مقدمة: لماذا ما زال ضبط RAG حيويًا في 2025؟
تعَد تقنية الاسترجاع المعزّز بالتوليد (RAG) العمود الفقري للعديد من تطبيقات البوتات الموثوقة لأنها تُمكّن النماذج من الاعتماد على دلائل خارجية بدلًا من الحفظ الصريح. ومع ذلك، تبقى ظاهرة "الهلاوس" (hallucinations) —أي إصدار معلومات غير دقيقة أو مفبركة— عائقًا عمليًا أمام نشر الأنظمة في بيئات حساسة مثل الطب، القانون والشؤون الداخلية للمؤسسات.
السِّنة 2024–2025 شهدت تقدمين مهمين: دراسات مراجعة تُحدِّد بوضوح نقاط الفشل في سلسلة RAG (استخلاص، استرجاع، وترتيب الأدلة)، وأوراق عمل عملية تقترح طرقًا تدريبية وبُنى هجينة لتحسين مقاومة النماذج للمعلومات المضلِّلة. هذه الورقات توفر أسُسًا قابلة للتطبيق لتقليل الهلاوس ورفع قابلية التتبُّع في أنظمة البوتات.
RPO — Retrieval Preference Optimization: مبدأ عمله وتطبيقاته
فكرة RPO مُركّزة: علِّم النموذج أن يوزن ويُقيّم مصادر الاسترجاع كجزء من عملية التوليد نفسها، بدلًا من الاعتماد الكلي على قرار المسترجِع أو الذاكرة الداخلية للنموذج. عمليًا، تُدرَج إشارات تقييم الصِّلة (implicit retrieval relevance) داخل نموذج المكافأة/التوجيه أثناء التدريب بحيث يتعلَّم النموذج متى يَفضِّل معلومات مسترجعة على استدعاء داخلي محتمل متعارض.
- فوائد عملية: تحسين الدقة 4–10% في مهام متعددة حسب نتائج الاختبارات المقارنة.
- تطبيقات: مفيد عندما تتضارب المعلومات داخل النموذج ومع المستندات المسترجعة (مثل تحديثات سياسة داخلية أو بيانات طبية متغيرة).
توصية تنفيذية: ابدأ بتجربة RPO على مجموعة بيانات مصنفة صغيرة (أسئلة/إجابات مع تصنيف لملاءمة الاسترجاع) ثم وسع إلى بيئات الإنتاج مع مراقبة مؤشرات الدقة ومعدلات الهلاوس.
RbFT — Robust Fine‑Tuning: تقوية النموذج ضد أخطاء المسترجِع
RbFT يقترح مجموعة من مهام الَّتِي تُعيد ضبط النموذج ليتعامل مع "عيوب الاسترجاع"—كالاسترجاع المضلِّل أو الضوضائي—بدلاً من افتراض استرجاع مثالي. المنهج يستخدم سيناريوهات تدريب تُعرَض فيها للنموذج وثائق غير ذات صلة أو معلومات متناقضة بحيث يتعلَّم رفض أو تصفية أدلة منخفضة الثقة أثناء التوليد.
خطوات عملية مقترحة:
- صنع نسخ "مُعيَّنة" من بيانات التدريب تحتوي على استرجاعات خاطئة أو مضلِّلة.
- تطبيق مهام ضبط دقيقة ثنائية الهدف: (أ) إجابة صحيحة عندما تكون مصادر موثوقة، و(ب) رفض/تمييز أو طلب إيضاح عندما تكون المصادر متناقضة.
- دمج فلتر ثقة بعد الاسترجاع (re-ranker / cross-encoder) قبل الحقن في السياق.
النتيجة: زيادة مرونة النظام أمام استرجاعات ضعيفة مع الحفاظ على كفاءة الاستدلال.
HeteRAG وملخص استراتيجيات هندسية: بنى هجينة وعمليات تنفيذية
HeteRAG يعالج مسألة تماثل تمثيلات المعرفة بين مرحلتي الاسترجاع والتوليد عبر فصل (decouple) تمثيلات الشظايا المُستخدمة للاسترجاع عن تلك المُستخدمة للحقن في نموذج التوليد. الفكرة العملية: استخدام تمثيلات متعددة الحُجَم والدقة (multi‑granular) بحيث يُحسَّن كل من دقّة الاسترجاع وكفاءة التوليد دون التضحية بأحدهما.
خريطة تنفيذية مختصرة (قابلة للتطبيق في البوتات الإنتاجية)
- مؤشر/مزيج استرجاع هجين: دمج بحث دلالي (vector) مع بحث نصي دقيق (BM25) وإعادة ترتيب cross‑encoder لتقليل الضوضاء.
- تمثيلات متعدّدة: استخدم قطعًا قصيرة ملائمة للتوليد وقطعًا أطول مع سياق كامل للاسترجاع (كما في HeteRAG).
- عتبات ثقة واستراتيجية رفض: لا تُحقن الأدلة إلا إذا تجاوزت عتبة ثقة محددة؛ وإلا يُطلَب من المستخدم تأكيد أو يُعطَى ردٌّ مع وسم "غير مؤكد".
- توثيق المصادر وبصمة الدليل (provenance): أظهر مقتطف المصدر ورابطه أو ID الوثيقة لكل ادعاء معلوماتي لبناء ثقة المستخدم.
- أنابيب تحقق لاحق (post‑generation verification): استخدم نماذج تقييم مرجعية (reference‑free) أو فحصًا ثانويًا للحقائق قبل العرض النهائي.
خلاصة تنفيذية: الجمع بين RPO (لتعليم تفضيل المصادر)، RbFT (لتقوية النموذج ضد استرجاعات معيبة) وHeteRAG (لهندسة تمثيلات متباينة) يُوفِّر مسارًا عمليًا لتقليل الهلاوس ورفع موثوقية بوتات RAG في 2025.
مقاييس قياس النجاح
راقب مؤشرات مثل: معدل الهلاوس (hallucination rate) وفق تعريفك العملي، الدقة المرجعية (precision@k)، nDCG لإجابات الاسترجاع، ومقاييس UX كـمعدل قبول الإجابة من المستخدم. كما نصح الباحثون بانتظام جمع تغذية راجعة بشرية لسيناريوهات حساسة وتصنيف حالات الفشل لتكرار التحسّن.