9 أمثلة على RAG بناءً على حالات الاستخدام والهندسة المعمارية في الواقع

يُستخدم استرجاع المعلومات المعزز بالتوليد (RAG) على نطاق واسع في السياقات الاستهلاكية والمؤسسية على حد سواء. تشمل الأمثلة الواقعية اليومية لاسترجاع المعلومات المعزز بالتوليد (RAG) البحث في الويب، ودعم العملاء، والتسوق المدعوم بالذكاء الاصطناعي. وتُعد إمكانية الوصول إلى المعرفة الداخلية والمساعدة في البرمجة من أبرز الأمثلة التجارية.

يمكن أن تختلف بنية استرجاع المعلومات المعزز بالتوليد (RAG) أيضًا باختلاف حالات الاستخدام. ومن أكثر التطبيقات شيوعًا استرجاع المعلومات المعزز بالتوليد الهجين (Hybrid RAG)، والذي يجمع بين مطابقة الكلمات الرئيسية التقليدية والبحث عبر المتجهات أو الرسوم البيانية المعرفية، واسترجاع المعلومات المعزز بالتوليد القائم على الوكلاء (Agentic RAG)، والذي يوجه فيه نموذج اللغة الكبير (LLM) عملية الاسترجاع.

ما هو استرجاع المعلومات المعزز بالتوليد (RAG)؟

يتيح استرجاع المعلومات المعزز بالتوليد (RAG)، أو ما يُعرف بـ (retrieval-augmented generation)، لتطبيقات الذكاء الاصطناعي الوصول إلى المعلومات المخزنة في نظم خارجية لدعم الإجابات التي تولدها نماذج اللغة الكبيرة (LLMs).

تُعد هذه التقنية قوية لأنها تعالج ثلاث مشكلات رئيسية تواجه الذكاء الاصطناعي التوليدي: هلوسة النماذج، والمعلومات غير المتحدثة، ونقص الوصول إلى البيانات غير المدرجة في سياق الإدخال.

إليك الشكل الذي يبدو عليه استرجاع المعلومات المعزز بالتوليد (RAG) الأساسي:

1. يدخل المستخدم طلباً باللغة الطبيعية.
2. يحدد تطبيق الذكاء الاصطناعي ما إذا كان التحقق من الصحة مطلوباً، وأحياناً بمشاركة نموذج اللغة الكبير (LLM).
3. يتم إرسال طلب إلى مصدر معلومات خارجي، مثل قاعدة بيانات.
4. تتم إضافة المعلومات المسترجعة إلى مدخلات سياق نموذج اللغة الكبير (LLM).
5. يولد نموذج اللغة الكبير (LLM) إجابة بناءً على الطلب المعزز.

على الرغم من أنها قد تختلف في التنفيذ المحدد، إلا أن هذه الخطوات تمثل سير العمل النموذجي لاسترجاع المعلومات المعزز بالتوليد (RAG). وتميل الاختلافات بين الأنواع المختلفة للهندسة المعمارية إلى التمركز حول كيفية معالجة الطلبات بواسطة تطبيق العميل وطبيعة المعلومات التي يتم استرجاعها.

نظرة عامة على بنية استرجاع المعلومات المعزز بالتوليد (RAG)

ظهر مصطلح "التوليد المعزز بالاسترجاع" (retrieval-augmented generation) لأول مرة في ورقة بحثية عام 2020 بعنوان Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks، والتي نشرها باحثون في شركة Meta AI (المعروفة سابقاً باسم Facebook AI Research) إلى جانب متعاونين من جامعة كوليدج لندن وجامعة نيويورك.

تطورت الأساليب المبكرة القائمة على الاسترجاع ثم التوليد، والتي يُشار إليها أحياناً باسم "استرجاع المعلومات المعزز بالتوليد البسيط" (naive RAG)، منذ ذلك الحين لتصبح مجموعة متنوعة من أنواع البنى، والتي يتداخل العديد منها.

