كيف تختار أبرز 5 مستندات ذات صلة لبحث ذكاء اصطناعي

اختيار أربع وخمس وثائق الأكثر صلة في أنظمة البحث بالذكاء الاصطناعي يُعد خطوة حاسمة في نجاح نموذج RAG (Retrieval-Augmented Generation). فالاستجابة الدقيقة من نموذج لغة كبير (LLM) تعتمد بشكل مباشر على جودة الوثائق التي يتم استرجاعها، حتى لو كان النموذج متفوقًا تقنيًا. بدون وثائق ذات صلة، ستفشل أي محاولة لتقديم إجابة دقيقة. في النموذج التقليدي لـ RAG، يتم ترميز استفسار المستخدم باستخدام نموذج تضمين (Embedding)، ثم تُقارن هذه الترميزات مع ترميزات الوثائق المخزنة مسبقًا، عادةً بعد تقسيمها إلى قطع (Chunks) مع تداخل بينها. تُحسب درجة التشابه بين الاستفسار والوثائق، ويُختار أعلى K وثيقة (عادةً بين 10 و20) بناءً على هذه الدرجة. هذه الخطوة – استرجاع الوثائق ذات الصلة – هي محور المقال. تُعد هذه المرحلة أكثر أهمية من أي عنصر آخر في سلسلة RAG، لأن نجاح النموذج يعتمد على توفر المحتوى الصحيح. حتى لو كان النموذج قويًا، فعدم توفر الوثائق المناسبة سيؤدي إلى إجابات خاطئة أو مُختلطة. تُستخدم طريقتان تقليديتان لاسترجاع الوثائق: التشابه القياسي (Semantic Similarity) باستخدام التضمينات، وبحث الكلمات المفتاحية (مثل TF-IDF أو BM25). لكن كلتا الطريقتين لهما عيوب: التشابه القياسي قد يفوت وثائق ذات صلة بسبب اختلاف الصيغة، بينما البحث بالكلمات المفتاحية يفشل في فهم المعنى الخفي. لتحسين الأداء، يمكن تطبيق تقنيات متقدمة. من أبرزها الاسترجاع السياقي (Contextual Retrieval)، التي اقترحها أنتروبيك في سبتمبر 2024، حيث يتم دمج بحث الكلمات المفتاحية (BM25) مع التشابه القياسي. كما يتم تحسين محتوى كل قطعة بدمج سياقها الكامل من الوثيقة، عبر توجيه نموذج لغة لإعادة صياغة القطعة لتشمل معلومات مهمة من باقي الوثيقة (مثل تاريخ، عنوان، موقع). أيضًا، يمكن تحسين الدقة (Precision) والشمولية (Recall) عبر تقنيات مثل: - استرجاع عدد أكبر من القطع (رغم تكلفة الذاكرة وزيادة التأخير). - إعادة الترتيب (Reranking) باستخدام نماذج متخصصة مثل Qwen Reranker، التي تُعيد ترتيب القطع بناءً على دقة الصلة، مما يضمن وصول الوثائق المهمة إلى المجموعة العليا. - التحقق من صلة القطع باستخدام LLM، حيث يتم تقييم كل قطعة بشكل منفصل باستخدام نموذج لغة لتحديد ما إذا كانت متعلقة بالاستفسار. رغم فعاليتها، فإن هذه الطريقة تتطلب عددًا كبيرًا من استدعاءات واجهة برمجة التطبيقات (API)، مما يزيد التكلفة والوقت. المزايا الناتجة عن تحسين استرجاع الوثائق كبيرة: زيادة عدد الاستفسارات التي تُجاب بشكل صحيح، وتقليل التخمينات (Hallucinations)، وتجنب مشاكل "إفراط السياق" (Context Bloat) أو "تلوث السياق" (Context Poisoning) الناتجة عن وجود معلومات غير دقيقة. باختصار، يجب أن تكون خطوة استرجاع الوثائق هي الاهتمام الأكبر في تصميم نظام RAG. من خلال دمج تقنيات متقدمة مثل الاسترجاع السياقي، إعادة الترتيب، والتحقق من الصلة، يمكن تحسين الأداء بشكل كبير، وبناء أنظمة بحث ذكية، دقيقة، وموثوقة.