هابر يشرح لماذا تفقد النماذج اللغوية وRAG التقليدي القدرة على فهم الروابط

نشر موقع هابر تحليلًا يتناول سبب اصطدام الحماسة المحيطة بالنماذج اللغوية الكبيرة وRAG بقيود معمارية. والفكرة الرئيسية بسيطة: يستطيع النموذج العمل بثقة مع المستندات، لكن ذلك لا يعني أنه يفهم المعرفة والروابط بين الوقائع فهمًا حقيقيًا.

لماذا انتشر RAG بسرعة

أصبح RAG بسرعة الطريقة القياسية لـ«ربط» النموذج اللغوي الكبير ببيانات الشركات. والمنطق واضح: النموذج نفسه يجيد صياغة الإجابات وتلخيص النصوص المعقدة والحفاظ على الأسلوب، لكنه من دون ذاكرة خارجية يبقى محدودًا بما تدرّب عليه مسبقًا. وما إن يُضاف البحث في المستندات حتى يبدو النظام كمحلل شامل: يجيب عن اللوائح، ويلخص العقود، ويجمع التقارير، ويساعد في العثور على المقاطع المطلوبة دون إعادة تدريب النموذج.

وعلى مجموعات البيانات الصغيرة يترك هذا النهج انطباعًا قويًا فعلًا. فإذا كانت قاعدة المعرفة تتألف من عشرات الملفات والأسئلة مباشرة نسبيًا، يجلب RAG التقليدي قطع النص ذات الصلة بدقة شبه تامة، ويمررها إلى سياق النموذج، ويحصل على إجابة مفهومة. ولهذا ترسخ هذا النهج بسرعة في الدعم الفني والمساعدين الداخليين والخدمات القانونية والمنتجات التعليمية والتحليلات: فتطبيقه بسيط نسبيًا، والعائد العملي يظهر سريعًا.

أين يبدأ الخلل

تكمن المشكلة في أن RAG يبقى بطبيعته طبقة بحث مضافة، لا نظام معرفة متكاملًا. فهو يستطيع العثور على مقاطع نصية متشابهة، لكنه لا يضمن فهم العلاقات السببية والتسلسلات الهرمية والروابط الخفية بين الكيانات. وحين تتوزع المعلومات على مستندات مختلفة، يتعذر غالبًا أخذ الإجابة من فقرة واحدة: إذ يجب تركيبها من عدة وقائع وخطوات استدلال وسيطة. وهذا طبيعي للإنسان، أما بالنسبة إلى RAG التقليدي فهو سيناريو حدّي.

• يُرجع النظام المقاطع الأكثر تشابهًا، وليس بالضرورة الأكثر أهمية؛
• مع نمو قاعدة المعرفة قد لا تصل قطعة النص الحاسمة إلى السياق بسهولة؛
• نافذة السياق الكبيرة لا تحل مشكلة انتقاء البيانات وترتيبها؛
• ما زال النموذج قادرًا على خلط المصادر والتعميم بجرأة زائدة.

ولهذا قد يقول النموذج بصدق إن البيانات غير كافية، مع أن سلسلة الوقائع المطلوبة موجودة فعلًا في المستندات. وتورد المقالة مثالًا بسيطًا: إذا ارتبطت أليس ببوب في نص، ودرس بوب في نص آخر لوحات ليوناردو دا فينشي، فإن الإنسان قادر على بناء الرابط الوسيط. أما محرك البحث القائم على تشابه النصوص فيبحث غالبًا عن تأكيد مباشر ولا يقوم بهذه الخطوة بنفسه. وهكذا تظهر الفجوة بين «البحث عن المتشابه» والعمل الحقيقي مع المعرفة.

لماذا نحتاج إلى الأنطولوجيات

يصل المؤلف إلى أن المرحلة التالية في تطور أنظمة الذكاء الاصطناعي في الشركات هي تمثيل أكثر وضوحًا للمعرفة. فحين يُقاس عدد المستندات بمئات الآلاف أو الملايين، يصبح تخزين المعنى في صورة مجموعة من القطع النصية (chunks) والتمثيلات المتجهية أمرًا غير عملي. المطلوب بنية تُحدَّد فيها الكيانات وخصائصها وروابطها صراحةً، بدل استعادتها في كل مرة آنيًا من شذرات النص. وإلا يبقى النظام رهينًا بحظ البحث وجودة صياغة الاستعلام.

وهنا تعود الأنطولوجيات إلى الواجهة، وهي موضوع بدا طويلًا شديد الأكاديمية بالنسبة إلى الذكاء الاصطناعي التطبيقي. وفي منطق المقالة، ليس هذا تخليًا عن النماذج اللغوية أو RAG، بل طريقة لبناء طبقة تالية فوقهما. فالنموذج ما زال ضروريًا للتواصل باللغة الطبيعية، لكن قاعدة المعرفة نفسها ينبغي أن تصف العالم لا بالنص فحسب، بل بالروابط أيضًا. هذا النهج أعقد في التنفيذ، لكنه أنسب للمهام التي تكون فيها التبعيات والعلاقات السببية والتقاطعات بين الكائنات وسلاسل الاستنتاج الطويلة عوامل حاسمة.

ماذا يعني ذلك

لن يختفي ازدهار RAG، لكن السوق يقترب تدريجيًا من سقفه. فإذا كان على نظام الذكاء الاصطناعي ألا يكتفي بالبحث عن الفقرات، بل أن يشرح الروابط بين الوقائع ويصل إلى استنتاجات مستقرة على مجموعات بيانات ضخمة، فإن قاعدة بيانات متجهية واحدة لم تعد كافية. وستكون الجولة التالية من نصيب الحلول التي تجمع بين النماذج اللغوية وبنى معرفية أكثر صرامة.