Retrieval Augmented Generation (RAG)

يعد التوليد المعزز بالاسترجاع (RAG) تقنية متقدمة في مجال الذكاء الاصطناعي تعمل على تحسين مخرجات نموذج لغوي كبير (LLM) من خلال الرجوع إلى قاعدة معرفية موثوقة خارج بيانات تدريبه. تعتمد النماذج التوليدية التقليدية حصراً على معلومات ثابتة تم تعلمها أثناء تدريبها الأولي، وهو ما قد يؤدي إلى إجابات قديمة أو عدم دقة واثقة تُعرف باسم الهلوسة. يسد RAG هذه الفجوة عن طريق استرجاع معلومات ذات صلة ومحدثة من مصادر خارجية—مثل قواعد بيانات الشركات، أو الأخبار الحالية، أو الكتيبات الفنية—وتغذيتها للنموذج كـ سياق قبل إنشاء الاستجابة. تضمن هذه العملية أن مخرجات الذكاء الاصطناعي ليست متماسكة لغوياً فحسب، بل دقيقة واقعياً ومستندة إلى بيانات محددة.

Link to this sectionكيف تعمل أنظمة RAG#

تتضمن بنية نظام RAG عادةً مرحلتين رئيسيتين: الاسترجاع والتوليد. تتيح سير العمل هذا للمطورين الحفاظ على نموذج أساسي دون الحاجة المكلفة لإعادة التدريب المتكرر.

1. الاسترجاع: عندما يرسل المستخدم استعلاماً، يقوم النظام أولاً بإجراء بحث دلالي عبر نظام تخزين متخصص يسمى قاعدة بيانات متجهة. تحتوي قاعدة البيانات هذه على بيانات تم تحويلها إلى تمثيلات رقمية تُعرف باسم تضمينات، مما يسمح للنظام بالعثور على معلومات متشابهة مفاهيمياً بدلاً من مجرد مطابقة الكلمات الرئيسية.

2. التوليد: يتم دمج المستندات أو مقتطفات البيانات ذات الصلة التي تم العثور عليها أثناء الاسترجاع مع سؤال المستخدم الأصلي. يتم بعد ذلك إرسال هذا المطالبة (prompt) المُعززة إلى النموذج التوليدي. يستخدم النموذج هذا السياق المقدم لتوليف إجابة، مما يضمن أن الاستجابة تعتمد على الحقائق المسترجعة. للحصول على تعمق أكبر في الآليات، تقدم IBM دليلاً شاملاً حول سير عمل RAG.

Link to this sectionRAG المرئي: دمج الرؤية الحاسوبية#

بينما يعتمد RAG تقليدياً على النصوص، أدى ظهور التعلم متعدد الوسائط إلى تقديم "RAG المرئي". في هذا السيناريو، تعمل نماذج الرؤية الحاسوبية كآلية استرجاع. فهي تحلل الصور أو تدفقات الفيديو لاستخراج بيانات نصية مهيكلة—مثل أسماء الكائنات، أو أعدادها، أو الأنشطة—والتي يتم بعد ذلك تغذيتها إلى LLM للإجابة على أسئلة حول المشهد المرئي.

على سبيل المثال، يمكن للمطور استخدام YOLO26 لاكتشاف الكائنات في صورة وتمرير تلك القائمة من الكائنات إلى نموذج نصي لإنشاء تقرير وصفي.

from ultralytics import YOLO

# Load the YOLO26 model for state-of-the-art detection
model = YOLO("yolo26n.pt")

# Perform inference to 'retrieve' visual facts from an image
results = model("https://ultralytics.com/images/bus.jpg")

# Extract class names to build a text context for an LLM
detected_classes = [model.names[int(c)] for c in results[0].boxes.cls]
context_string = f"The scene contains: {', '.join(detected_classes)}."

print(context_string)
# Output example: "The scene contains: bus, person, person, person."

Link to this sectionتطبيقات العالم الحقيقي#

يُحدث RAG تحولاً في الصناعات من خلال تمكين وكلاء الذكاء الاصطناعي من الوصول إلى البيانات المملوكة أو البيانات في الوقت الفعلي بشكل آمن.

• قواعد المعرفة المؤسسية: تستخدم الشركات RAG لبناء روبوتات دردشة داخلية تجيب على أسئلة الموظفين حول سياسات الموارد البشرية أو الوثائق الفنية. من خلال ربط LLM بمستودع وثائق مباشر، يتجنب النظام تقديم معلومات سياسة قديمة. للمزيد حول تطبيقات المؤسسات، انظر نظرة عامة على Google Cloud حول RAG في Vertex AI.
• دعم القرار السريري: في الذكاء الاصطناعي في الرعاية الصحية، يمكن لأنظمة RAG استرجاع تاريخ المريض والأوراق البحثية الطبية الحديثة لمساعدة الأطباء في التشخيص، مما يضمن أن المشورة تأخذ في الاعتبار أحدث الدراسات السريرية.
• مساعدو التجزئة الأذكياء: تستفيد التطبيقات التي تستخدم الذكاء الاصطناعي في التجزئة من RAG للتحقق من قواعد بيانات المخزون المباشرة. إذا سأل عميل روبوت دردشة: "هل لديكم حذاء الجري هذا بمقاس 10؟"، يسترجع النموذج مستويات المخزون في الوقت الفعلي قبل الإجابة، مما يمنع الإحباط الناتج عن عدم توفر العناصر.

Link to this sectionRAG مقابل الضبط الدقيق (Fine-Tuning)#

من الضروري التمييز بين RAG والضبط الدقيق، حيث يحل كل منهما مشاكل مختلفة.

• RAG (التوليد المعزز بالاسترجاع): الأفضل للوصول إلى البيانات الديناميكية التي تتغير بشكل متكرر (مثل أسعار الأسهم، الأخبار) أو البيانات الخاصة غير الموجودة في مجموعة التدريب العامة. وهو يركز على توفير معلومات جديدة وقت التشغيل.
• الضبط الدقيق: الأفضل لتكييف سلوك النموذج، أو أسلوبه، أو مصطلحاته. يتضمن ذلك تحديث أوزان النموذج على مجموعة بيانات محددة. وبينما يساعد الضبط الدقيق النموذج على تعلم نمط لغوي معين (مثل المصطلحات الطبية)، فإنه لا يمنح حق الوصول إلى الحقائق في الوقت الفعلي. راجع دليل OpenAI حول الضبط الدقيق مقابل RAG للحصول على أطر عمل لاتخاذ القرار.

Link to this sectionمفاهيم ذات صلة#

• LangChain: إطار عمل مفتوح المصدر شائع مصمم خصيصاً لتبسيط إنشاء تطبيقات RAG من خلال ربط أدوات الاسترجاع وLLMs معاً.
• رسم بياني للمعرفة: طريقة مهيكلة لتمثيل البيانات يمكن استخدامها كمصدر استرجاع، مما يوفر علاقات غنية بالسياق أكثر من مجرد تشابه المتجهات البسيط.
• هندسة الأوامر: فن صياغة المدخلات لتوجيه النموذج. يُعد RAG في جوهره شكلاً مؤتمتاً من هندسة الأوامر حيث يتم إثراء "الأمر" بالبيانات المسترجعة برمجياً.
• منصة Ultralytics: بينما يتولى RAG جانب توليد النصوص، فإن منصات كهذه ضرورية لإدارة معالجة البيانات وتدريب نماذج الرؤية التي تغذي البيانات المرئية في خطوط أنابيب RAG متعددة الوسائط.