لمشاريع الذكاء الاصطناعي في الشركات نمط متكرر. يقوم فريق ما ببناء نموذج أولي، ويبدو العرض التوضيحي مثيرًا للإعجاب. ثم، بعد ثلاثة أشهر، يبدأ النظام في الانهيار. تنحرف الاستجابات، وترتفع التكاليف. يسأل مسؤول الامتثال عن مصدر إجابة محددة، ولا يستطيع أحد في الغرفة الإجابة.
نادرًا ما يبدأ هذا الانهيار بسبب كود برمجي سيئ، بل يبدأ باختيار معماري واحد يتم التعامل معه وكأنه مسابقة شعبية: التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation) مقابل الضبط الدقيق (fine-tuning).
إن تقنية RAG والضبط الدقيق (fine-tuning) ليسا نسختين من المنتج نفسه، بل هما أداتان مختلفتان جوهريًا. إحداهما تتحكم فيما يمكن للنموذج رؤيته، والأخرى تتحكم في كيفية سلوك النموذج. اختيار الأداة الخاطئة للمهمة لن يظهر في النموذج الأولي، بل سيظهر لاحقًا عندما تعتمد الأعمال عليها بالكامل.
فخ العرض التوضيحي
الضغط لإطلاق ميزة ذكاء اصطناعي توليدي هو ضغط شديد. غالبًا ما تختار الفرق طريقة ما لأنها رأتها في درس تعليمي جيد الصياغة، أو لأن عرضًا تقديميًا من أحد الموردين جعل الأمر يبدو سهلاً. هذه طريقة سيئة للغاية لاتخاذ قرارات البنية التحتية.
يمكن للنموذج الذي تم ضبطه بدقة (fine-tuned model) أن يبدو سحريًا في عرض توضيحي محكوم؛ فهو يتحدث بصوت شركتك ويتعرف على أسماء منتجاتك. كما يمكن لمسار RAG (RAG pipeline) أن يبدو سحريًا أيضًا، حيث يجيب على أسئلة حول مستند لم يتم التدريب عليه أبدًا. لكن العرض التوضيحي يخفي الواقع التشغيلي. فإذا كانت بيانات التسعير الخاصة بك تتغير أسبوعيًا وكنت قد أجريت الضبط الدقيق بناءً على أرقام الربع الأخير، فسيقوم النموذج باقتباس أرقام قديمة بكل ثقة. وإذا كان فريق الدعم لديك يحتاج إلى إرجاع كل إجابة إلى ملف PDF خاص بسياسة معينة، فإن النموذج الذي تم ضبطه بدقة لن يوفر لك أي هوامش، بل سيعطيك نصًا فحسب.
ما الذي تعنيه تقنية RAG حقًا
يرمز RAG إلى "التوليد المعزز بالاسترجاع" (Retrieval-Augmented Generation)، لكن الاسم يجعله يبدو أكثر تعقيدًا مما هو عليه في الواقع. في جوهره، يجيب RAG على سؤال واحد: ما الذي يحتاج النموذج للبحث عنه الآن؟
تخيل موظف خدمة عملاء يُسمح له بالبحث في موسوعة الشركة (wiki) قبل الرد على تذكرة دعم. يقوم RAG بذلك تمامًا، ولكن بشكل آلي. عندما يطرح المستخدم سؤالاً، يبحث النظام في قاعدة بيانات متجهة (vector database) أو مخزن مستندات عن أجزاء نصية ذات صلة، ثم يمرر تلك الأجزاء إلى النموذج اللغوي كـ "سياق" (context)، جنباً إلى جنب مع السؤال الأصلي. يقوم النموذج بعد ذلك بتوليد إجابة بناءً على الأدلة المسترجعة.
يتألق هذا النهج عندما تكون قاعدة معرفتك خارج النموذج. فتوثيق المنتجات، والملفات القانونية، والأبحاث الطبية، وجداول بيانات المخزون، كلها تتغير باستمرار. يحافظ RAG على حداثة النموذج دون الحاجة إلى إعادة تدريب وزن واحد (weight). كما أنه ينشئ مسار تدقيق طبيعي؛ فبما أنك تعرف المستندات التي تم استرجاعها، يمكنك أن تظهر للمدقق أو المنظم مصدر الإجابة بدقة.
ما الذي يعنيه الضبط الدقيق (Fine-Tuning) حقًا
يجيب الضبط الدقيق على سؤال مختلف: كيف يجب أن يتصرف النموذج؟
بدلاً من إعطاء النموذج مواد قراءة خارجية، فإنك تعلمه من خلال الأمثلة. تقوم بجمع مئات أو آلاف الأمثلة للمخرجات التي تريدها، وتستمر في تدريب النموذج الأساسي على تلك البيانات. تقوم هذه العملية فعليًا بتعديل المعلمات (parameters) الداخلية للنموذج، حيث تغير الأوزان (weights).
والنتيجة هي نموذج استوعب الأنماط داخليًا.