اكتشف كيفية بناء روبوتات دردشة باستخدام توليد متداخل مع الاسترجاع (RIG) لضمان أن تكون إجابات الذكاء الاصطناعي دقيقة، وموثقة، وتتضمن مصادر يمكن التحقق منها.
التوليد المتداخل مع الاسترجاع، أو RIG اختصارًا، هو طريقة ذكاء اصطناعي متقدمة تدمج بسلاسة بين البحث عن المعلومات وتوليد الإجابات. في السابق، استخدمت النماذج الذكية تقنيات مثل RAG (التوليد المدعوم بالاسترجاع) أو التوليد فقط، لكن RIG دمج هذه العمليات لتعزيز دقة الذكاء الاصطناعي. من خلال الجمع بين الاسترجاع والتوليد، يمكن لأنظمة الذكاء الاصطناعي الاستفادة من قاعدة معرفة أوسع، وتقديم إجابات أكثر دقة وملاءمة. الهدف الرئيسي من RIG هو تقليل الأخطاء وزيادة موثوقية مخرجات الذكاء الاصطناعي، مما يجعله أداة أساسية للمطورين الذين يسعون لتحسين دقة الذكاء الاصطناعي. لذا، يأتي التوليد المتداخل مع الاسترجاع كبديل لـ RAG (التوليد المدعوم بالاسترجاع) لتوليد إجابات مدعومة بالذكاء الاصطناعي بناءً على سياق معين.
إليك كيف يعمل RIG. المراحل التالية مستوحاة من المدونة الأصلية, والتي تركز أكثر على الحالات العامة باستخدام واجهة Data Commons API. ومع ذلك، في معظم الحالات، قد ترغب في استخدام قاعدة معرفة عامة (مثل ويكيبيديا أو Data Commons) بالإضافة إلى بياناتك الخاصة. إليك كيف يمكنك استخدام قوة التدفقات في FlowHunt لصنع روبوت دردشة RIG من قاعدة معرفتك الخاصة وقاعدة معرفة عامة مثل ويكيبيديا.
يتم إدخال استفسار المستخدم إلى المولد، والذي يولد إجابة نموذجية مع الاستشهاد بأقسام مناسبة. في هذه المرحلة، قد ينتج المولد إجابة جيدة ولكن قد تكون متخيلة وتتضمن بيانات أو إحصائيات خاطئة.
في المرحلة التالية، نستخدم وكيل ذكاء اصطناعي يستقبل هذا الناتج ويقوم بتحسين البيانات في كل قسم عبر الاتصال بويكيبيديا، بالإضافة إلى إضافة مصادر لكل قسم مناسب.
كما ترى، فإن هذه الطريقة تعزز بشكل كبير دقة روبوتات الدردشة وتضمن أن كل قسم تم إنشاؤه له مصدر ويستند إلى الحقيقة.
الجزء الأول من التدفق يتكون من إدخال الدردشة، وقالب الحافز، والمولد. فقط قم بربطهم معًا. الجزء الأهم هو قالب الحافز. استخدمت التالي:
يوجد هنا استفسار المستخدم. بناءً على استفسار المستخدم، قم بتوليد أفضل إجابة ممكنة مع بيانات أو نسب مئوية وهمية. بعد كل قسم مختلف من إجابتك، حدد البيانات التي يجب استخدامها لجلب البيانات الصحيحة وتحسين هذا القسم ببيانات صحيحة. يمكنك إما تحديد اختيار مصدر المعرفة الداخلي لجلب البيانات في حال وجود بيانات مخصصة لمنتج أو خدمة المستخدم، أو استخدام ويكيبيديا كمصدر معرفة عام.
مثال للإدخال: ما هي الدول الأولى من حيث الطاقة المتجددة وما هو أفضل مقياس لقياس ذلك وما هو هذا المقياس لأفضل دولة؟
مثال للإخراج: الدول الأولى في الطاقة المتجددة هي النرويج، السويد، البرتغال، الولايات المتحدة الأمريكية [ابحث في ويكيبيديا عن “Top Countries in renewable Energy”]، المقياس المعتاد للطاقة المتجددة هو عامل القدرة [ابحث في ويكيبيديا عن “metric for renewable energy”]، وأعلى دولة لديها عامل قدرة 20% [ابحث في ويكيبيديا “biggest capacity factor”]لنبدأ الآن!
إدخال المستخدم: {input}
هنا نستخدم تقنية Few Shot prompting لجعل المولد يخرج الإجابة بالشكل المطلوب بالضبط.
الآن، أضف الجزء الثاني، وهو الذي يتحقق من صحة الإجابة التجريبية وينقح الإجابة بناءً على مصادر حقيقية للحقائق. هنا، نستخدم ويكيبيديا ووكلاء الذكاء الاصطناعي، لأن ربط ويكيبيديا مع الوكلاء أسهل وأكثر مرونة من ربطها مع المولدات البسيطة. وصل ناتج المولد إلى وكيل الذكاء الاصطناعي ووصل أداة ويكيبيديا بالوكيل أيضًا. هذا هو الهدف الذي استخدمته للوكيل:
لديك إجابة تجريبية لسؤال المستخدم. قد تتضمن الإجابة التجريبية بيانات خاطئة. استخدم أداة ويكيبيديا في الأقسام المحددة مع الاستعلام المحدد لاستخدام معلومات ويكيبيديا لتحسين الإجابة. أدرج رابط ويكيبيديا في كل قسم من الأقسام المحددة. اجلب البيانات من أدواتك ونقح الإجابة في هذا القسم. أضف رابط المصدر في هذا القسم تحديدًا وليس في النهاية.
