Elasticsearch 8.11 يطلق ELSER بصيغة GA: بحث دلالي دون تدريب نموذج خاص بك

قصة مألوفة: يكتب المستخدم في البحث «how to cancel subscription»، بينما عنوان المقال في وثائقك «Terminating your plan». خوارزمية BM25 الكلاسيكية لن تجد هذا المقال: لا توجد كلمات مشتركة. هذه المشكلة بالذات تعالجها Elastic بنموذج ELSER (Learned Sparse EncodeR)، الذي حصل في الإصدار 8.11 على حالة GA. أي أنه صار بالإمكان نشره في الإنتاج، لا مجرد تجربته في بيئة اختبار.

بماذا يختلف ELSER عن التضمينات المعتادة

يُبنى البحث الدلالي المعتاد على متجهات كثيفة. تأخذ نموذج تضمينات خارجيًا، وتمرّر عبره جميع المستندات، وتخزّن مئات الأرقام لكل مقطع، ثم تبحث عن أقرب الجيران. هذا يعمل، لكنه يجرّ معه بنية تحتية: خدمة منفصلة، ومسائل إصدارات النماذج، واختيار نموذج يلائم المجال.

أما ELSER فمصمَّم بطريقة مختلفة. فهو يحوّل النص إلى متجه متناثر (sparse)، أي مجموعة كلمات مع أوزان. وتدخل في هذه المجموعة كلمات غير موجودة في النص لكنها مرتبطة به من حيث المعنى. فالمستند الذي يتحدث عن «terminating your plan» سيحصل في الفهرس أيضًا على وزن للكلمات «cancel» و«subscription» وما شابهها. بعد ذلك تعمل الآلية المألوفة للفهرس المعكوس، التي اعتاد عليها فريق Elasticsearch منذ زمن.

كيف يبدو ذلك عمليًا

المخطط بسيط. عند الفهرسة تمر المستندات عبر خط معالجة ingest يحتوي على معالج inference، ويضيف النموذج إلى كل مستند تمثيلًا متناثرًا. وعند البحث تستخدم الاستعلام text_expansion مع معرّف النموذج. ويُوسَّع الاستعلام أيضًا إلى مصطلحات موزونة ثم تُطابَق مع المصطلحات المفهرسة.

أكبر ميزة هي أن النموذج مدرَّب مسبقًا، ويُفترض أن يعطي جودة مقبولة على مجموعة بياناتك دون إعادة تدريب. وبالنسبة إلى فريق بلا مهندس ML متخصص، فهذا توفير ملحوظ: لا حاجة إلى تجميع مجموعة بيانات موسومة ولا إلى إطلاق عملية تدريب. يعمل النموذج على عقد ML في العنقود نفسه، ولا تخرج البيانات إلى واجهة API خارجية.

وفي الإصدار نفسه وسّعت Elastic مجموعة الموصلات التي تجلب البيانات من أنظمة خارجية، مثل مخازن المستندات المؤسسية وقواعد المعرفة. من الأفضل الاطلاع على القائمة الدقيقة في ملاحظات الإصدار (release notes)، لكن الاتجاه واضح: صار أسهل أن تضخّ بياناتك في الفهرس وتحصل فورًا على بحث دلالي عليها. وفي سيناريوهات RAG هذه هي الحلقة المطلوبة تمامًا.

قيود يجدر معرفتها

أولًا: ELSER موجَّه إلى اللغة الإنجليزية. فإذا كان محتواك بالروسية أو متعدد اللغات، فلا ينبغي توقع الجودة نفسها، وسيتعين النظر في نماذج أخرى أو في المتجهات الكثيفة.

ثانيًا: الميزة تندرج ضمن مستويات الاشتراك المدفوعة. تكفي الفترة التجريبية لاختبار الفرضيات، لكن لا بد من احتساب ذلك في ميزانية المشروع.

ثالثًا: التمثيلات المتناثرة تضخّم الفهرس، كما أن الاستدلال (inference) أثناء الفهرسة يستهلك موارد عقد ML. وفي المجموعات الكبيرة قدّر مسبقًا الحمل ووقت الفهرسة الأولية.

ورابعًا: GA تعني استقرار الواجهة، لا ضمان الجودة على مجالك. وسيتعين عليك قياس الصلة (relevance) بنفسك في كل الأحوال.

ماذا تفعل بهذا

إذا كان لديك Elasticsearch بمحتوى إنجليزي وشكاوى من نوع «البحث لا يفهم ما أقصده»، فهذه أرخص طريقة لاختبار الدلالة. لا حاجة إلى إدخال قاعدة بيانات متجهات جديدة ولا إلى تغيير المنظومة التقنية.

الخطة العملية كالتالي: خذ 50–100 استعلامًا حقيقيًا تفشل فيها BM25، ومرّرها عبر ELSER وقارن النتائج. ثم جرّب الوضع الهجين، حيث يُدمج البحث المعجمي والدلالي في نتيجة واحدة. وعادةً ما يعطي الجمع بينهما أفضل نتيجة، لا استبدال أحدهما بالآخر. فإذا كان المكسب ملحوظًا فانتقل إلى خط المعالجة في الإنتاج، وإن لم يكن فقد أضعت يومًا لا ربع سنة.