهذه المعرفة سرعان ما تصبح قديمة. أحد الحلول التي تزداد شعبية هو تقنية تُعرف باسم التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation)، أو اختصارًا RAG. فبدلًا من إعادة تدريب نموذج الذكاء الاصطناعي كلما تغيرت معلومات الشركة، تتيح هذه التقنية للنموذج البحث عن الحقائق الحديثة قبل الإجابة عن أي سؤال.

كيف تعمل تقنية RAG

النموذج اللغوي الكبير هو نوع من أنظمة الذكاء الاصطناعي يُدرَّب على كميات هائلة من النصوص لتوليد ردود تشبه الكتابة البشرية. وفي الوضع الطبيعي، فإن كل ما "يعرفه" النموذج يكون ثابتًا عند انتهاء مرحلة تدريبه، ومطبوعًا فيما يسميه المهندسون "الأوزان" (Weights)، وهي الإعدادات الرقمية الداخلية التي تحدد كيفية استجابة النموذج.

تغيّر تقنية RAG هذا الوضع من خلال ربط النموذج بنظام استرجاع، وهو في جوهره أداة بحث تفحص قاعدة معرفة منظمة، مثل مستندات الشركة الداخلية أو قواعد بياناتها أو سياساتها، في اللحظة التي يُطرح فيها السؤال. ووفقًا لأبحاث حول هذه التقنية، فإن نظام RAG يسترجع أكثر المقاطع صلة بالموضوع، إلى جانب بيانات وصفية وسياق مرتبط بها، ثم يزوّد بها النموذج كمادة خلفية قبل أن يكتب إجابته. وبعبارة مبسطة، تتيح RAG لنموذج الذكاء الاصطناعي جلب معلومات خارجية في وقت طرح السؤال، بدلًا من الاعتماد فقط على ما حفظه أثناء التدريب.

لماذا تختار الشركات RAG بدلًا من إعادة التدريب

يُعد إعادة تدريب النموذج أو ما يُعرف بـ"الضبط الدقيق" (Fine-tuning)، وهو عملية تدريب إضافي لنظام ذكاء اصطناعي قائم على بيانات متخصصة كي يتعلم مجالًا معينًا بشكل أفضل، أحد البدائل المتاحة. لكن وفقًا للأبحاث، فإن الضبط الدقيق ليس وسيلة موثوقة لتخزين الحقائق. فالنموذج الذي يخضع للضبط الدقيق باستخدام أدلة منتجات إحدى الشركات، على سبيل المثال، لن يتذكر بالضرورة كل تفاصيل التسعير أو السياسات بدقة. فالضبط الدقيق يعلّم النموذج بشكل أساسي الأنماط والنبرة والأسلوب، وليس الاستدعاء الدقيق للحقائق. أما بالنسبة للمهام التي تعتمد على دقة الحقائق، فتُوصف تقنية RAG بأنها الخيار الصحيح من الناحية البنيوية.

وهناك أيضًا أسباب عملية تتعلق بالأعمال. فمعرفة المؤسسات تتغير باستمرار، إذ تتبدل الأسعار، وتُحدَّث السياسات، وتتطور المنتجات، وتتغير اللوائح التنظيمية، وتتيح RAG للأنظمة أن تبقى محدّثة دون الحاجة لإعادة التدريب في كل مرة يحدث فيها تغيير. كما تدعم هذه التقنية الإشارة إلى مصادر الإجابات وتقلل من ظاهرة "الهلوسة" (Hallucination)، وهو المصطلح الذي يُطلق عندما يولّد الذكاء الاصطناعي معلومات خاطئة أو ملفّقة بثقة. كما أن عملية النشر أبسط: إذ تُوصف RAG بأنها أسرع في الإعداد، وأسهل في الإشراف عليها، ويمكن استخدامها دون الحاجة إلى فريق متخصص في التعلم الآلي (Machine Learning)، خلافًا لمشاريع الضبط الدقيق التي عادة ما تتطلب موظفين متخصصين وبنية تحتية حاسوبية ضخمة.

وهذه المرونة ليست اكتشافًا جديدًا. فمنذ أن قُدّمت تقنية RAG لأول مرة في الأبحاث الأكاديمية، كانت إحدى سماتها المميزة هي التصميم المعياري: إذ يمكن استبدال أو تحديث كل من مكوناتها الأساسية الثلاثة، وهي قاعدة البيانات وأداة الاسترجاع والنموذج اللغوي نفسه، بشكل مستقل دون الحاجة لإعادة تدريب النظام بأكمله.

تحوّل نحو الأنظمة الهجينة

يبدو أن تأطير المسألة على أنها خيار بين "RAG أو الضبط الدقيق" أصبح مفهومًا متجاوزًا. إذ تصف التغطيات الصناعية الحديثة توجهًا هجينًا آخذًا في الترسخ: فالضبط الدقيق يتولى سلوك النموذج، من خلال تعليمه مفردات المجال ونبرته وتنسيقه بحيث يستجيب بشكل متسق ومتماشٍ مع هوية العلامة التجارية، في حين تتولى RAG جانب المعرفة، عبر استرجاع الحقائق المحدثة والموثقة في لحظة كل استعلام.

وهذا المزيج بات يظهر بالفعل في قطاعات متعددة. ففي مجال الذكاء الاصطناعي الصحي، تفيد التقارير بأن النماذج تخضع للضبط الدقيق لاستخدام المصطلحات السريرية الصحيحة واستيفاء معايير الامتثال، بينما تزودها RAG بأحدث إرشادات العلاج والبيانات الخاصة بكل مريض. وفي قطاع الخدمات المالية، يشكّل الضبط الدقيق النبرة التنظيمية واللغة المستخدمة، بينما تجلب RAG بيانات السوق اللحظية والوثائق التنظيمية.

ومن التطورات الأحدث، التي وصفتها تغطيات حديثة بأنها من أكبر التحولات البنيوية المتوقعة هذا العام، ما يُعرف بـ"RAG الوكيلي" (Agentic RAG). ففي هذا النمط، تصبح RAG جزءًا من حلقة أوسع لصنع القرار، حيث يقرر نموذج الذكاء الاصطناعي نفسه متى يسترجع المعلومات، وما الذي يسترجعه، وما إذا كان سيستعين بأدوات أخرى، ومتى يتوقف. وتصف بعض المصادر هذا النمط بأنه سيصبح النمط السائد في عام 2026، مع وكلاء ذكاء اصطناعي متخصصين يتولون مهام الاسترجاع والتحقق بشكل متوازٍ.

الموازنة بين التكاليف

تُعد التكلفة عاملًا جديرًا بالاهتمام بالنسبة للشركات التي تختار بين النهجين. إذ يميل الضبط الدقيق إلى أن يكون أكثر تكلفة في البداية، لأنه يتطلب تجميع مجموعة بيانات تدريبية منظمة واستئجار معالجات حاسوبية قوية تُعرف باسم وحدات معالجة الرسوميات (GPUs) لإجراء عملية التدريب. أما بناء نظام RAG فيكون بشكل عام أرخص في المرحلة الأولى. غير أن الأبحاث تحذر من أنه على نطاق واسع جدًا، فإن الإرسال المستمر لاستعلامات RAG الكبيرة إلى خدمات ذكاء اصطناعي مدفوعة قد يصبح بمرور الوقت أكثر تكلفة من تشغيل نموذج أصغر خاضع للضبط الدقيق داخل الشركة نفسها.