توسيع الاستعلام

يعزز توسيع الاستعلام استفسارات المستخدمين بإضافة مصطلحات أو سياق، مما يحسن استرجاع الوثائق للحصول على ردود دقيقة. في أنظمة RAG، يزيد الاسترجاع والصلة، ويساعد الدردشات الذكية والذكاء الاصطناعي على تقديم إجابات دقيقة من خلال التعامل مع الاستفسارات الغامضة أو التي تحتوي على مرادفات بشكل فعّال.

يشير توسيع الاستعلام إلى عملية تعزيز استعلام المستخدم الأصلي بإضافة مصطلحات أو سياق إضافي قبل إرساله إلى آلية الاسترجاع. تساعد هذه الإضافة في استرجاع وثائق أو معلومات أكثر صلة، والتي تُستخدم بعد ذلك لتوليد رد أكثر دقة وملاءمة للسياق. إذا تم البحث عن الوثائق باستعلامات بديلة ثم إعادة ترتيبها، تصبح نتائج الوثائق في نافذة سياق RAG أدق بكثير.

ما هو التوليد المعزز بالاسترجاع (RAG)؟

التوليد المعزز بالاسترجاع (RAG) هو بنية ذكاء اصطناعي تجمع بين آليات الاسترجاع والنماذج التوليدية لإنتاج ردود أكثر دقة وذات صلة بالسياق. في أنظمة RAG، يقوم مكون الاسترجاع بجلب الوثائق أو أجزاء البيانات ذات الصلة من قاعدة المعرفة بناءً على استعلام المستخدم. ثم يستخدم النموذج التوليدي (غالبًا ما يكون نموذجًا لغويًا ضخمًا أو LLM) هذه المعلومات المسترجعة لتوليد رد متماسك وغني بالمعلومات.

دور توسيع الاستعلام في أنظمة RAG

تعزيز أداء الاسترجاع

في أنظمة RAG، تعتمد جودة الرد المولّد بشكل كبير على مدى صلة الوثائق المسترجعة. إذا فشل مكون الاسترجاع في جلب أكثر المعلومات ملاءمة، فقد ينتج النموذج التوليدي إجابات دون المستوى أو غير ذات صلة. يعالج توسيع الاستعلام هذا التحدي من خلال تحسين الاستعلام الأولي، مما يزيد من فرص استرجاع جميع الوثائق ذات الصلة.

زيادة الاسترجاع

من خلال توسيع الاستعلام الأصلي بمصطلحات ذات صلة أو مرادفات أو صيغ أخرى، يوسع توسيع الاستعلام مساحة البحث. هذا يزيد من استرجاع نظام الاسترجاع، أي أنه يلتقط نسبة أكبر من الوثائق ذات الصلة من قاعدة المعرفة. يؤدي الاسترجاع الأعلى إلى سياق أكثر شمولاً للنموذج التوليدي، مما يعزز الجودة العامة لمخرجات نظام RAG.

كيف يُستخدم توسيع الاستعلام في أنظمة RAG؟

خطوات عملية توسيع الاستعلام

1. استقبال استعلام المستخدم: تبدأ العملية باستعلام المستخدم الأصلي، والذي قد يكون غير كامل أو غامض أو يستخدم مصطلحات لا تتطابق مع الوثائق في قاعدة المعرفة.
2. توليد استعلامات موسّعة: يولّد النظام استعلامات إضافية متشابهة دلاليًا مع الأصلية. يمكن القيام بذلك باستخدام تقنيات مختلفة، بما في ذلك الاستفادة من النماذج اللغوية الضخمة (LLMs).
3. استرجاع الوثائق: يُستخدم كل استعلام موسّع لاسترجاع الوثائق من قاعدة المعرفة. يؤدي ذلك إلى مجموعة أكبر وأكثر تنوعًا من الوثائق المحتملة ذات الصلة.
4. تجميع النتائج: تُجمع الوثائق المسترجعة، مع إزالة التكرار وترتيبها حسب الصلة.
5. توليد الرد: يستخدم النموذج التوليدي الوثائق المجمعة لإنتاج رد نهائي على استعلام المستخدم.

تقنيات توسيع الاستعلام

1. استخدام النماذج اللغوية الضخمة (LLMs)

يمكن للنماذج اللغوية الضخمة مثل GPT-4 توليد استعلامات متشابهة دلاليًا أو إعادة صياغة الاستعلام الأصلي. من خلال فهم السياق ودقائق اللغة، يمكن للنماذج إنتاج توسعات عالية الجودة تلتقط طرقًا مختلفة لطرح نفس السؤال.

