مركز تعلّم الذكاء الاصطناعيEnglish
ترجمة عربية جديدة ✦ نراجعها باستمرار لتحسينها.

الضبط الدقيق مقابل RAG مقابل هندسة التعليمات

⁧كتابة التعليمات⁩⁧التكلفة⁩⁧منخفضة⁩⁧السرعة⁩⁧فورية⁩⁧قابل للتراجع⁩⁧نعم⁩⁧التحديثات⁩⁧تعديل النص⁩⁧الأنسب لـ⁩⁧أكثر من 80% من الحالات⁩⁧الضبط الدقيق⁩⁧التكلفة⁩⁧مرتفعة⁩⁧السرعة⁩⁧ساعات إلى أيام⁩⁧قابل للتراجع⁩⁧يلزم إصدار جديد⁩⁧التحديثات⁩⁧إعادة تدريب⁩⁧الأنسب لـ⁩⁧ثبات السلوك⁩
⁧ابدأ بالتعليمات. ولا تلجأ للضبط الدقيق إلا حين تعجز التعليمات عن تحقيق ثبات السلوك.⁩

إطار القرار: معرفة أم سلوك أم صيغة؟

كل طلب لـ«تخصيص النموذج» يتفكّك إلى سؤال واحد: ما الذي تحاول تغييره فعلًا؟ إن كانت الفجوة معرفية، أي أن النموذج لا يعرف وثائقك أو بيئتك أو بياناتك الحالية، فالجواب هو الاسترجاع (RAG)، لأن المعرفة المحقونة وقت الاستعلام تبقى حديثة وقابلة للتدقيق. وإن كانت الفجوة في السلوك أو الأسلوب، كصيغة المخرجات أو مصطلحات المجال أو النبرة المتسقة أو الالتزام الموثوق بمواصفات معقّدة، فابدأ بهندسة التعليمات (Prompt engineering) ولا تصعّد إلى الضبط الدقيق (Fine-tuning) إلا حين يثبت أن التعليمات وصلت إلى سقفها. وإن كانت الفجوة في القدرة، أي استدلال لا يستطيعه النموذج الأساسي ببساطة، فلن ينقذك RAG ولا الضبط الدقيق؛ اختر نموذجًا أقوى. ومعظم عمليات النشر الحقيقية تبني التقنيات طبقات: نموذج مضبوط بدقة أو موجَّه جيدًا وفوقه RAG. وقيمة الإطار أنه يمنع الفشل الكلاسيكي: الضبط الدقيق لتعليم الحقائق، وهو بطيء، وقديم لحظة وصوله، وأسوأ من الاسترجاع في الاستدعاء الأمين.

  • فجوة معرفة ← RAG؛ فجوة سلوك ← التعليمات ثم الضبط الدقيق؛ فجوة قدرة ← نموذج أساسي أفضل
  • الضبط الدقيق ضعيف في إضافة الحقائق؛ فالأوزان مخزن مُفقِد للمعلومات وغير قابل للتحديث مقارنة بالاسترجاع
  • التقنيات تتركّب معًا؛ هذا قرار طبقات، لا اختيار ثلاثي إمّا هذا أو ذاك

التعليمات أولًا: أرخص مما تظن، وتذهب أبعد مما تظن

هندسة التعليمات هي التكييف الأعلى أثرًا والأقل التزامًا، والنماذج الرائدة الحديثة تتبع تعليمات أدق بكثير مما توحي به الحكمة الشائعة الموروثة من الأجيال السابقة. تعليمات نظام (System prompt) منظّمة تتضمّن الدور والقيود ومخطط المخرجات وحفنة من الأمثلة التوضيحية (Few-shot) المختارة جيدًا كثيرًا ما تسدّ فجوات افترضت الفرق أنها تحتاج إلى تدريب. ويوسّع السياق الطويل ما تستطيع التعليمات حمله: أدلة الأسلوب، والمسارد، ومراجع واجهات API، والأمثلة المحلولة، ويجعل التخزين المؤقت للتعليمات بادئةً ثابتة كبيرة معقولة اقتصاديًا عبر الاحتفاظ بذاكرة KV المؤقتة الخاصة بها بين الطلبات، فتنهار التكلفة الحدّية للتعليمات الغنية. كما يمكن تعديل التعليمات وتجربتها في دقائق والتراجع عنها فورًا، بينما تستغرق كل دورة في أي حلقة تدريب أيامًا. والانضباط الذي يجعل هذا حقيقيًا هو التقييم (Eval): مجموعة اختبار ثابتة تُقيَّم بها كل نسخة من التعليمات، فيصبح «الأفضل» قياسًا لا انطباعًا.

