نظام RAG يتجاوز سعة السياق
كشفت اختبارات حديثة أجراها فريق تطوير في شركة EmiTechLogic عن قصور منهجي في أنظمة التوليد المدعومة بالاسترجاع عند تطبيقها على تحليل البيانات الحسابية. أظهرت النتائج أن توسيع نافذة السياق النموذجية لا يعزز الدقة بل يولد ثقة زائفة في الإجابات غير الدقيقة، في ظاهرة أطلق عليها المطورون اسم انهيار إمكانية رصد الأخطاء. وتتمثل هذه المشكلة في قدرة النموذج على صياغة تقارير مفصلة تبدو مهنية ومعتمدة اعتماداً كلياً على عينات مجتزأة من البيانات، مما يخفي أن الدقة الحسابية الفعلية قد تنخفض إلى النصف أو أقل. يرجع السبب الجوهري لهذا الفشل إلى آلية عمل أنظمة الاسترجاع التقليدية التي تحول جداول البيانات إلى نصوص مسطحة وتسترجع أفضل المقاطع المطابقة للبحث. عند طلب عمليات المجاميع أو التجميع أو الفلاتر الرقمية، يعرض النظام النموذج على بيانات غير مكتملة، فيضطر النموذج إلى محاكاة الهياكل الحسابية بدلاً من تنفيذها فعلياً. وهكذا تنتج هذه الأنظمة إجابات كاملة المظهر لكنها خاطئة جوهرياً، خاصة مع اتساع نافذة السياق التي تزيد من تعقيد النص وتعمق صعوبة اكتشاف التناقضات الرقمية. ولحل هذا الإشكال، طوّر الفريق بنية تحتية بديلة تعتمد على مصنف الاستعلامات والمحرك الدلالي. يعمل المصنف كطبقة تصنيف أولية تكتشف نية المستخدم فوراً وتوجه الاستعلامات الحسابية الموجهة نحو المجاميع أو التصفية الرقمية إلى محرك دلالي ينفذ مسحاً كاملاً وحاسماً للبيانات، بينما يُوجه الاستعلامات المعتمدة على البحث النصي إلى مسارات الاسترجاع التقليدية. يضمن هذا الفصل الهندسي دقة مطلقة في العمليات الحسابية دون الاعتماد على التكهنات اللغوية. أظهرت الاختبارات المعيارية التي شملت تسعة استعلامات تحليلية قياسية تحقيق الدقة الكاملة في جميع النتائج مع زمن استجابة يقل عن مائتي ميلي ثانية لقاعدة بيانات تتكون من مئة ألف صف. وقد خضع النظام لمجموعة اختبارات تلقائية مكونة من مئة وتسعين حالة تغطي الحواف الحسابية وتنسيق القيم والأعطال المتوقعة، مع تمرير جميع الاختبارات بنجاح على بيئات البرمجة القياسية دون أي تبعيات خارجية. يؤكد هذا التطور على أن مشكلات الاسترجاع الذكي لا تكمن في ضعف خوارزميات البحث نفسها، بل في سوء تطبيقها على المهام الحسابية. يقترح هذا النموذج تحويل بيئة الذكاء الاصطناعي التوليدي من الاعتماد الكلي على التوليد النصي إلى بنية هجينة توجه كل عملية إلى المسار المنطقي الأمثل. وبهذا الشكل، تصبح أنظمة الاسترجاع أكثر موثوقية في المهام التي تتفوق فيها فعلاً مثل البحث عن سجلات محددة أو استرجاع الوثائق النصية، بينما تضمن المحركات الحاسمة الدقة التامة للبيانات الرقمية، مما يضع إطار عمل صلباً أمام الاعتماد الواسع على الذكاء الاصطناعي في التحليلات المؤسسية.