استرجاع المعلومات المعزز بالتوليد البسيط (Naive RAG)

يستخدم استرجاع المعلومات المعزز بالتوليد البسيط (Naive RAG) خط أنابيب بسيط للاسترجاع والتوليد، وهو لا يزال مناسباً للعديد من الطلبات الأساسية. والمثال الأكثر شيوعاً على استرجاع المعلومات المعزز بالتوليد البسيط هو تحويل استعلام إلى قائمة مرتبة من الأرقام تسمى التضمين المتجهي (vector embedding)، أو ببساطة المتجه. ثم تتم مطابقة تضمين الاستعلام مع متجهات أخرى تمثل أجزاء، وهي أجزاء من المحتوى في قاعدة بيانات أو فهرس (يُسمى الفهرس الدلالي).

استرجاع المعلومات المعزز بالتوليد المتقدم (Advanced RAG)

يعمل استرجاع المعلومات المعزز بالتوليد المتقدم (Advanced RAG) على تحسين المراحل السابقة واللاحقة للاسترجاع. وتشمل التقنيات توسيع الاستعلام، وتصفية البيانات الوصفية، وضغط السياق. تعمل هذه التقنيات بشكل أساسي على تحسين صلة المعلومات المسترجعة وطريقة تعديلها قبل إضافتها إلى سياق إدخال نموذج اللغة الكبير (LLM).

استرجاع المعلومات المعزز بالتوليد القائم على الوكلاء (Agentic RAG)

استرجاع المعلومات المعزز بالتوليد القائم على الوكلاء (Agentic RAG) هو تنفيذ خطوط أنابيب استرجاع المعلومات المعزز بالتوليد (RAG) بواسطة وكيل يعتمد على نموذج اللغة الكبير (LLM). يقوم الوكيل بـ "تحديد" الأدوات الأنسب لطلب معين ويوجه عملية الاسترجاع، أحياناً في حلقة تكرارية، لتوليد إجابة ذات صلة.

استرجاع المعلومات المعزز بالتوليد القائم على الرسوم البيانية (Graph RAG)

يسترجع استرجاع المعلومات المعزز بالتوليد القائم على الرسوم البيانية (Graph RAG) المعلومات من الرسم البياني المعرفي، والذي يمثل الكيانات (مثل الكائنات والمفاهيم والأحداث) والعلاقات فيما بينها. يكون هذا مفيداً عندما تتطلب الإجابة على طلب من نموذج اللغة الكبير (LLM) دمج معلومات حول كيانات مميزة.

استرجاع المعلومات المعزز بالتوليد متعدد الوسائط (Multimodal RAG)

يمتد استرجاع المعلومات المعزز بالتوليد متعدد الوسائط (Multimodal RAG) ليشمل محتوى مثل الصور والصوت أثناء كل من الاستعلام والاسترجاع. تستخدم خطوط أنابيب استرجاع المعلومات المعزز بالتوليد (RAG) هذه مشفرات خاصة لتحويل النص أو الصور أو الصوت إلى تضمينات.

استرجاع المعلومات المعزز بالتوليد الهجين (Hybrid RAG)

يجمع استرجاع المعلومات المعزز بالتوليد الهجين (Hybrid RAG) بين البحث عن الكلمات الرئيسية، أو الاسترجاع المعجمي، واسترجاع المتجهات أو الرسوم البيانية المعرفية ويدمج النتائج. هذا مفيد لأن مطابقة الكلمات الرئيسية يمكن أن تكون دقيقة للغاية (أكثر من الطرق الأخرى) في سياقات معينة.

استرجاع المعلومات المعزز بالتوليد التصحيحي (Corrective RAG)

يقيم استرجاع المعلومات المعزز بالتوليد التصحيحي (Corrective RAG) المعلومات أو البيانات المسترجعة لمعرفة مدى صلتها بالاستعلام. وقد يقوم بتحسين أو تكميل المقاطع المسترجعة أو استبدالها بالكامل عن طريق تنفيذ طلب آخر.

أمثلة على استرجاع المعلومات المعزز بالتوليد (RAG) حسب حالة الاستخدام والتطبيق الصناعي

هناك أمثلة متعددة لاسترجاع المعلومات المعزز بالتوليد (RAG) عبر كل من المجالات الاستهلاكية والتجارية. ويرجع ذلك إلى حد كبير إلى دمج خطوط أنابيب استرجاع المعلومات المعزز بالتوليد (RAG) في معظم الأدوات السائد استخدامها. بالإضافة إلى ذلك، يقدم العديد من الموردين عمليات تكامل جاهزة للاستخدام، مثل روبوتات الدردشة الخاصة بخدمة العملاء، مما سهل عملية الاعتماد.

