ما هو الترسيخ (Grounding) في الذكاء الاصطناعي؟ كيف تبقى النماذج دقيقة

الترسيخ هو الطريقة التي توقف بها نموذج الذكاء الاصطناعي عن اختلاق الحقائق. فبدلًا من الإجابة من الذاكرة وحدها، يسحب النموذج المُرسَّخ مادة مصدرية حقيقية (مستنداتك، أو قاعدة بيانات، أو API حيّ) ويجيب انطلاقًا منها. إنها الرافعة الأكبر لجعل الذكاء الاصطناعي جديرًا بالثقة بما يكفي لوضعه أمام العملاء. وRAG هو الأسلوب الأكثر شيوعًا لتحقيق ذلك، لكنه ليس الأسلوب الوحيد. 

في ما يلي: ما هو الترسيخ، وكيف يختلف عن RAG والضبط الدقيق (fine-tuning)، والطرق الخمس التي تستخدمها الفرق، وكيفية بنائه، وكيفية قياسه، ولماذا يصبح أصعب ما يكون خلال مكالمة هاتفية مباشرة.

ما الذي يعنيه الترسيخ في الذكاء الاصطناعي، والتعريفان اللذان يخلط الناس بينهما باستمرار

فكرتان مختلفتان تتشاركان كلمة الترسيخ، ويظهر هذا اللبس في كل مكان تنظر إليه.

الأولى هي الأقدم، من العلوم المعرفية: مشكلة ترسيخ الرمز. وهي تتساءل كيف يرتبط رمزٌ ما، مثل كلمة تفاحة، بالشيء الحقيقي الذي يشير إليه بدلًا من الإشارة إلى رموز أخرى فقط. هذا السؤال مهم في الروبوتات والذكاء الاصطناعي المُجسَّد، حيث يتعيّن على النظام أن يربط اللغة بأجهزة الاستشعار والعالم المادي.

الثانية هي التي جئت من أجلها على الأرجح. في الذكاء الاصطناعي الإنتاجي، يعني الترسيخ ربط مُخرَجات النموذج بمادة مصدرية قابلة للتحقق، بحيث تعود إجاباته إلى معلومات حقيقية ومحدّدة بدلًا من أنماط التقطها أثناء التدريب. الإجابة المُرسَّخة يمكن التحقق منها. أما غير المُرسَّخة فهي تخمين واثق.

هذه المقالة تدور حول النوع الثاني. عندما يقول مهندس إننا رسّخنا الوكيل، فهو يعني أن النموذج يجيب من مصدر معلوم للحقيقة، لا مما استوعبه أثناء التدريب.

لماذا يبدو النموذج غير المُرسَّخ واثقًا ومع ذلك يخطئ في الحقائق

النموذج اللغوي محرّك تنبؤ. لقد دُرِّب على تخمين الكلمة التالية في تسلسلٍ ما، مرارًا وتكرارًا، حتى صار بارعًا في إنتاج نص يُقرأ سلسًا ومقنعًا. لم يدرّبه أحد على أن يكون صحيحًا. بل درّبوه على أن يبدو صحيحًا.

هذه الفجوة هي مصدر الهلوسات. اسأل النموذج عن شيء يعرفه جزئيًا، أو عن شيء يقع بعد حدّ تدريبه الزمني، أو عن شيء خاص بعملك، فيجيب على أي حال. يملأ الفراغ بأكثر الكلمات وقوعًا في الاحتمال. المُخرَج نحويّ وواثق، وأحيانًا خاطئ.

في محادثة عابرة، تكون الإجابة الخاطئة مزعجة. أما بالنسبة لوكيل يقتبس سياسة استرداد، أو يؤكّد جرعة، أو يخبر متصلًا برصيده، فإن الإجابة الخاطئة تمثّل مسؤولية قانونية. يسدّ الترسيخ الفجوة بتسليم النموذج الحقائق لحظة إجابته، ثم إلزامه بها.

