ما هو التوليد المعزّز بالاسترجاع، وكيف يختار مصادره؟

التوليد المعزّز بالاسترجاع أن يسترجع النظام صفحات أو مستندات تتصل بالسؤال أولاً، ثم يكتب النموذج اللغوي إجابته منها، فالاسترجاع يأتي بالمعلومة، والتوليد يكتب الإجابة، ويُختصر RAG من Retrieval-Augmented Generation

وجاء الاسم من ورقة بحثية نشرها Lewis وزملاؤه في مايو 2020، وقُبلت في مؤتمر NeurIPS 2020، وفيها أن النماذج اللغوية الكبيرة تحفظ في داخلها معرفة كثيرة، لكنها لا تصل إليها بدقة دائماً، ولا تقول من أين جاءت بها، ولا تُحدَّث معرفتها بسهولة، فجمعت الورقة نموذجاً توليدياً مع فهرس لنصوص Wikipedia يُبحث فيه، ووجدت في تجاربها أن الإجابات صارت أدق وأكثر تحديداً من إجابات النموذج وحده

وهو أحد مصطلحات معجم التصدُّر، وأقرب المصطلحات إليه النموذج اللغوي الكبير، الذي يكتب الإجابة، والاستناد إلى المصادر، أي ربط الإجابة بما يجده المحرك وقت السؤال

بأن يحوّل السؤال إلى عبارات بحث، ثم يقرأ ما تأتي به، ثم يكتب، ولا ينشر أصحاب المحركات تفاصيل ذلك كلها، لكن ما يقولونه عنه واضح بما يكفي، وهذا كلام OpenAI وGoogle عن محركاتهما

• ChatGPT تقول OpenAI إن بحث ChatGPT، حين يستعين بمزوّدي بحث آخرين، يعيد في العادة صياغة سؤالك في عبارة بحث أو أكثر يرسلها إليهم، ثم قد يرسل عبارات أدق بعد أن يراجع النتائج الأولى، وإن الإجابات التي تبحث في الويب قد تحمل استشهادات بمصادرها
• Google AI Overviews وGoogle AI Mode يقول Google إن الواجهتين قد تستعملان توسيع طلبات البحث، أي إطلاق عمليات بحث كثيرة متصلة في مواضيع فرعية ومصادر بيانات مختلفة لبناء الإجابة، وإن الصفحة تحتاج لتكون رابطاً داعماً فيهما أن تكون مفهرسة ومؤهلة للعرض بمقتطف

ما تعلّمه النموذج ثابت عند تاريخ تدريبه، ولا يحمل رابطاً إلى مصدره، أما ما يسترجعه فصفحات يقرؤها وقت السؤال، وقد يستشهد بها، فإن سأل عميلك عن سعر هذا الموسم أو عن فرع افتتحته الشهر الماضي، فالجواب الصحيح لا يأتي إلا من صفحة يجدها المحرك اليوم

ولكل جانب روبوت مختلف عند بعض المحركات، فتقول OpenAI إن OAI-SearchBot يقرأ المواقع لبحث ChatGPT، وإن GPTBot يجمع محتوى قد يُستعمل في تدريب نماذجها، وإن كل إعداد منهما مستقل عن الآخر، فتستطيع أن تسمح للأول وتحجب الثاني، وتفصيل ذلك في أي روبوت تسمح له، وأيها تحجب؟

مثال توضيحي، لا من قياس حقيقي، يسأل عميل في الرياض «وش أفضل مطعم مندي في الرياض فيه جلسات عوائل ويفتح بعد منتصف الليل؟»، فيحوّل المحرك السؤال إلى عبارات بحث أضيق، كـ«مطاعم مندي في الرياض بجلسات عائلية» و«ساعات عمل مطاعم المندي في الرياض»، ثم يقرأ ما تأتي به هذه العبارات من صفحات

فيجد قائمة في موقع تقييم، ومقالاً عن أفضل مطاعم المندي، وصفحة فرع العليا في موقع «مطاعم رُكاب» الخيالي، rukab-restaurants.com، وفي الصفحة جملة واحدة تجيب عن شرطين، «جلسات عوائل، ونفتح يومياً حتى الواحدة بعد منتصف الليل»، فهذه الصفحة أقرب ما يُسترجع إلى السؤال الفرعي عن الساعات، وقد يستشهد بها المحرك بجانب القائمة

أما لو كتبت رُكاب ساعاتها في صورة على حسابها في منصات التواصل وحدها، فلن تجد عبارة البحث عن الساعات في موقعها شيئاً تسترجعه، وقد يأخذ المحرك الساعات من القائمة، حديثة كانت أو قديمة

أن العمل يبدأ قبل الكتابة، فالصفحة التي لا تُسترجع لا تُقرأ، وهذه أربعة أمور تساعد المحرك على أن يجد صفحتك ويقرأها

• كن مما يُسترجع صفحة مفهرسة في Google وBing، لا يحجبها ملف robots.txt ولا جدار الحماية عن روبوتات البحث، ونصها في HTML لا يحتاج تسجيل دخول، كما في هل تستطيع محركات الذكاء الاصطناعي قراءة موقعك، وكيف تتأكد؟
• أجب عن السؤال الفرعي فالمحرك قد يبحث بعبارات أضيق من سؤال عميلك، فاكتب لكل شرط جملة تجيب عنه، السعر والساعات والحي، كما في كيف تكتب فقرة يقتبسها محرك الذكاء الاصطناعي في إجابته؟
• اكتب الحقيقة نصاً وبتاريخ فما في الصورة قد لا يقرؤه المحرك نصاً، والقارئ يحتاج تاريخاً يعرف به أن المعلومة حديثة
• لا تقطّع صفحتك من أجله فيقول Google إنه لا يشترط تقسيم المحتوى إلى قطع صغيرة ليفهمه الذكاء الاصطناعي، وإن أنظمته تفهم صفحة فيها مواضيع عدة وتعرض الجزء المناسب منها

لا يقول كيف يرتّب كل محرك ما استرجعه، ولا لماذا يختار صفحة دون أخرى، فأصحاب المحركات لا ينشرون ذلك، ولا يعني أن المحرك يبحث قبل كل إجابة، فتقول OpenAI إن ChatGPT قد يبحث في الويب تلقائياً حين يحتاج سؤالك إلى معلومة حديثة، أو حين يطلب المستخدم البحث بنفسه

والإجابة نفسها قد تتغيّر من مرة إلى أخرى، ومن أسباب ذلك أن ما يُسترجع قد يتغيّر، كما في لماذا تتغيّر إجابة ChatGPT، ومتى يكون التغيّر حقيقياً؟