LoRA وQLoRA: ضبط دقيق بلا ثمن باهظ

الضبط الدقيق الكامل يحدّث كل وزن: ذاكرة GPU هائلة، ونسخة كاملة من النموذج لكل متغيّر، وخطر حقيقي للنسيان الكارثي. ويلاحظ LoRA (التكييف منخفض الرتبة) أن تغييرات الضبط الدقيق منخفضة الرتبة تقريبًا، فيجمّد النموذج الأساسي ويدرّب مصفوفات صغيرة مزدوجة إلى جانب مصفوفات الأوزان القائمة، عادةً أقل بكثير من واحد بالمئة من المعاملات. المهايئ (Adapter) بحجم ميغابايتات، وقابل للتبديل أثناء التشغيل، ويستطيع نموذج أساسي واحد أن يخدم مهايئات كثيرة لعملاء أو مهام مختلفة. ويدفع QLoRA إمكانية الوصول أبعد: كمّم النموذج الأساسي المجمّد إلى 4 بت، ودرّب مهايئات LoRA بدقة أعلى فوقه، فتصبح النماذج المفتوحة القادرة قابلة للضبط الدقيق على وحدة GPU واحدة في محطة عمل. والجودة في السلوكيات المستهدفة تقترب من الضبط الدقيق الكامل في معظم الحالات العملية، ولهذا أصبحت طرق المهايئات هي الافتراض، والضبط الدقيق الكامل استثناءً يحتاج إلى تبرير.

  • LoRA: جمّد الأساس، ودرّب إضافات منخفضة الرتبة، أي جزءًا من الواحد بالمئة من المعاملات
  • المهايئات صغيرة وقابلة للتبديل الفوري: نموذج أساسي واحد وتخصّصات رخيصة كثيرة
  • QLoRA: أساس مجمّد بـ4 بت + مهايئات مدرّبة، أي ضبط دقيق جاد بميزانيات وحدة GPU واحدة
  • المصادر الأساسية: «LoRA: Low-Rank Adaptation of Large Language Models» و«QLoRA: Efficient Finetuning of Quantized LLMs»

متى يفوز الضبط الدقيق، وما تكلفته الحقيقية

يستحق الضبط الدقيق مكانه في مواقف محدّدة: صيغ مخرجات صارمة يجب أن تصمد بموثوقية عالية جدًا؛ ولغة مجال عميقة (قانونية أو طبية أو قواعد كود متخصّصة) تبقى فيها التعليمات منحرفة قليلًا؛ وتقطير (Distillation) سلوك نموذج رائد في نموذج صغير ورخيص للمهام الضيقة عالية الحجم؛ وتقليص هياكل التعليمات الطويلة على نطاق واسع، حيث يتفوّق السلوك المدمج في الأوزان على رموز التعليمات في كل طلب. والتكلفة الصادقة ليست تشغيل التدريب، بل كل ما يحيط به: مئات إلى آلاف الأمثلة النظيفة الموسومة، وإطار تقييم يثبت التحسّن دون تراجع، وخط إعادة تدريب لكل تحديث للنموذج الأساسي، إلى الأبد. والبند الأخير هو القاتل الصامت: النماذج الأساسية تتحسّن بسرعة، وكل ترقية تعيد عمل الضبط من البداية. والمعيار بسيط: اضبط بدقة حين يعجز الأداء المقيس للتعليمات مع RAG فعلًا عن تلبية المتطلبات، وحين يكون حجم حمل العمل كافيًا لتوزيع تكلفة التزام صيانة دائم.

