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

تقنيات النماذج اللغوية الكبيرة

⁧سؤال المستخدم⁩⁧التضمين⁩⁧بحث المتجهات⁩⁧إثراء التعليمات⁩⁧النموذج يولّد⁩⁧قاعدة متجهات⁩⁧قاعدة معرفتك الخاصة⁩⁧(أدلة تشغيل، مستندات، تذاكر، سجلات)⁩⁧النمط: أسند كل إجابة إلى أدلة مسترجعة — النموذج لا يخترع من الصفر⁩⁧الاستشهادات ميزة إضافية. التحديثات فورية. ولا حاجة لإعادة التدريب.⁩
⁧RAG: استرجع السياق المناسب أولًا ثم ولّد — فتبقى الإجابات مُسنَدة⁩

أربع طرق لتوسيع قدرات النموذج

بعد أن يوجد النموذج، هناك أربع طرق رئيسية لتغيير سلوكه أو توسيعه دون إعادة بنائه. وهي ليست متنافية؛ فالمنتجات المؤسسية عادةً تجمع عدة طرق منها. حين تسأل الفرق: «هل يمكننا تخصيصه لبيئتنا؟» فهي تصف واحدة من هذه الأربع، حتى لو لم تعرف أيّها بعد.

  • هندسة التعليمات (Prompt engineering): تشكّل مُدخلات النموذج وقت التشغيل — الأسرع والأرخص؛ ولا تتطلب إعادة تدريب
  • التوليد المعزّز بالاسترجاع (RAG): يُدخل معرفة خارجية وقت الاستعلام — النمط المعتمد لتأسيس الإجابات على بيانات خاصة أو حديثة
  • الضبط الدقيق (Fine-tuning): يعيد التدريب على أمثلة من المجال — يُستخدم حين لا يمكن سدّ فجوات السلوك بالتعليمات وحدها
  • التعلّم المعزّز من الملاحظات البشرية (RLHF): يوائم مخرجات النموذج باستخدام إشارات التفضيل البشري — تطبّقه الشركة المطوّرة أثناء تطوير النموذج، لا العميل بعد النشر

RAG: المعيار المؤسسي

التوليد المعزّز بالاسترجاع هو النمط السائد في المؤسسات: حوّل استعلام المستخدم إلى تضمين (Embedding)، وابحث عن أكثر المقاطع صلة في قاعدة معرفة خاصة عبر البحث المتجهي، ثم أدخل تلك المقاطع في تعليمات (Prompt) النموذج اللغوي الكبير كسياق، وولّد إجابة مؤسَّسة على البيانات المسترجعة. وفي الأمن: يتيح لمساعد ذكي (Copilot) لعمليات الأمن أن يجيب عن بيئتك، وأدلة إجراءاتك، وحوادثك السابقة — دون إعادة تدريب أي شيء. أرخص من الضبط الدقيق، ويتحدّث فورًا حين تتغير بيانات المصدر، ويذكر المصادر، ويُبقي البيانات المملوكة خارج النموذج الأساسي.

أين يفشل RAG

إذا كان الاسترجاع سيئًا، كان التوليد سيئًا. استراتيجية التقطيع، واختيار نموذج التضمين، وإعادة الترتيب كلها مهمة جدًا. ومن أسباب فشل التجارب الشائعة إطلاق RAG بسيط ساذج ثم لوم النموذج اللغوي بينما كان الاسترجاع هو المشكلة الفعلية. اسأل الموردين: ما استراتيجية الاسترجاع وإعادة الترتيب التي يستخدمها المنتج؟ «نحن نستخدم RAG» ليست إجابة كافية — إنها بداية الحديث، لا الإجابة.

هندسة التعليمات: الخيار الافتراضي الصحيح

تغيّر السلوك بتغيير التعليمات. رخيصة وفورية وقابلة للتراجع. والنماذج الرائدة الحديثة تتبع التعليمات الدقيقة جيدًا. ينبغي أن تكون الخيار الافتراضي في أكثر من 80% من حالات الاستخدام. ومعظم طلبات التخصيص في المؤسسات — النبرة، والصيغة، والنطاق، والشخصية — يمكن حلّها بهندسة التعليمات. انتقل إلى RAG حين تكون الفجوة في المعرفة، وإلى الضبط الدقيق حين تكون الفجوة في سلوك لا تستطيع التعليمات سدّه فعلًا.

الضبط الدقيق مقابل RAG: كيف تحسم القرار

يغيّر الضبط الدقيق السلوك بمزيد من التدريب على الأمثلة. مكلف، وأبطأ في التحديث، ويتطلب بنية تحتية لتعلّم الآلة. السؤال التشخيصي: هل الفجوة في المعرفة (ما يعرفه النموذج) أم في السلوك (كيف يستجيب)؟ فجوات المعرفة ← RAG. فجوات السلوك ← الضبط الدقيق أو التعليمات. ومعظم طلبات «نحتاج إلى نموذج مضبوط بدقة على بياناتنا الأمنية» هي في الحقيقة طلبات RAG متنكّرة. أما RLHF فتقنية في مرحلة التدريب تطبّقها الشركات المطوّرة أثناء تطوير النموذج، ولا يستطيع العملاء تنفيذها بعد النشر.