مثال:

• الاستعلام الأصلي: “آثار التغير المناخي”
• استعلامات موسّعة تم توليدها بواسطة LLM:
  • “تأثير الاحترار العالمي”
  • “عواقب التغيرات البيئية”
  • “تقلب المناخ وآثاره”

2. توليد إجابة افتراضية

في هذا النهج، يولّد النظام إجابة افتراضية لاستعلام المستخدم باستخدام LLM. ثم تُضاف الإجابة الافتراضية إلى الاستعلام الأصلي لتوفير سياق أكبر أثناء الاسترجاع.

العملية:

• توليد إجابة افتراضية للاستعلام.
• دمج الاستعلام الأصلي مع الإجابة الافتراضية.
• استخدام النص المدمج كاستعلام للاسترجاع.

مثال:

• الاستعلام الأصلي: “ما هي العوامل التي ساهمت في زيادة الإيرادات؟”
• الإجابة الافتراضية المولدة:
  • “زادت إيرادات الشركة بسبب الحملات التسويقية الناجحة، وتنويع المنتجات، والتوسع في أسواق جديدة.”
• الاستعلام المدمج:
  • “ما هي العوامل التي ساهمت في زيادة الإيرادات؟ زادت إيرادات الشركة بسبب الحملات التسويقية الناجحة، وتنويع المنتجات، والتوسع في أسواق جديدة.”

3. نهج الاستعلامات المتعددة

يشمل هذا الأسلوب توليد استعلامات بديلة متعددة تلتقط صيغًا أو جوانب مختلفة من الاستعلام الأصلي. يُستخدم كل استعلام بشكل مستقل لاسترجاع الوثائق.

العملية:

• توليد عدة استعلامات متشابهة باستخدام LLM.
• استرجاع الوثائق لكل استعلام على حدة.
• دمج وترتيب الوثائق المسترجعة.

مثال:

• الاستعلام الأصلي: “العوامل الرئيسية لنمو الشركة”
• استعلامات موسّعة:
  • “العوامل الأساسية لتوسع الأعمال”
  • “ما الذي أدى إلى زيادة أداء الشركة؟”
  • “المساهمون الرئيسيون في نمو المؤسسة”

أمثلة وحالات استخدام

دراسة حالة: تحسين RAG لتحليل التقارير السنوية

السيناريو:
نظام ذكاء اصطناعي مصمم للإجابة على الأسئلة استنادًا إلى التقرير السنوي للشركة. يسأل المستخدم: “هل كان هناك تغييرات كبيرة في فريق الإدارة التنفيذية؟”

التنفيذ:

1. توليد إجابة افتراضية:
   • يولّد النظام إجابة افتراضية: “كان هناك تغير طفيف فقط في فريق الإدارة التنفيذية، مما وفر الاستقرار والاستمرارية للمبادرات الاستراتيجية.”
2. توسيع الاستعلام:
   • تُدمج الإجابة الافتراضية مع الاستعلام الأصلي لتشكيل استعلام موسّع.
3. الاسترجاع:
   • يُستخدم الاستعلام الموسّع لاسترجاع أقسام أكثر صلة من التقرير السنوي التي تناقش تغييرات الفريق التنفيذي.
4. التوليد:
   • يُنتج الذكاء الاصطناعي إجابة دقيقة استنادًا إلى المعلومات المسترجعة.

الفائدة:
من خلال توفير سياق أوسع عبر الإجابة الافتراضية، يسترجع النظام معلومات ذات صلة ربما لم تكن لتظهر مع الاستعلام الأصلي وحده.

دراسة حالة: تحسين البحث في دردشات دعم العملاء

السيناريو:
روبوت دردشة دعم العملاء يساعد المستخدمين في استكشاف المشاكل. يكتب المستخدم: “الإنترنت لدي بطيء.”

التنفيذ:

1. توسيع الاستعلام باستخدام LLM:
   • توليد استعلامات موسّعة:
     • “مواجهة انخفاض في سرعة الإنترنت”
     • “اتصال النطاق العريض بطيء”
     • “مشاكل تأخير الإنترنت”
2. الاسترجاع:
   • يسترجع كل استعلام مقالات مساعدة وخطوات استكشاف مشاكل بطء الإنترنت.
3. توليد الرد:
   • يجمع روبوت الدردشة المعلومات المسترجعة ويُرشد المستخدم إلى الحلول الممكنة.

الفائدة:
يغطي الروبوت نطاقًا أوسع من المشاكل والحلول المحتملة، مما يزيد من فرص حل مشكلة المستخدم بكفاءة.

دراسة حالة: المساعدة في البحث الأكاديمي

السيناريو:
يستخدم طالب مساعد ذكاء اصطناعي للعثور على مصادر حول موضوع: “تأثير الحرمان من النوم على الوظائف الإدراكية.”