  • الحالات القوية: موثوقية صارمة للصيغة، وأسلوب مجال عميق، والتقطير إلى نماذج أصغر، واقتصاديات رموز التعليمات على نطاق واسع
  • البيانات هي التكلفة الحقيقية؛ فالانتقاء والتوسيم يفوقان إنفاق GPU بكثير
  • كل ترقية للنموذج الأساسي تعيد الدورة؛ الضبط الدقيق اشتراك، لا عملية شراء

كيف ينطبق هذا عليّ؟

مستخدم عام

حين تقول الفرق إنها «ستدرّب الذكاء الاصطناعي على بياناتنا»، فهي عادةً تختار بين ثلاثة أشياء مختلفة جدًا، وأرخصها يحلّ معظم المشكلات.

  • التعليمات الأفضل (Prompt) تصلح معظم المشكلات؛ ونادرًا ما يكون التدريب هو الحاجة الفعلية
  • رغبتك في أن يعرف الذكاء الاصطناعي وثائقك مشكلة استرجاع، لا مشكلة تدريب
  • الضبط الدقيق الحقيقي التزام مستمر، لا ترقية لمرة واحدة
متخصص أمن

«نحتاج إلى نموذج مضبوط بدقة على بياناتنا الأمنية» هو أكثر الطلبات شيوعًا وسوءًا في تحديد النطاق في مشاريع الذكاء الاصطناعي الأمنية. وتشخيص المعرفة مقابل السلوك يتيح لك إعادة توجيهه بمصداقية، ومعرفتك بـLoRA تتيح لك تقدير التكلفة بأمانة حين يكون الضبط الدقيق حاجة حقيقية.

  • أجرِ التشخيص: «هل الفجوة فيما يعرفه النموذج، أم في طريقة استجابته؟» المعرفة (أدلة التشغيل والحوادث واستخبارات التهديدات) ← RAG، وبذلك تكون قد قلّصت النطاق بشكل كبير
  • حين يكون الضبط الدقيق حاجة حقيقية، حدّد النطاق بالمهايئات (LoRA/QLoRA) لا بالتدريب الكامل، واكشف التكاليف الخفية مبكرًا: البيانات الموسومة، وإطار التقييم، وإعادة التدريب مع كل تحديث للنموذج الأساسي
  • نفّذ جولة عمل محدّدة المدة على التعليمات مع مجموعة تقييم ثابتة قبل أي التزام بالتدريب؛ فهي تسدّ معظم الفجوات وتعطي القيادة دليلًا في الحالتين
  • قابلية التدقيق في RAG (الإحالات والتحكم في الوصول لكل استعلام) هي بحد ذاتها ميزة أمنية لا يقدّمها الضبط الدقيق؛ فالمعرفة المدمجة في الأوزان لا يمكن ضبط صلاحياتها ولا تتبّعها
مطوّر

اصعد سلّم التصعيد مع قياسات عند كل درجة: التعليمات مع التقييمات، ثم RAG، ثم المهايئات. كل خطوة صعودًا تضيف سطحًا تشغيليًا دائمًا؛ فلا تخطُها إلا حين يثبت أن الدرجة السابقة وصلت إلى سقفها.

  • ابنِ مجموعة التقييم أولًا؛ فكل قرار تكييف لاحق يعتمد على القياس مقابلها
  • استنفد التعليمات المنظّمة والأمثلة التوضيحية والتخزين المؤقت للتعليمات قبل أن تلمس حلقة تدريب
  • شغّل تقييمات القدرات العامة على النماذج المضبوطة، لا تقييمات المهمة المستهدفة فقط؛ فالتراجعات تختبئ خارج الهدف
مستشار ذكاء اصطناعي

الضبط الدقيق هو التدخّل الأكثر إفراطًا في التوصية به في استشارات الذكاء الاصطناعي. وخارطة طريق تكييف مرحلية، أي التعليمات ثم الاسترجاع ثم الضبط، تحمي العملاء من التزامات مكلفة كانت طبقة أرخص ستفي بها.

  • تعاقد على جولة عمل للتعليمات بمعايير تقييم محدّدة بوصفها المرحلة الأولى من أي مشروع تخصيص
  • سعّر الضبط الدقيق بأمانة: انتقاء البيانات، وبنية التقييم التحتية، وإعادة التدريب مع كل تحديث للنموذج الأساسي، لا تشغيل التدريب فحسب
  • قدّم المقارنة بين RAG والضبط الدقيق جزئيًا بوصفها مسألة حوكمة: الاسترجاع قابل للتدقيق ومتحكَّم في الوصول إليه؛ والمعرفة المدمجة ليست كذلك