RAG أم الضبط الدقيق؟ ما الذي علمتنا إياه مشاريع حقيقية مع العملاء عن الاختيار

يصل كل نقاش تقريبًا أخوضه حول الذكاء الاصطناعي في المؤسسات إلى المفترق نفسه خلال الساعة الأولى. يكون لدى العميل نموذج لغوي كبير يثير الإعجاب في العروض التوضيحية، لكنه لا يعرف منتجاته أو سياساته أو أسلوبه في الكتابة. ويسأل أحد الحاضرين: هل ينبغي أن نضبط النموذج بدقة باستخدام بياناتنا، أم نبني حوله نظامًا للتوليد المعزز بالاسترجاع (RAG)؟

الإجابة الصريحة هي أن السؤال يُطرح عادةً بصيغة خاطئة. يعالج RAG والضبط الدقيق مشكلتين مختلفتين. والفرق التي تتعامل معهما على أنهما خياران متنافسان تميل إلى إنفاق أشهر وميزانية كبيرة لوحدات معالجة الرسوميات على حل المشكلة الخطأ. إليكم كيف نتخذ القرار عمليًا، وما رأيناه ينجح وما رأيناه يفشل.

ابدأ بتحديد ما ينقص النموذج

عندما يقدم نموذج إجابة ضعيفة عن مهمة تجارية، فعادةً ما ينقصه أحد أمرين.

تنقصه المعرفة. فهو لا يعرف أحدث قائمة أسعار لديك، أو البند الوارد في عقد المورد لعام 2025، أو خطوات استكشاف الأخطاء وإصلاحها لمنتج طُرح في السوق الشهر الماضي. هذه مشكلة تتعلق بالحقائق.

ينقصه السلوك المطلوب. فهو يعرف ما يكفي، لكنه لا يستجيب بالطريقة التي تحتاج إليها. قد يتجاهل تنسيق المخرجات الذي تحدده، أو يكتب بنبرة غير مناسبة، أو يسيء قراءة رموزك الداخلية، أو يعجز عن تنفيذ مهمة محددة ومتكررة، مثل تصنيف التذاكر ضمن فئاتك الأربعين. هذه مشكلة تتعلق بالمهارات.

RAG هو الأداة المناسبة للمشكلة الأولى، والضبط الدقيق هو الأداة المناسبة للثانية. وينبع معظم الالتباس الذي أراه من محاولة استخدام الضبط الدقيق لتعليم النموذج الحقائق.

لماذا لا يُعدّ الضبط الدقيق وسيلة جيدة لإضافة المعرفة

من المغري الاعتقاد بأن تدريب نموذج على مستنداتك سيجعله «يعرفها». لكن النموذج يتعلم أسلوب تلك المستندات بموثوقية أكبر بكثير من تعلمه الحقائق الواردة فيها. وقارن باحثون في Microsoft النهجين مباشرةً في الإجابة عن أسئلة تتطلب معرفة واسعة، ووجدوا أن RAG تفوّق باستمرار على الضبط الدقيق غير الخاضع للإشراف، سواء في الحقائق التي صادفها النموذج أثناء التدريب أم في الحقائق الجديدة تمامًا.

وثمة مشكلات عملية أيضًا. فالحقائق تتغير. وكلما تغيرت سياستك أو قائمة منتجاتك، أصبح النموذج المضبوط بدقة قديمًا إلى أن تعيد تدريبه. كما أنك تفقد إمكانية تتبع مصدر المعلومات: فعندما يذكر النموذج المضبوط بدقة رقمًا، لا يمكنك الإشارة إلى المستند الذي استمده منه. وبالنسبة إلى العملاء الخاضعين للأنظمة الرقابية في قطاعي التأمين والرعاية الصحية، غالبًا ما يكون هذا وحده كافيًا لإنهاء النقاش.

أُبقيت المعرفة خارج النموذج في RAG، الذي وُصف للمرة الأولى في ورقة لويس وآخرين المنشورة عام 2020. إذ تسترجع المقاطع ذات الصلة وقت طرح السؤال، ثم تمررها إلى النموذج بوصفها سياقًا. ويعني تحديث المعرفة تحديث الفهرس، لا إعادة التدريب. كما يمكن إرفاق مصدر بكل إجابة.

أحد عملائنا في مجال الخدمات اللوجستية مثال جيد على ذلك. فقد أراد عملاؤه الحصول على إجابات فورية عن مواقع شحناتهم والمستندات الناقصة. وتتغير هذه المعلومات كل بضع دقائق. ولم يكن أي قدر من التدريب كفيلًا بإبقاء النموذج محدّثًا، لذا يجيب المساعد الذي بنيناه عن الأسئلة استنادًا إلى بيانات التتبع المباشرة وبيانات إنترنت الأشياء وقت طرحها، لا اعتمادًا على ذاكرته. وكان الاسترجاع التصميم الوحيد القابل للتطبيق.

