GaliTech
يسأل عميل عن شروط استبدال منتج. يقدم روبوت محادثة عام إجابة سلسة، لكنها قد لا تتوافق مع سياسة شركتكم. يحتاج روبوت المحادثة المؤسسي إلى العثور على معلومات ذات صلة في مصادر الشركة المسموح بها، ثم صياغة إجابة تستند إليها. يُعد التوليد المعزّز بالاسترجاع، أو RAG، أحد الأساليب لتحقيق ذلك. وتعتمد فائدته على جودة المصادر وتقييم الإجابات.
إذا كانت المشكلة هي العثور على إجابات في الأدلة ووثائق الشركة، فقد يستحق RAG الدراسة. أما معرفة حالة طلب في الوقت الحالي فتحتاج أيضًا إلى اتصال بنظام الطلبات. حددوا السؤال ومصدر الإجابة قبل اختيار الأداة.
ما هو RAG وكيف يعمل؟
RAG اختصار لـRetrieval-Augmented Generation، أي توليد الإجابات بمساعدة معلومات مسترجعة. بدل الاعتماد على المعرفة العامة للنموذج وحدها، يسترجع النظام محتوى ذا صلة من مصدر خارجي ويقدمه إلى النموذج. ولا يتطلب ذلك عادةً إعادة تدريب النموذج على جميع وثائق الشركة. يوضح شرح IBM حول RAG الفرق بينه وبين الضبط الدقيق للنموذج.
تحددون المصادر الموثوقة، مثل أدلة المنتجات وسياسات الخدمة.
يجهز النظام المحتوى للبحث؛ وفي كثير من التطبيقات يُقسّم النص إلى مقاطع أصغر.
يطرح المستخدم سؤالًا، ويسترجع النظام المقاطع المناسبة التي يحق له الاطلاع عليها.
يصوغ النموذج إجابة باستخدام السؤال والمعلومات المسترجعة.
يمكن أن تتضمن الإجابة إحالات إلى المصادر ليتمكن المستخدم من مراجعتها.
لا تتحول معرفة الشركة بالضرورة إلى ذاكرة دائمة للنموذج في هذه العملية. لكن قد تُرسل المقاطع المسترجعة إلى خدمة النموذج لإنتاج الإجابة؛ لذلك يجب تقييم مكان المعالجة وسياسة الاحتفاظ بالبيانات بصورة مستقلة.
مثال افتراضي: استبدال منتج
لنفترض أن متجرًا حدد مهلة الاستبدال وشروطه في وثيقة معتمدة. يسأل العميل: «هل يمكنني استبدال منتج فُتحت عبوته؟» ينبغي للروبوت العثور على المقطع الخاص بفئة المنتج، وشرح الشروط والاستثناءات، وإظهار رابط المصدر. وإذا لم تتضح فئة المنتج، يطرح سؤالًا توضيحيًا. وإذا لم تقدم الوثيقة جوابًا واضحًا، يحيل المسألة إلى مسؤول خدمة العملاء.
هذا مثال توضيحي، وليس مشروعًا أو نتيجةً تخص GaliTech. النقطة الأساسية هي اختيار الوثيقة الصحيحة: سياسة قديمة أو شروط فئة أخرى قد تؤدي إلى إجابة خاطئة، حتى لو كانت صياغتها طبيعية.
ما المعلومات المناسبة وما الذي يحتاج إلى اتصال مستقل؟
المعرفة المستقرة نسبيًا: إجراءات الخدمة وأدلة المنتجات ومواد تدريب الموظفين قد تكون مصادر لقاعدة المعرفة.
المعلومات المتغيرة باستمرار: يجب أن تنعكس تحديثات السياسات في المصدر وفهرس البحث. ربط الوثائق مرة واحدة لا يضمن حداثتها.
البيانات الآنية والشخصية: المخزون والأسعار الحالية وحالة الطلب تحتاج عادةً إلى اتصال مصرح به بالنظام المرجعي. ويجب مراعاة هوية المستخدم وصلاحياته.
تنفيذ الإجراءات: إنشاء طلب أو تعديل بيانات عميل يتطلب صلاحيات تنفيذ وضوابط مستقلة.
يمكن للتطبيقات الجمع بين استرجاع الوثائق والاتصال بالأدوات. وجود RAG لا يمنح الروبوت تلقائيًا حق تعديل أنظمتكم.
متى قد لا تحتاجون إلى RAG؟
إذا كانت الأسئلة قليلة وثابتة وبسيطة، فقد تكفي صفحة للأسئلة الشائعة أو إجابات معدة مسبقًا. وإذا كان الموظفون يحتاجون فقط إلى العثور على وثيقة، فادرسوا تحسين البحث الداخلي. يستحق الروبوت الدراسة عندما يساعد الحوار والشرح والجمع بين مصادر متعددة المستخدمَ في إنجاز مهمته.