1. البحث في الويب

يُعد البحث في الويب أحد أكثر أمثلة استرجاع المعلومات المعزز بالتوليد (RAG) انتشاراً. فكل يوم، يستخدم ملايين الأشخاص أدوات الذكاء الاصطناعي لتوليد استجابات مستندة إلى معلومات مسترجعة من الويب.

كيف يعمل: يبحث تطبيق الذكاء الاصطناعي في فهرس ويب، مثل فهرس Google Search، مستخدماً الاسترجاع القائم على الكلمات الرئيسية والاسترجاع الدلالي. يتم تضمين محتوى الصفحة ذات الصلة بجانب سؤال المستخدم في مدخلات نموذج اللغة الكبير (LLM). ثم يولد نموذج اللغة الكبير (LLM) إجابة، عادةً مع الاستشهاد بالمصادر.

مثال واقعي: إذا كتب المستخدم استعلاماً بسيطاً في واجهة دردشة Perplexity، مثل: "ما هي حالة الطقس في شيكاغو؟"، سيقوم نموذج اللغة الكبير (LLM) بإجراء بحث في الويب للعثور على معلومات محدثة. تستخدم Perplexity فهرس ويب خاصاً بها جنباً إلى جنب مع واجهات برمجة تطبيقات البحث التابعة لشركائها.

تكبير

2. دعم العملاء

برزت روبوتات الدردشة داخل التطبيقات ومواقع الويب كحالة استخدام مؤسسية رئيسية لاسترجاع المعلومات المعزز بالتوليد (RAG). وعادةً ما تقترن هذه الأنظمة بمسارات التوجيه التقليدية، مما يقلل من الحاجة إلى تدخل ممثلي خدمة العملاء.

كيف يعمل: عندما يطرح العميل سؤالاً، يبحث التطبيق في قاعدة معرفة الشركة، غالباً باستخدام خط أنابيب هجين. يتم تزويد المقاطع المسترجعة لنموذج اللغة الكبير (LLM)، والذي يولد الإجابة. وهناك أيضاً عادةً عمليات تصحيح وتحويل متضمنة للتحقق من الإجابة، وعند الضرورة، التوجيه إلى أحد ممثلي خدمة العملاء.

مثال واقعي: تقدم منصات خدمة العملاء المختلفة، بما في ذلك Zendesk (الموضحة أدناه) وIntercom، روبوتات دردشة جاهزة لخدمة العملاء تندمج مع الوثائق الحالية وقواعد دعم العملاء.

تكبير

3. المساعدون الشخصيون

يستخدم المساعدون الشخصيون استرجاع المعلومات المعزز بالتوليد القائم على الوكلاء (Agentic RAG) للوصول إلى رسائل البريد الإلكتروني والملفات التقويم الخاصة بالمستخدم. ويمكن عادةً لهؤلاء المساعدين تنفيذ خطوط أنابيب استرجاع معلومات معززة بالتوليد (RAG) متعددة.

كيف يعمل: نظراً لأن المساعدين الشخصيين غالباً ما يتطلبون الوصول إلى مصادر معلومات متعددة، فإنهم يستخدمون مزيجاً من واجهات برمجة التطبيقات (APIs)، والبحث عن الكلمات الرئيسية، والبحث عن المتجهات، والرسوم البيانية المعرفية. يتم إرسال أوصاف أدوات مختلفة بواسطة التطبيق إلى نموذج اللغة الكبير (LLM)، والذي يختار بعد ذلك الأدوات الأنسب.

مثال واقعي: يُعد Google Gemini مثالاً جيداً لتطبيق يمكنه العمل كمساعد ذكاء اصطناعي شخصي وعام (كما هو الحال مع معظم المساعدين في الوقت الحالي). وهو يندمج مع منظومة من الأدوات، مثل Gmail، وDocs، وPhotos، وCalendar.

تكبير

4. إدارة المعرفة في Enterprise

تتيح إدارة المعرفة في Enterprise للموظفين طرح الأسئلة عبر مجموعة واسعة من معلومات الشركة، بما في ذلك السياسات والتقارير ووثائق المشروع والنصوص القانونية وحتى المناقشات الداخلية.

