نقلت Ring دعم 10 مناطق إلى Amazon Bedrock Knowledge Bases وخفضت التكاليف

شاركت Ring كيف أعادت هيكلة دعمها العملاء العالمي من روبوت محادثة يعتمد على قواعد إلى نظام RAG فوق Amazon Bedrock Knowledge Bases. بدلاً من البنية الأساسية المنفصلة لكل سوق، احتفظت الشركة بعمارة مركزية واحدة، وحافظت على دقة الإجابات الإقليمية، وخفضت تكاليف التوسع بنسبة 21% لكل سوق جديد.

لماذا الروبوت القديم لم يكن فعالاً

في البداية، اعتمدت خدمة دعم Ring على روبوت محادثة Amazon Lex مع سيناريوهات مرمزة بقوة. كان هذا النهج يعمل طالما ظلت الطلبات قابلة للتنبؤ، لكنه اصطدم بسقف سريع: خلال فترات الحمل الذروي، كان يتعين تصعيد 16% من المحادثات إلى المشغلين البشريين، وكان المهندسون ينفقون حوالي 10% من وقتهم على دعم وإصلاح الروبوت نفسه. بالنسبة لخدمة دولية، أصبح هذا نموذجاً مكلفاً جداً وبطيئاً.

لم تكن المشكلة مجرد ترجمة الواجهة. تتطلب الأسواق المختلفة إجابات مختلفة مع الأخذ في الاعتبار المعاملات المحلية: من مواصفات الأجهزة والجهد الكهربائي إلى متطلبات الشهادات والامتثال التنظيمي. كانت Ring تعمل بالفعل في المملكة المتحدة وألمانيا وثماني مناطق أخرى، والاحتفاظ ببنية أساسية منفصلة لكل سوق يعني زيادة التكاليف والتعقيد التشغيلي بشكل خطي تقريباً.

كيف بنوا العمارة الجديدة

في العمارة الجديدة، فصلت Ring عمل المحتوى إلى حلقتين منفصلتين: الاستيعاب والتقييم بشكل منفصل، والترويج إلى الإنتاج بشكل منفصل. يحمل فريق المحتوى التعليمات والأدلة ومقالات الدعم إلى Amazon S3 بتنسيق منظم، حيث يحتوي كل مستند على بيانات وصفية تشمل `contentLocale`. ثم توزع AWS Lambda تلقائياً المحتوى الخام والبيانات الوصفية المستخرجة على المجموعات المناسبة، وتبني Step Functions نسخة جديدة من قاعدة المعرفة كل يوم.

• يتم تحميل المحتوى على S3 مع بيانات وصفية للإقليم ونوع المستند
• Lambda يؤرشف الملف الخام ويحفظ البيانات النظيفة للفهرسة
• Step Functions تنشئ نسخة جديدة من Knowledge Base يومياً
• مجموعات بيانات التقييم تشغل الاستعلامات مقابل الإصدارات وتقارن جودة النتائج
• أفضل إصدار يذهب إلى Golden Data Source للإنتاج

سمح هذا خط الأنابيب لـ Ring بتحديث المعرفة بدون نشر يدوي وبدون خطر كسر الإنتاج. تعيش كل نسخة يومية كقاعدة معرفة منفصلة، لذا يمكن اختبارها واستعادتها بشكل مستقل. يتم الاحتفاظ بالسجل لمدة تصل إلى 30 يوماً — هذا كافٍ لأن المحتوى يتغير حوالي 200 مرة في الأسبوع.

لفحوصات الجودة التلقائية، تستخدم Ring نموذج Anthropic Claude Sonnet 4 كحكم: يقارن الإصدارات على دقة البحث وجودة الإجابة والمقاييس لكل إقليم.

كيف يختار الروبوت إجابة

على جانب المستخدم، العمارة عملية بنفس القدر. يرسل العميل سؤالاً إلى روبوت المحادثة جنباً إلى جنب مع السوق، على سبيل المثال `en-GB`. لا يبحث Lambda في قاعدة البيانات بأكملها عماءً، بل يطبق مرشحاً مدفوعاً بالبيانات الوصفية على حقل `contentLocale` بحيث يذهب الاستعلام مباشرة فقط إلى الملف الإقليمي الملائم. بعد ذلك، يسترجع النظام الأجزاء الموجودة من النسخة Golden المحققة، ويرتبها حسب النقاط، ويجمع نموذجاً موسعاً، ثم يرسله إلى نموذج Amazon Bedrock للإجابة النهائية.

تلاحظ Ring بشكل منفصل أن متطلب كامل زمن استجابة كان 7–8 ثوان، والتحليل أظهر نقطة مهمة: أعطى تأخير بين المناطق أقل من 10% من إجمالي وقت الاستجابة. هذا جعل من الممكن عدم تكرار العمارة بأكملها في كل منطقة بل الاحتفاظ بمركز معالجة طلب موحد.

لتخزين المتجهات، تستخدم الشركة Amazon OpenSearch Serverless، وللتضمينات — Amazon Titan Embeddings مع chunking قياسي. يُخطط للنظام أن يتطور نحو نهج agentic، حيث ستكون وكلاء متخصصة منفصلة مسؤولة عن تشخيص الأجهزة وإدارة الطلبات وتوصيات المنتجات.

ماذا يعني هذا

حالة Ring مفيدة ليس كعرض AWS بل كنموذج عملي لأي شركة لديها دعم دولي. الفكرة الرئيسية بسيطة: لا تنشئ أنظمة RAG منفصلة لكل دولة بل احتفظ بقاعدة بيانات واحدة مع تصفية صارمة بالبيانات الوصفية وتقييم يومي للنسخ الجديدة وآلية واضحة للترويج إلى الإنتاج. هذا يقلل تكاليف التوسع ويبسط الصيانة ويجعل الإجابات أكثر قابلية للتنبؤ في كل سوق.