وبالمثل، يمكنك إضافة مسترجع مستندات إلى وكيل الذكاء الاصطناعي، والذي يمكنه الاتصال بقاعدة معرفتك المخصصة لجلب المستندات.
يمكنك تجربة هذا التدفق بالضبط من هنا.
للتقدير الحقيقي لـ RIG، من المفيد أولاً إلقاء نظرة على سابقه، التوليد المدعوم بالاسترجاع (RAG). يجمع RAG بين قوة الأنظمة التي تجلب البيانات ذات الصلة والنماذج التي تولد محتوى مترابطًا وملائمًا. يمثل الانتقال من RAG إلى RIG خطوة كبيرة للأمام. لا يقوم RIG بالاسترجاع والتوليد فحسب، بل يدمج هذه العمليات لتحقيق دقة وكفاءة أفضل. هذا يسمح لأنظمة الذكاء الاصطناعي بتحسين فهمها وإنتاجها بشكل متدرج، مقدمة نتائج ليست دقيقة فقط بل ملائمة ومستنيرة أيضًا. من خلال مزج الاسترجاع مع التوليد، يمكن للذكاء الاصطناعي الاستفادة من كميات هائلة من المعلومات مع الحفاظ على الترابط والملاءمة في الإجابات.
يبدو مستقبل التوليد المتداخل مع الاسترجاع واعدًا، مع العديد من التقدمات والاتجاهات البحثية في الأفق. ومع استمرار تطور الذكاء الاصطناعي، من المتوقع أن يلعب RIG دورًا رئيسيًا في تشكيل عالم تعلم الآلة وتطبيقات الذكاء الاصطناعي. يتجاوز تأثيره المحتمل القدرات الحالية، واعدًا بتحويل كيفية معالجة الأنظمة الذكية للمعلومات وتوليدها. ومع استمرار البحث، نتوقع المزيد من الابتكارات التي ستعزز دمج RIG في أطر الذكاء الاصطناعي المختلفة، مؤدية إلى أنظمة أكثر كفاءة ودقة وموثوقية. ومع تطور هذه التطورات، ستزداد أهمية RIG، ما يرسخ مكانته كركيزة لدقة الذكاء الاصطناعي وأدائه.
في الختام، يمثل التوليد المتداخل مع الاسترجاع خطوة مهمة إلى الأمام في السعي نحو دقة وكفاءة الذكاء الاصطناعي. من خلال الدمج الذكي لعمليات الاسترجاع والتوليد، يعزز RIG أداء نماذج اللغة الكبيرة، ويحسن التفكير متعدد الخطوات، ويوفر إمكانيات مثيرة في التعليم والتحقق من الحقائق. وفي المستقبل، ستدفع التطورات المستمرة في RIG بلا شك ابتكارات جديدة في الذكاء الاصطناعي، مما يرسخ دوره كأداة أساسية في تحقيق أنظمة ذكاء اصطناعي أكثر ذكاءً وموثوقية.
RIG هو طريقة ذكاء اصطناعي تجمع بين استرجاع المعلومات وتوليد الإجابات، مما يسمح لروبوتات الدردشة بالتحقق من صحتها الذاتية وتقديم إجابات دقيقة ومدعومة بالمصادر.
يقوم RIG بدمج خطوات الاسترجاع والتوليد، مستخدمًا أدوات مثل ويكيبيديا أو بياناتك المخصصة، بحيث يكون كل قسم من الإجابة مستندًا إلى مصادر موثوقة ومُتحقق من دقته.
مع FlowHunt، يمكنك تصميم روبوت دردشة RIG عبر ربط قوالب الحوافز والمولدات ووكلاء الذكاء الاصطناعي بمصادر المعرفة الداخلية والخارجية، مما يتيح التحقق التلقائي من الحقائق والاستشهاد بالمصادر.
بينما يقوم RAG (توليد مدعم بالاسترجاع) باسترجاع المعلومات ثم توليد الإجابات، يقوم RIG بالتداخل بين هاتين الخطوتين لكل قسم، مما يؤدي إلى دقة أعلى وإجابات أكثر موثوقية ومدعومة بالمصادر.
ياشا مطور برمجيات موهوب متخصص في بايثون وجافا وتعلم الآلة. يكتب ياشا مقالات تقنية عن الذكاء الاصطناعي، وهندسة البرومبت، وتطوير روبوتات الدردشة.
ابدأ في بناء روبوتات دردشة وأدوات ذكاء اصطناعي ذكية مع منصة FlowHunt السهلة بدون برمجة. وصل المكونات وحقق أفكارك تلقائيًا بسهولة.
اكتشف الفروق الرئيسية بين التوليد المعزز بالاسترجاع (RAG) والتوليد المعزز بالتخزين المؤقت (CAG) في الذكاء الاصطناعي. تعرّف على كيفية قيام RAG بجلب المعلومات في ...
توليد معزز بالاسترجاع (RAG) هو إطار ذكاء اصطناعي متقدم يجمع بين أنظمة استرجاع المعلومات التقليدية ونماذج اللغة الكبيرة التوليدية (LLMs)، مما يمكّن الذكاء الاصطن...
اكتشف مساعد ويكيبيديا RIG، أداة مصممة لاسترجاع المعلومات الدقيقة من ويكيبيديا. مثالي للبحث وإنشاء المحتوى، حيث يوفر إجابات موثوقة وموثقة بسرعة. عزز معرفتك ببيان...
