RAG (التوليد المعزز بالاسترجاع)

النموذج اللغوي الكبير وحده يجيب بناءً على أنماط تعلمها أثناء التدريب، وقد تكون قديمة أو عامة أو ببساطة خاطئة بخصوص أعمالك — وهذا هو السبب الجذري لما يُعرف بـ'هلوسة' الذكاء الاصطناعي. تعالج تقنية RAG هذه المشكلة بإضافة خطوة استرجاع: عند ورود سؤال، يبحث النظام في قاعدة معرفة مفهرسة (كتالوجات المنتجات، السياسات، قوائم الأسعار، التذاكر السابقة) عن أكثر المقاطع صلة، غالباً باستخدام قاعدة بيانات متجهة (vector database) والتضمينات (embeddings)، ثم يُدرجها ضمن الطلب قبل أن يولّد النموذج ردّه. بذلك تصبح الإجابة مستندة إلى محتواك الفعلي والحالي بدلاً من بيانات التدريب العامة للنموذج.

بالنسبة لشركة في الخليج، تقنية RAG هي ما يجعل وكيل الذكاء الاصطناعي على واتساب أو الموقع موثوقاً بما يكفي لتمثيل العلامة التجارية: وكيل عقاري يجيب بالعربية عن مخططات وحدات مشروع سكني معيّن في الرياض وشروط الدفع يحتاج أن تُستقى إجاباته من كتيبات وقوائم أسعار ذلك المطوّر الفعلية، لا من معرفة عامة عن العقارات — وRAG هي الآلية التي تربط روبوت المحادثة بتلك المستندات بحيث تبقى كل إجابة دقيقة ومحدثة مع تغيّر الأسعار أو السياسات، دون الحاجة لإعادة تدريب النموذج الأساسي.