كيف يعمل: يسترجع التطبيق المحتوى ذي الصلة باستخدام فهرس متجهات يتم تحديثه كلما تغيرت المستندات المصدرية. يحتوي الفهرس على تضمينات تمثل أجزاء المستند، مع روابط لنصوصها والبيانات الوصفية المرتبطة بها.

مثال واقعي: يصل Microsoft 365 Copilot إلى معلومات المؤسسة من خلال Microsoft Graph، والذي يوفر واجهات برمجة تطبيقات متنوعة لمصادر البيانات، ويستخدم الفهارس المعجمية والدلالية لاسترجاع المحتوى ذي الصلة.

تكبير

5. مساعدو البرمجة

يطبق مساعدو البرمجة استرجاع المعلومات المعزز بالتوليد (RAG) على قاعدة تعليمات برمجية. وفي حين أن عملية استرجاع المعلومات المعزز بالتوليد (RAG) الأساسية هي نفسها (عادةً استرجاع المعلومات المعزز بالتوليد القائم على الوكلاء)، فإن الاختلاف يكمن في أنها تتعامل بشكل تحديدي مع سياق التعليمات البرمجية.

كيف يعمل: يقوم مساعدو البرمجة بفهرسة ملفات المشروع المحلية وإجراء تمريرات بحث متعددة للعثور على مقتطفات التعليمات البرمجية ذات الصلة عند الطلب. كما يمتلك هؤلاء المساعدون عادةً موصلات مخصصة لتوسيع نطاق الوصول، مثل الوصول إلى قواعد المعرفة الخاصة بالشركات.

مثال واقعي: يُعد GitHub Copilot مثالاً معروفاً لمساعد برمجة يندمج مباشرةً مع مشاريع التطوير. ويمكنه أيضاً الرجوع إلى مستودعات GitHub العامة لزيادة دقة الإجابات.

تكبير

6. استكشاف الأخطاء وإصلاحها التقنية

يدمج استكشاف الأخطاء وإصلاحها التقنية خط أنابيب استرجاع معلومات معزز بالتوليد لإدارة المعرفة مع حلقة تشخيصية. يمكن للوكيل تقييم النتائج لمزيد من تحسين توصيات استكشاف الأخطاء وإصلاحها حسب الحاجة.

كيف يعمل: يجمع التطبيق أعراض مشكلة تقنية من المستخدم أو يتلقى تنبيهات مراقبة تلقائية. ويقوم بتشغيل بحث عن رسائل الخطأ، والسجلات التقنية، ومقاييس الأداء للتحقق من الأعراض. ثم يسترجع المعلومات ذات الصلة من قاعدة المعرفة الداخلية لتمريرها إلى نموذج اللغة الكبير (LLM). تحدث الحلقة التشخيصية عندما تُغذى نتائج محاولة الإصلاح مرة أخرى إلى نموذج اللغة الكبير (LLM)، إما من قبل المستخدم أو أداة تشخيص.

مثال واقعي: تقوم منصة القابلية للمراقبة Datadog (الموضحة أدناه) بجمع البيانات من جميع طبقات النظام، والإبلاغ عن أي مشكلات عند ظهورها. ويتم بعد ذلك تغذية هذه المشكلات في وكيل ذكاء اصطناعي متخصص يُسمى Bits AI لاستكشاف الإصلاحات المحتملة وإصلاحها.

تكبير

7. التجارة القائمة على الوكلاء

التجارة القائمة على الوكلاء هي حالة استخدام أوسع نطاقاً وعادةً ما تتضمن استرجاع المعلومات المعزز بالتوليد (RAG). يسترجع وكيل التسوق تفاصيل مثل مواصفات المنتج والتقييمات والأسعار ومدى التوفر لمقارنة الخيارات وشرح التوصيات. ويمكنه بعد ذلك إتمام عملية الشراء تلقائياً دون أن يغادر المستخدم واجهة الاستخدام.

كيف يعمل: التجارة القائمة على الوكلاء هي استرجاع معلومات معزز بالتوليد قائم على الوكلاء حقيقي (Agentic RAG) لأن الاستعلامات المحددة غالباً ما تتطلب أشكالاً مختلفة من الاسترجاع، والتي يوجهها النموذج. قد يسترجع الوكيل بيانات منتج نصية فقط من خلال واجهة برمجة تطبيقات الخاصة ببائع تجزئة، أو قد يستخدم استرجاع المعلومات المعزز بالتوليد متعدد الوسائط لمطابقة المنتجات في الفهرس الدلالي بناءً على صورة فوتوغرافية للمستخدم.

