توسيع استعلامات RAG: كيف تعثر الصياغة الاصطناعية على أدلة تتجاوز المصطلحات المطابقة تمامًا
غالبًا ما يحسّن توسيع الاستعلامات الاصطناعي استدعاء نظام RAG، من خلال إضافة إعادة صياغات معقولة ومصطلحات خاصة بالمجال تسد فجوات المفردات بين الأسئلة والأدلة المخزنة.
قد يطلب أحد أفراد الأسرة «فحص الغلاية»، بينما تذكر الفاتورة الممسوحة ضوئيًا «خدمة هيدرونية سنوية» ولا تستخدم العبارة المنزلية إطلاقًا. يفشل البحث المعجمي الدقيق في اكتشاف هذا الترابط. يولّد توسيع الاستعلام صياغات بديلة أو إجابة افتراضية، ويبحث في كل تمثيل، ثم يدمج النتائج قبل إعادة ترتيبها، ما يمنح الأدلة ذات الصلة أكثر من مسار للوصول إلى نافذة السياق.
قد يمثل سؤال واحد عدة نوايا بحث
قد يغفل الاستعلام المنزلي القصير الاسم الرسمي للمنتج أو التاريخ أو الموقع أو المصطلحات المستخدمة في المصدر. يجعل التوسيع هذه التفسيرات الكامنة صريحة من خلال إنتاج عبارات ذات صلة أو استعلامات فرعية أو مقطع اصطناعي. ويكتسب الاسترجاع المتناثر مصطلحات مطابقة جديدة، بينما يحصل الاسترجاع الكثيف على وجهات نظر دلالية إضافية.
تطلب طريقة Query2doc من نموذج لغوي إنشاء مستند زائف وإلحاقه بالاستعلام الأصلي. وتُظهر تجاربها أن النص المضاف قد يحسّن الاسترجاع المتناثر والكثيف معًا من دون إعادة تدريب أداة الاسترجاع الأساسية.
لا تجعل هذه الآلية الاستعلام أكثر صدقًا. إنها توسّع نطاق توليد المرشحين، وبعد ذلك يجب على الدمج وإعادة الترتيب تحديد المرشحين الذين ما زالوا يجيبون عن السؤال الأصلي، لا عن التوسعة التي جرى توليدها. ويظل هذا الفرق ظاهرًا أثناء الاختبارات المنزلية اللاحقة.
تسد المقاطع الاصطناعية فجوة المفردات بين الاستعلام والمستند
قد يشبه المستند الافتراضي أسلوب الأدلة المحتملة ومفرداتها، حتى عندما تكون حقائقه مختلقة. يضمّن النظام هذا المقطع الاصطناعي ويسترجع المستندات الحقيقية القريبة منه، مستخدمًا التوليد جسرًا دلاليًا لا دليلًا يُعرض على المستخدم.
ينشئ تضمينات المستندات الافتراضية مستندات افتراضية قبل تضمينها من أجل الاسترجاع الكثيف دون تدريب مسبق. والفصل المهم هو أن النص المولّد يوجّه الاسترجاع، بينما تظل مستندات المجموعة المسترجعة وحدها الأدلة المقبولة للإجابة النهائية.
يمكن لتوسعات متعددة تغطية الاختصارات والأسماء المستعارة والترجمات ومستويات مختلفة من التفصيل التقني. ويزيد اتحاد المرشحين من الاستدعاء، لكن إزالة التكرار وإعادة الترتيب ضروريتان، لأن عشر إعادة صياغات قد تزاحم القائمة بمقاطع متطابقة تقريبًا أو ضعيفة الصلة.
قد ينحرف التوسيع نحو موضوع معقول لكنه خاطئ
قد يفسّر المولّد اسمًا غامضًا تفسيرًا خاطئًا، أو يُدخل منتجًا لا تملكه الأسرة، أو يختلق تاريخًا. ويمكن لهذه المصطلحات استرجاع مستندات متسقة داخليًا حول الكيان الخطأ، فتُنتج ضوضاء أكثر ثقة من الاستعلام المتناثر الأصلي.
تجد دراسة محكومة حول إعادة صياغة الاستعلامات التكميلية أن الجمع بينها قد يحسّن التغطية في بعض مجموعات البيانات، بينما يضر بأداء معيار للأسئلة الغامضة. وتوضح هذه النتيجة سبب ضرورة تقييد التوسيع بحسب نوع الاستعلام وتقييمه مقابل خط أساس قوي.
تظهر حدود الفشل في أي استعلام يكون كيانه المركزي أو نيته غير مؤكدة. احتفظ بالاستعلام الأصلي، وسمِّ النص الاصطناعي بأنه أداة مساعدة للاسترجاع، وقلّل تأثيره أثناء الدمج، وامتنع عن الإجابة عندما تختلف التوسعات بشأن مجموعة الأدلة.
أجرِ اختبارًا لمساهمة التوسيع
أنشئ ثلاثين سؤالًا منزليًا حقيقيًا تتضمن اختصارات وأسماء غير رسمية وترجمات ومصطلحات رسمية غائبة عن الاستعلام. سجّل المقاطع الداعمة التي جرى التحقق منها، ثم شغّل الاسترجاع بالاستعلام الأصلي وحده ومسار التوسيع المقترح باستخدام الفهرس نفسه وميزانية top-k نفسها وأداة إعادة الترتيب نفسها.
تتبّع الاستدعاء وتغطية الاستشهادات باستخدام طريقة التقييم الواردة في استرجاع الاختصارات. ولكل مقطع ذي صلة أُضيف، خزّن إعادة الصياغة التي عثرت عليه؛ ولكل مشتّت جديد، سجّل المصطلح الذي تسبب في الانحراف وما إذا كانت إعادة الترتيب قد أزالته.
فعّل التوسيع فقط عندما يرفع الاستدعاء على بيانات محجوبة من دون خسارة غير مقبولة في الدقة أو زيادة غير مقبولة في زمن الاستجابة. وإذا جاءت المكاسب من ميزانية مرشحين أكبر فحسب، فقارنها بتشغيل للاستعلام الأصلي بالميزانية نفسها قبل نسب التحسن إلى الصياغة الاصطناعية.
المنتجات الموصى بها
مركز التكنولوجيا والذكاء الاصطناعي
المزيد للقراءة
ما العوامل التي تحدد دقة الاستشهادات في نظام RAG لقاعدة معرفية منزلية؟
تعرّف على سبب إمكانية أن يكون المصدر ذو الصلة استشهادًا خاطئًا، وتعرّف على مراحل خط أنابيب البيانات التي تتحكم في الإسناد والتغطية، وكيفية تدقيق...
ما الميزات التي تتيح إخراج JSON موثوقًا من نموذج لغوي كبير محلي؟
تعرّف على الميزات التي تفرض بنية JSON، وتلك التي تحمي الصحة الدلالية، وكيفية اختبار نموذج محلي عبر المخططات والمطالبات وحالات الفشل.
نسب البيانات للذكاء الاصطناعي المحلي: لماذا تحتاج كل إجابة إلى مسار مصدر قابل للتتبع
تعرّف على كيفية جعل مسارات المصادر لإجابات الذكاء الاصطناعي المحلية قابلة للتدقيق، ولماذا لا تكفي الإحالات وحدها، وكيفية اختبار تسلسل البيانات من خلال التحديثات...
