كيف حوّلت شركة تقنية روسية معارفها المؤسسية إلى نظام RAG فعّال

مشكلة الذاكرة المؤسسية مألوفة لأي شركة تقنية تجاوز عدد موظفيها المئة. فالوثائق مبعثرة على عشرات الأنظمة، والخبرة محبوسة في أذهان أشخاص رئيسيين، ويقضي المهندس الجديد أسابيع في البحث عن إجابة لسؤال سبق أن حلّه أحدهم قبل نصف عام. قرر مهندسو شركة «تسيفرا»، وهي مطوّر روسي لحلول المنصات الموجهة للصناعة، التصدي لهذه المشكلة بصورة منهجية، فبنوا منظومة RAG متكاملة للاستخدام الداخلي.

لم يعد RAG، أي التوليد المعزّز بالاسترجاع (Retrieval-Augmented Generation)، أمرًا غريبًا في عالم الذكاء الاصطناعي المؤسسي. فكرته بسيطة: بدل التعويل على أن النموذج اللغوي «يتذكر» المعلومة المطلوبة، يعثر النظام أولًا على الوثائق ذات الصلة في قاعدة المعرفة، ثم يمرّرها بوصفها سياقًا لتوليد الإجابة. غير أن المسافة بين مخطط معماري أنيق ومنتج يعمل فعليًا شاسعة، وتمتلئ بقرارات هندسية كثيرة، وهذه التفاصيل تحديدًا هي ما يمنح حالة «تسيفرا» قيمتها الحقيقية للقطاع.

تقوم بنية النظام، كما وصفها المهندس الأول في المركز التدريبي ديمتري أوماروف وزميله فيودور أريفييف، على عدة مبادئ رئيسية. أولها، وربما أهمها، التخلي المقصود عن إعادة تدريب النماذج اللغوية. فالضبط الدقيق (fine-tuning) لنموذج LLM مؤسسي يبدو جذابًا في العروض التقديمية، لكنه عمليًا عملية مكلفة تتطلب تحديثًا مستمرًا مع كل تغيير في الوثائق. لذلك راهن الفريق على قاعدة معرفة ديناميكية: تُفهرس الوثائق وتُحوَّل إلى تمثيلات متجهية وتُخزَّن محليًا. وحين يطرح موظف سؤالًا، يعثر النظام على أنسب المقاطع عبر البحث المتجهي، ثم يمرّر النتائج بمرحلة إعادة الترتيب (reranking)، وهي ترتيب إضافي يستبعد الضوضاء ويرفع دقة النتائج. وبعد ذلك فقط يُرسَل السياق المجمَّع إلى نموذج لغوي سحابي لتوليد الإجابة النهائية.

ويستحق نهج أمن المعلومات وقفة خاصة، فهو موضوع حساس لأي شركة تتعامل مع عملاء صناعيين. إرسال الوثائق الداخلية إلى خدمة ذكاء اصطناعي سحابية دون تصفية طريق مباشر إلى تسريب البيانات. وقد نفّذ مهندسو «تسيفرا» طبقة تنقية محلية: قبل أن يغادر السياق محيط الشركة، تُحذف منه المعلومات الحساسة تلقائيًا. إنه حل أنيق يتيح الاستفادة من قدرات نماذج LLM السحابية دون تنازلات في الأمن. فالشركة تحصل عمليًا على أفضل ما في العالمين: تحكّم محلي بالبيانات وجودة توليد لا توفرها سوى النماذج السحابية الكبيرة.

أما مكافحة الهلوسة فجبهة أخرى حقق فيها الفريق نتائج ملحوظة. تميل النماذج اللغوية إلى توليد معلومات تبدو معقولة لكنها غير صحيحة من حيث الوقائع، وهذا غير مقبول في السياق المؤسسي. فالإحالة الخاطئة إلى لائحة تنظيمية أو توصية تقنية خاطئة قد تفضي إلى عواقب حقيقية في الإنتاج. وجاء الحل جزئيًا هندسيًا وجزئيًا منهجيًا: موجّه نظام (system prompt) مدروس بعناية يقيّد النموذج بصرامة، ويلزمه بالاعتماد حصرًا على السياق المقدَّم وبإرفاق روابط المصادر الأصلية بكل إجابة. وإذا لم تتوفر في قاعدة المعرفة معلومات للإجابة، فعلى النموذج أن يقرّ بذلك بصراحة بدل أن يختلق.

لا تكمن أهمية هذه الحالة في الحلول التقنية المحددة بقدر ما تكمن في النهج العام. فالشركات الروسية تعمل في ظروف خاصة: الوصول إلى أبرز منصات الذكاء الاصطناعي السحابية محدود، ومتطلبات الجهات التنظيمية لمعالجة البيانات صارمة، وميزانيات البنية التحتية للذكاء الاصطناعي ليست مفتوحة. وفي هذا الواقع تصبح أنظمة RAG ذات طبقة البحث المحلية والتفاعل المنضبط مع السحابة هي البنية القياسية عمليًا. فهي تتيح الموازنة بين الجودة والتكلفة والأمن، وهي ثلاثة معايير تتعارض في الذكاء الاصطناعي المؤسسي في الغالب.

وتُظهر تجربة «تسيفرا» أيضًا اتجاهًا أوسع: الذكاء الاصطناعي المؤسسي في 2026 لم يعد متعلقًا بتجارب روبوتات الدردشة، بل ببنية إدارة المعرفة التحتية. والشركات التي تتعلم إتاحة خبرتها الجماعية عبر بحث ذكي ستحصل على ميزة تنافسية قابلة للقياس. فيقصر زمن تأهيل الموظفين الجدد، ويتوقف تكرار حل مسائل سبق حلها، ولا تعود المعلومات الحرجة رهينة لخبراء بعينهم. وبذلك يحوّل نظام RAG الذاكرة المؤسسية من أرشيف خامل إلى أداة عمل نشطة، وفي هذا تكمن قيمته الحقيقية.