مثال واقعي: يمكن لوكيل عام مثل Perplexity استرجاع صور متعددة ومواصفات مفصلة للمنتج بناءً على طلب. تتيح ميزة الدفع السريع (Instant Buy) للمستخدم إتمام عملية الشراء بعد اختيار المنتج.

تكبير

8. مجالات المعرفة المتخصصة

يتعين على أدوات الذكاء الاصطناعي التي تسترجع معرفة النطاقات المتخصصة التعامل مع تنسيقات المحتوى المعقدة. بالإضافة إلى ذلك، غالباً ما يكون تقليل هلوسة النماذج وفجوات المعلومات أولوية.

كيف يعمل: يكمن الاختلاف الرئيسي بين بنى استرجاع المعلومات المعزز بالتوليد (RAG) ذات الأغراض العامة والمتخصصة في المواد المصدرية وتكوين الاسترجاع. عادةً، سيتم الاستعلام فقط عن فهرس موثوق به للغاية، وسيتم تكوين الطلب لتضمين مصطلحات محددة لتضييق عمليات البحث.

مثال واقعي: تصل أداة البحث الأكاديمي Scite إلى فهرس كبير من الأوراق الأكاديمية وبيانات الاستشهاد التي تم إنشاؤها من خلال اتفاقيات الناشرين ومصادر الوصول المفتوح. كما أنها تطبق عمليات فحص ما بعد الاسترجاع، مثل التحقق من المصدر، قبل توليد إجابة كاملة.

تكبير

9. تحليل البيانات

أصبح استرجاع المعلومات المعزز بالتوليد (RAG) لتحليل البيانات حالة استخدام مؤسسية قوية بشكل خاص لأنه يسمح لمجموعة واسعة من المهنيين، وخاصة أولئك الذين ليس لديهم تدريب في علوم البيانات، بالاستعلام عن مجموعات البيانات باستخدام اللغة الطبيعية. هذا يسهل عملية إنشاء التقارير وطرح أسئلة محددة للغاية.

كيف يعمل: بالنسبة لسؤال مثل "لماذا انخفضت المبيعات في الربع الماضي؟"، قد يستعلم التطبيق عن سجلات المبيعات ويسترجع ملاحظات حول نقص المخزون أو تغييرات التسعير. يحدد نموذج اللغة الكبير (LLM) الحساب المناسب (والذي يتم تفويضه عادةً إلى أداة حساب) للبيانات المسترجعة قبل توليد التحليل.

مثال واقعي: يقدم Google Analytics روبوت دردشة للذكاء الاصطناعي باسم "Ask Advisor" يمكنه الوصول إلى بيانات تحليلات الويب والإجابة على أسئلة محددة للغاية ودقيقة من المستخدمين. وهو أحد أفضل الأمثلة الواقعية لاسترجاع المعلومات المعزز بالتوليد (RAG) للأنظمة المغلقة وعلى مستوى المؤسسات.

تكبير

ما هي الخطوة التالية في تطور استرجاع المعلومات المعزز بالتوليد (RAG)؟

كان استرجاع المعلومات المعزز بالتوليد (RAG) تطوراً كبيراً عندما تم تقديمه لأول مرة. فقد ساعد في معالجة العديد من المشكلات المتأصلة في نماذج اللغة الكبيرة (LLMs) المستقلة.

ومع ذلك، فهو بعيد كل البعد عن أن يكون تقنية ثابتة. تركز الأبحاث الحالية على الاسترجاع متعدد الوسائط الأعمق والمعالجة الأكثر صرامة للسياق المسترجع لضمان الدقة والصحة. بالإضافة إلى ذلك، من المرجح أن نشهد تكاملاً أكبر لاسترجاع المعلومات المعزز بالتوليد (RAG) في الوكلاء ذوي الأدوات المتعددة.

حتى مع نوافذ السياق الكبيرة للغاية، توجد حالات استخدام مهمة لاسترجاع المعلومات المعزز بالتوليد (RAG) في كل من السياقات الشخصية والمهنية، ولا يزال هناك الكثير من الابتكارات القادمة.