قبل التطوير المخصص، قيّموا الأدوات الحالية وإمكانية الوصول إلى البيانات وتكاليف الصيانة. ومن المهم أيضًا تحديد موقع هذه الوظيفة في المنتج. يناقش مقال الفرق بين الموقع والتطبيق والمنصة هذا القرار.
لماذا يمكن أن تكون الإجابة خاطئة رغم ذلك؟
يساعد RAG على ربط الإجابة بالمصادر ذات الصلة، لكنه لا يلغي الأخطاء. قد تكون الوثيقة ناقصة، أو يُفهم السؤال خطأً، أو يُسترجع مقطع غير مناسب، أو يستنتج النموذج نتيجة غير صحيحة. الإحالة إلى المصدر تساعد على التحقق؛ وجود رابط لا يثبت صحة كل ما ورد في الإجابة.
حددوا المصادر المتعارضة، والمسؤول عن كل وثيقة، وتاريخ سريانها. وضعوا سياسة للتعامل مع نقص المعلومات، مع إبقاء المراجعة البشرية للقرارات الحساسة. تشرح وثائق AWS استخدام المعلومات المسترجعة والإحالات إلى المصادر.
الوثائق الخاصة لا تكفي لضمان السرية
يجب ألا يحصل موظف المبيعات عبر الروبوت على وثائق سرية لقسم آخر. ينبغي تطبيق الصلاحيات عند الاسترجاع؛ إخفاء الرابط في الواجهة لا يكفي. تؤكد وثائق Microsoft حول RAG أهمية التحكم في الوصول إلى المصادر.
حددوا كذلك مكان معالجة البيانات، ومن يمكنه الاطلاع على سجلات المحادثة، ومدة الاحتفاظ بها. قد تتضمن الوثائق تعليمات خبيثة أو مضللة. ووفق إرشادات OWASP حول حقن التعليمات، لا يعالج RAG هذا الخطر وحده. يجب ألا يكتسب محتوى المصادر صلاحية تغيير الأذونات أو تنفيذ الإجراءات.
ابدؤوا بتجربة محدودة ومعايير واضحة
نقترح البدء بمجموعة مستخدمين واحدة ومشكلة محددة، مثل الإجابة من دليل الخدمة. نظموا المصادر الموثوقة، وأنشئوا مجموعة اختبار تضم أسئلة حقيقية وغامضة وأسئلة بلا إجابة وأخرى تتجاوز صلاحيات المستخدم. ثم قارنوا النتائج بالطريقة الحالية للعمل.
هل يسترجع النظام المقطع الصحيح؟
هل تدعم المصادر ادعاءات الإجابة، وهل تجيب عن السؤال؟
هل يوضح النظام عدم كفاية المعلومات؟
هل تُطبّق الصلاحيات وتحديثات الوثائق وحذفها بصورة صحيحة؟
ما زمن الإجابة وتكلفة الاستخدام وحجم المراجعة البشرية؟
هذه معايير مقترحة للتجربة. وتفصل إرشادات التقييم من Microsoft أيضًا بين جودة الاسترجاع وجودة الإجابة. ولا تقتصر الميزانية على استخدام النموذج: إعداد الوثائق والتكامل وضبط الوصول والصيانة أعمال لها تكاليف كذلك.
أسئلة شائعة
هل RAG هو تدريب النموذج على بيانات الشركة؟
لا. يسترجع RAG المعلومات عند الإجابة، بينما يغيّر الضبط الدقيق معاملات النموذج لهدف محدد. ويمكن الجمع بين الأسلوبين في حل واحد.
هل يقرأ الروبوت كل الملفات تلقائيًا؟
يستخدم فقط المصادر التي تم إعداد اتصالها وصلاحياتها. وقد تحتاج الملفات الممسوحة ضوئيًا إلى استخراج النص، مع مراجعة جودة الاستخراج.
هل يجب بناء حل مخصص؟
ليس بالضرورة. قد يفي منتج جاهز أو بحث محسّن أو تكامل مع الأنظمة الحالية بالحاجة. يعتمد القرار على نطاق العمل والصلاحيات والقدرة على الصيانة.
خطوتكم التالية
حددوا ثلاثة أسئلة متكررة، ومصادر الإجابة الحالية، والأشخاص المسموح لهم بالاطلاع عليها. يساعد ذلك على التمييز بين البحث في المعرفة والوصول إلى بيانات آنية وتنفيذ إجراء.
إذا حددتم استخدامًا مناسبًا في شركتكم، أرسلوا وصفًا للحاجة وأنواع مصادر المعلومات إلى info@galitech.ir لدراسة إمكانية التنفيذ. يكفي وصف عام في التواصل الأول؛ لا ترسلوا وثائق سرية.