متى يكون للضبط الدقيق دور

الضبط الدقيق لم ينتهِ دوره، لكنه أضيق نطاقًا مما يتوقعه الناس. نلجأ إليه في ثلاث حالات:

• تنسيقات إخراج ثابتة ومتكررة. عندما يتعين على النموذج إنتاج المخرجات المنظمة نفسها آلاف المرات يوميًا، مثل استخراج حقول الفواتير وفق مخطط JSON ثابت، يكون النموذج الصغير المضبوط بدقة غالبًا أكثر موثوقية وأقل تكلفة بكثير من توجيه نموذج كبير عبر المطالبات.
• لغة المجال المتخصص. تستخدم بعض المجالات اختصارات يسيء النموذج الأساسي تفسيرها. ومن الأمثلة الشائعة رموز حالات الشحن، والاختصارات السريرية، ورموز المنتجات الداخلية. ويمكن للضبط الدقيق المحدود أن يعالج ذلك.
• خفض التكلفة وزمن الاستجابة عند التوسع. بعد تحديد المهمة جيدًا، يمكن لنموذج صغير مضبوط بدقة أن يحل محل نموذج عام كبير. وتجعل أساليب مثل LoRA ذلك ميسور التكلفة، إذ تدرّب مجموعة صغيرة من الأوزان الإضافية بدلًا من تدريب النموذج بأكمله.

لاحظ أن أياً من هذه الحالات لا يتعلق بالحقائق. بل تتعلق بتعليم النموذج كيفية أداء مهمة تفهمها جيدًا بالفعل.

معظم إخفاقات RAG سببها فشل الاسترجاع

عندما يقول لي فريق: «جرّبنا RAG ولم ينجح»، نادرًا ما تكون المشكلة في النموذج، بل في خطوة الاسترجاع. فجودة النموذج لا يمكن أن تتجاوز جودة المقاطع التي تُقدَّم إليه.

الحلول غير لافتة، لكنها فعّالة:

• قسّم النص بحسب المعنى، لا بحسب عدد الأحرف. فتقسيم العقد كل 500 حرف يشطر بنوده إلى نصفين. أما تقسيمه بحسب الأقسام والعناوين فيحافظ على ترابط السياق.
• أضف سياقًا إلى كل مقطع. فالمقطع الذي يقول «الحد الأقصى 30 يومًا» لا فائدة منه ما لم يُعرف إلى أي سياسة ينتمي. وأفادت Anthropic بأن إضافة سياق موجز من المستند إلى كل مقطع قبل فهرسته، في نهج تسميه الاسترجاع السياقي، خفّض حالات فشل الاسترجاع بنسبة 49%، وبنسبة 67% عند دمجه مع إعادة الترتيب.
• اجمع بين البحث بالكلمات المفتاحية والبحث المتجهي. يجيد البحث المتجهي فهم المعنى، لكنه أضعف في التعامل مع المصطلحات الدقيقة، مثل أرقام القطع. أما البحث الهجين فيغطي الجانبين.
• اختبر الاسترجاع على نحو منفصل. أنشئ مجموعة من الأسئلة الواقعية ذات المقاطع المصدرية الصحيحة المعروفة، وقِس ما إذا كان المقطع المطلوب يظهر ضمن أبرز النتائج قبل تقييم الإجابات النهائية.

متى تستخدم كليهما

في بيئة الإنتاج، غالبًا ما تجمع أقوى الأنظمة بين النهجين. يوفّر RAG الحقائق، بينما يتولى نموذج خضع لضبط دقيق محدود تنسيق الإجابة ونبرتها ولغة المجال. وتتجه الأبحاث في المسار نفسه: إذ يضبط نهج RAFT من UC Berkeley نموذجًا ضبطًا دقيقًا خصيصًا لتمكينه من الاستفادة على نحو أفضل من المستندات المسترجعة وتجاهل المستندات غير ذات الصلة.

لكن الترتيب مهم. نبدأ دائمًا تقريبًا ببناء نظام RAG، ونقيس جوانب قصوره، ثم نقرر بعد ذلك فقط ما إذا كان الضبط الدقيق يستحق العناء. أما البدء بالضبط الدقيق، فيعني تحمّل تكاليف التدريب قبل معرفة موطن القصور الفعلي.

قائمة تحقق بسيطة لاتخاذ القرار

1. هل تعتمد المهمة على حقائق تتغير أكثر من مرة كل ربع سنة؟ استخدم RAG.
2. هل يحتاج المستخدمون أو المدققون إلى معرفة مصدر الإجابة؟ استخدم RAG.
3. هل تكمن المشكلة في تنسيق الإجابات أو نبرتها أو مفرداتها، لا في الحقائق التي تتضمنها؟ فكّر في الضبط الدقيق.
4. هل المهمة محدودة النطاق وتُنفّذ على نطاق واسع، بحيث تكون التكلفة أو السرعة مهمة؟ فكّر في ضبط نموذج أصغر ضبطًا دقيقًا.
5. هل قست جودة الاسترجاع بشكل مستقل؟ إن لم تفعل، فابدأ بذلك قبل أي شيء آخر.

الخلاصة

ليس RAG والضبط الدقيق نهجين متنافسين؛ فأحدهما يزوّد النموذج بالمعلومات الصحيحة، والآخر يشكّل طريقة تصرفه. حدّد المشكلة التي تواجهها فعلًا، وأصلح الاسترجاع قبل إلقاء اللوم على النموذج، وتعامل مع الضبط الدقيق باعتباره تحسينًا لا تستثمر فيه إلا بعد أن يثبت النظام فاعليته، لا اختصارًا لجعله يعمل.