التنفيذ:

1. توليد استعلامات متعددة:
   • توليد استعلامات مشابهة:
     • “كيف يؤثر نقص النوم على القدرات الذهنية؟”
     • “الاختلالات الإدراكية بسبب فقدان النوم”
     • “الحرمان من النوم والأداء العقلي”
2. الاسترجاع:
   • استرجاع أوراق بحثية ومقالات لكل استعلام.
3. الدمج والترتيب:
   • دمج النتائج وترتيب الدراسات الأكثر صلة وحداثة.
4. توليد الرد:
   • يقدم الذكاء الاصطناعي ملخصًا للنتائج ويقترح أوراقًا رئيسية للمراجعة.

الفائدة:
يحصل الطالب على معلومات شاملة تغطي جوانب متنوعة من الموضوع، مما يساعد في بحث أعمق.

فوائد توسيع الاستعلام في أنظمة RAG

• زيادة الاسترجاع: من خلال استرجاع وثائق أكثر صلة، يوفر النظام سياقًا أفضل لتوليد ردود دقيقة.
• معالجة الاستعلامات الغامضة: يتعامل مع الاستعلامات القصيرة أو غير الواضحة بإضافة سياق.
• التعرف على المرادفات: يلتقط الوثائق التي تحتوي على مرادفات أو مصطلحات ذات صلة غير موجودة في الاستعلام الأصلي.
• تعزيز تجربة المستخدم: يحصل المستخدمون على ردود أكثر دقة وغنى دون الحاجة لتحسين استعلاماتهم يدويًا.

التحديات والاعتبارات

الإفراط في التوسيع

قد يؤدي إضافة العديد من الاستعلامات الموسّعة إلى إدخال وثائق غير ذات صلة، مما يقلل من دقة الاسترجاع.

التخفيف:

• توليد منضبط: تحديد عدد الاستعلامات الموسّعة.
• ترشيح الصلة: استخدام آليات تقييم لترتيب التوسعات الأكثر صلة.

الغموض وتعدد المعاني

قد تؤدي الكلمات ذات المعاني المتعددة إلى توسعات غير ذات صلة.

التخفيف:

• توسيع مدرك للسياق: استخدام نماذج LLM تأخذ في الاعتبار سياق الاستعلام.
• تقنيات إزالة الغموض: تطبيق خوارزميات لتمييز المعاني المختلفة بناءً على سياق الاستعلام.

الموارد الحاسوبية

قد يكون توليد ومعالجة استعلامات موسّعة متعددة كثيف الموارد.

التخفيف:

• نماذج فعّالة: استخدام نماذج LLM وأنظمة استرجاع محسّنة.
• آليات التخزين المؤقت: تخزين الاستعلامات والتوسعات المتكررة لتقليل الحسابات.

التكامل مع أنظمة الاسترجاع

ضمان عمل الاستعلامات الموسّعة بفعالية مع خوارزميات الاسترجاع الحالية.

التخفيف:

• تعديلات التقييم: تعديل تقييم الاسترجاع ليأخذ بالاعتبار الاستعلامات الموسّعة.
• مقاربات هجينة: الجمع بين الاسترجاع القائم على الكلمات المفتاحية والدلالي.

تقنيات لتوسيع الاستعلام بفعالية

توزين المصطلحات

تعيين أوزان للمصطلحات في الاستعلامات الموسّعة لتعكس أهميتها.

• TF-IDF (تكرار المصطلح-عكس تكرار المستند): يقيس مدى أهمية المصطلح في مستند بالنسبة لمجموعة المستندات.
• تقييم BM25: دالة ترتيب تستخدمها محركات البحث لتقدير مدى صلة الوثائق.
• أوزان مخصصة: ضبط الأوزان بناءً على مدى صلة المصطلحات الموسّعة.

إعادة ترتيب الوثائق المسترجعة

بعد الاسترجاع، إعادة ترتيب الوثائق لإعطاء الأولوية للصلة.

• المُرمزون المتقاطعون (Cross-Encoders): استخدام نماذج تقيم صلة أزواج الاستعلام-الوثيقة.
• نماذج إعادة الترتيب (مثل ColBERT، FlashRank): نماذج متخصصة تقدم إعادة ترتيب دقيقة وفعّالة.

مثال:

استخدام مُرمّز متقاطع بعد الاسترجاع لتقييم وإعادة ترتيب الوثائق بناءً على صلتها بالاستعلام الأصلي.

الاستفادة من ملاحظات المستخدم

دمج تفاعلات المستخدم لتحسين توسيع الاستعلام.