الرأي الصريح

معظم طلبات «نحتاج إلى نموذج مضبوط بدقة على بياناتنا الأمنية» هي في الحقيقة طلبات RAG متنكّرة. الضبط الدقيق هو الإجابة الصحيحة حين تحتاج إلى اتساق سلوكي لا تستطيع التعليمات تحقيقه بموثوقية — وهذا أندر بكثير مما تظنه معظم الفرق. وكثيرًا ما تُغني جولة منظّمة من هندسة التعليمات مدتها أربعة أسابيع عن الضبط الدقيق تمامًا. وحين يُصرّ أحدهم على الضبط الدقيق، اسأله: هل استبعدتم فعلًا RAG مع هندسة التعليمات لسدّ هذه الفجوة بعينها؟

كيف ينطبق هذا عليّ؟

مستخدم عام

التوليد المعزّز بالاسترجاع واحد من أربع طرق لتوسيع النموذج اللغوي الكبير، وهو الأكثر شيوعًا للأسئلة القائمة على المعرفة. هكذا تجيب أدوات الذكاء الاصطناعي عن أسئلة حول مستنداتك الداخلية دون أن تُدمج تلك المستندات في النموذج أبدًا.

  • إذا أعطى الذكاء الاصطناعي إجابة خاطئة عن مستنداتك الداخلية، فالأرجح أن خطوة الاسترجاع هي التي فشلت، لا الذكاء الاصطناعي نفسه
  • المصادر المذكورة في إجابات الذكاء الاصطناعي ميزة من ميزات RAG — وغياب المصادر يعني عادةً غياب التأسيس على الاسترجاع
  • جرّب تحسين التعليمات قبل أن تفترض أنك تحتاج إلى نموذج مخصّص — الفجوة تُسدّ أسرع مما تتوقع
متخصص أمن

«نحتاج إلى تخصيص الذكاء الاصطناعي لبيئتنا» هو المتطلب الأكثر شيوعًا في مشاريع الذكاء الاصطناعي الأمنية، ومعرفة التقنية التي تلبّيه هي أثمن مهاراتك التشخيصية. أخطئ في ذلك وستشتري الحل الخطأ أو تبنيه.

  • حدّد الحاجة قبل رسم النطاق: فجوة معرفة (أدلة إجراءات مركز العمليات الأمنية، الحوادث السابقة، معلومات التهديدات) ← RAG؛ فجوة سلوك (صيغة متسقة، نبرة، مصطلحات المجال) ← الضبط الدقيق أو التعليمات؛ المواءمة ← RLHF تطبّقه الشركة المطوّرة، ولا يضبطه العميل
  • RAG البسيط الساذج هو السبب الأول لفشل التجارب الذي يُنسب إلى النموذج — اسأل: ما استراتيجية التقطيع وأداة إعادة الترتيب في المنتج؟ الموردون الذين لا يستطيعون الإجابة يطلقون RAG ساذجًا
  • يُبقي RAG البيانات المملوكة خارج أوزان النموذج — تحقّق من ذلك صراحةً عند تقييم مخاطر سيادة البيانات والامتثال
  • يتطلب الضبط الدقيق بنية تحتية لتعلّم الآلة وخطوط بيانات لا تملكها معظم فرق الأمن — تأكّد ممن سيشغّلها قبل الالتزام، أو أدرِك أنه توقع غير واقعي
  • «نحتاج إلى RLHF لمواءمة مخصّصة» طلب يخص تطوير الشركة المطوّرة، لا خيار نشر — صحّحه مبكرًا قبل أن يشوّه المتطلبات
  • ابدأ بجولة تعليمات: نفّذ أربعة أسابيع من هندسة التعليمات المنظّمة على حالة استخدامك قبل رسم نطاق الضبط الدقيق — فهي تسدّ معظم الفجوات بجزء يسير من التكلفة
مطوّر

كثيرًا ما يكون RAG هو الإجابة الصحيحة بدل الضبط الدقيق: أسرع في التكرار، وأرخص في التحديث، وبلا بنية تحتية للتدريب. لكن جودة RAG مشكلة هندسية في كل خطوة من خط المعالجة.

  • اختر RAG بدل الضبط الدقيق حين تكون الفجوة في المعرفة (ما يعرفه) لا في السلوك (كيف يستجيب)
  • حجم المقطع والتداخل بين المقاطع هما أكثر المتغيرات تأثيرًا — اختبر عدة استراتيجيات قبل الإطلاق
  • أضِف أداة إعادة ترتيب بين الاسترجاع والتوليد؛ فترتيب البحث المتجهي في الجولة الأولى نادرًا ما يكون الأمثل
  • الضبط الدقيق يغيّر السلوك الأساسي وقد يُضعف قدرات لم تكن تختبرها — نفّذ تقييمات شاملة، لا اختبارات موجّهة فقط
  • يتطلب RLHF على مستوى التطبيق خطوطًا لوسم التفضيلات البشرية — خصّص ميزانية لذلك قبل الالتزام
مستشار ذكاء اصطناعي

تفشل تجارب RAG عند الاسترجاع لا عند التوليد، لكن اللوم يقع عادةً على النموذج. والضبط الدقيق هو أكثر نهج يُوصى به بلا داعٍ في مشاريع الذكاء الاصطناعي. شخّص التقنية المطلوبة فعلًا قبل رسم نطاق أي مشروع.

  • حدّد معايير نجاح الاسترجاع (مثل الاستدعاء ضمن أعلى 3 نتائج على مجموعة استعلامات مرجعية) قبل بدء التجربة — لا بعد فشلها
  • نفّذ جولة منظّمة من هندسة التعليمات قبل رسم نطاق الضبط الدقيق — أربعة أسابيع من التكرار كثيرًا ما تُغني عنه
  • خصّص ميزانية لتنظيم قاعدة المعرفة في مشاريع RAG — جودة المستندات المصدر تحدّد جودة RAG، والعملاء يستهينون بذلك باستمرار
  • RLHF تقنية لتطوير النماذج، لا خيار لتخصيص النشر — صحّح هذا التوقع مبكرًا
⁧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.⁩
◆ شاهده بنفسك
افتح تشابه التضمينات في المكتبة ←

قارن الجمل وشاهد أيّها يعدّه النموذج متقارباً.