• ملاحظات ضمنية: تحليل سلوك المستخدم، مثل النقرات والوقت المستغرق على الوثائق.
• ملاحظات صريحة: السماح للمستخدمين بتحسين الاستعلامات أو اختيار النتائج المفضلة.

الاتصال بالذكاء الاصطناعي، أتمتة الذكاء الاصطناعي، والدردشات الذكية

توسيع الاستعلام المدعوم بالذكاء الاصطناعي

يستفيد توسيع الاستعلام باستخدام الذكاء الاصطناعي والنماذج اللغوية الضخمة من الفهم المتقدم للغة لتحسين الاسترجاع. يمكّن ذلك أنظمة الذكاء الاصطناعي، بما في ذلك الدردشات الذكية والمساعدين الافتراضيين، من تقديم ردود أكثر دقة وملاءمة للسياق.

الأتمتة في استرجاع المعلومات

يقلل أتمتة عملية توسيع الاستعلام من عبء المستخدمين في صياغة استعلامات دقيقة. تتعامل أتمتة الذكاء الاصطناعي مع التعقيد خلف الكواليس، مما يعزز كفاءة أنظمة استرجاع المعلومات.

تعزيز تفاعلات الدردشة الذكية

تستفيد الدردشات الذكية من توسيع الاستعلام عبر فهم أفضل لنوايا المستخدم، خاصة عندما يستخدم المستخدمون لغة دارجة أو عبارات غير مكتملة. يؤدي ذلك إلى تفاعلات أكثر إرضاءً وحلول فعّالة للمشاكل.

مثال:

يمكن لروبوت دردشة يقدم الدعم الفني تفسير استعلام المستخدم الغامض مثل “التطبيق لا يعمل” عبر توسيعه ليشمل “توقف التطبيق عن العمل”، “البرنامج لا يستجيب”، و"رسائل خطأ التطبيق"، مما يؤدي إلى حل أسرع.

أبحاث حول توسيع الاستعلام لأنظمة RAG

1. تحسين الاسترجاع للإجابة على الأسئلة في النماذج المعتمدة على RAG في الوثائق المالية
   تتناول هذه الورقة فعالية النماذج اللغوية الضخمة (LLMs) المحسنة بواسطة التوليد المعزز بالاسترجاع (RAG)، خاصة في سياق الوثائق المالية. تحدد أن عدم دقة مخرجات LLM غالبًا ما ينشأ من استرجاع نصوص دون المستوى الأمثل بدلاً من النموذج نفسه. تقترح الدراسة تحسينات في عمليات RAG، بما في ذلك تقنيات تقسيم النصوص وتوسيع الاستعلام، بالإضافة إلى التعليقات التوضيحية للبيانات الوصفية وخوارزميات إعادة الترتيب. تهدف هذه المنهجيات إلى تحسين استرجاع النصوص، وبالتالي تحسين أداء LLM في توليد الردود الدقيقة. اقرأ المزيد

2. تعزيز الاسترجاع وإدارته: تآزر أربع وحدات لتحسين الجودة والكفاءة في أنظمة RAG
   تقدم الورقة نهجًا معياريًا لتحسين أنظمة RAG، مع التركيز على وحدة إعادة كتابة الاستعلام التي تنشئ استعلامات مناسبة للبحث لتحسين استرجاع المعرفة. تعالج مشكلات الركود المعلوماتي والغموض في الاستعلامات من خلال توليد استعلامات متعددة. بالإضافة إلى ذلك، يتم اقتراح مرشح المعرفة ومستودع ذاكرة المعرفة لإدارة المعرفة غير ذات الصلة وتحسين موارد الاسترجاع. تهدف هذه التطورات إلى تعزيز جودة الردود وكفاءة أنظمة RAG، وقد تم التحقق منها من خلال تجارب على مجموعات بيانات QA. الوصول إلى الكود ومزيد من التفاصيل.

3. MultiHop-RAG: معيار لتقييم التوليد المعزز بالاسترجاع في الاستعلامات متعددة الخطوات
   يسلط هذا البحث الضوء على التحديات في أنظمة RAG الحالية عند التعامل مع الاستعلامات متعددة الخطوات، والتي تتطلب الاستدلال عبر عدة أدلة. يقدم مجموعة بيانات جديدة مصممة خصيصًا لتقييم أنظمة RAG على الاستعلامات متعددة الخطوات، بهدف دفع حدود قدرات RAG الحالية. تناقش الورقة التطورات اللازمة لتمكين طرق RAG من التعامل بكفاءة مع هياكل الاستعلام المعقدة وتحسين تبني النماذج اللغوية الضخمة في التطبيقات العملية.