مُرسَّخ مقابل غير مُرسَّخ: السؤال نفسه، وإجابتان مختلفتان

تخيّل عميلًا يسأل، ماذا تبقّى في رصيدي، ومتى موعد الدفع التلقائي؟

من دون ترسيخ، لا يملك النموذج أي وصول إلى ذلك الحساب. لذا يولّد شيئًا يبدو على شكل إجابة: رصيدك 42.50$ والدفع التلقائي يجري في الخامس عشر. مقنع. ومختلق أيضًا. الأرقام جاءت من العدم.

مع الترسيخ، يستدعي الوكيل نظام الفوترة لديك أولًا، ويسحب السجل الحقيقي، ويجيب انطلاقًا منه: لديك 128.40$ متبقية، والدفع التلقائي مضبوط على الثاني والعشرين. السؤال نفسه، لكن الإجابة الآن مرتبطة بنظام تسجيل. وإذا سأل أحد من أين جاء الرقم، يمكنك الإشارة إلى المصدر بدقة.

هذه هي اللعبة كلها. يحوّل الترسيخ يبدو صحيحًا إلى هو صحيح، وإليك السبب.

الترسيخ مقابل RAG مقابل الضبط الدقيق: أيّها الهدف وأيّها الأسلوب

تُستخدم هذه الثلاثة على نحو تبادلي، وينبغي ألّا يكون كذلك. الترسيخ هو الهدف: مُخرَجات مرتبطة بالحقيقة. وRAG والضبط الدقيق أسلوبان تستخدمهما لبلوغه. 

الخلط بينها يقود الفرق إلى ضبط نموذج بدقة ثم التساؤل لماذا لا يزال يختلق الحقائق.

‍

‍

باختصار: الضبط الدقيق يغيّر كيف يتحدّث النموذج وأي مجال يرتاح فيه، لكنه يُدمج المعرفة في الأوزان وقت التدريب، فتصبح قديمة ولا يزال يعجز عن الاستشهاد بمصدر. أما RAG فيحقن حقائق حديثة ومحدّدة لحظة السؤال. إذا كانت مشكلتك أن النموذج مخطئ بشأن بياناتنا، فنادرًا ما يصلح الضبط الدقيق ذلك. الترسيخ يفعل.

الطرق الخمس التي ترسّخ بها الفرق نظام ذكاء اصطناعي عمليًا

يحظى RAG بكل الاهتمام، لكنه خيار واحد. معظم الأنظمة الإنتاجية تجمع بين بعض هذه الطرق.

1. الاسترجاع (RAG): ابحث في قاعدة المعرفة عن المقاطع ذات الصلة بالسؤال، وأدرِجها في الـ prompt، واجعل النموذج يجيب انطلاقًا منها. الأفضل عندما تعيش الحقيقة عبر مستندات كثيرة تتغيّر غالبًا.
2. استدعاء الأدوات والدوال: دع النموذج يستدعي API أو يستعلم من قاعدة بيانات في منتصف الإجابة: حالة الطلب، أو المخزون، أو تقويم، أو سجل حساب. نظام التسجيل هو مصدر الحقيقة، فتكون الإجابة حديثة بقدر حداثة بياناتك.
3. البحث في البيانات المهيكلة: بدلًا من البحث في النص الحر، اسحب حقلًا محدّدًا واحدًا من قاعدة بيانات، مثل رقم تتبّع، أو سعر، أو حدّ سياسة. أدقّ وأكثر موثوقية من الاسترجاع عندما تعرف بالضبط ما تحتاجه.
4. فرض الاستشهاد بالمصادر: وجّه النموذج ليجيب فقط من المصادر المقدّمة وليُرفق مصدر كل ادّعاء. وإذا لم يستطع دعم عبارة، يقول ذلك بدلًا من التخمين. هذا ما يجعل الإجابة قابلة للتدقيق.
5. الرسوم البيانية المعرفية: اربط الكيانات وعلاقاتها في رسم بياني مهيكل كي يستدلّ النموذج على حقائق مرتبطة صراحةً لا مُستنتَجة. مفيد عندما تكون العلاقات بين الكيانات مهمة بقدر الكيانات نفسها.

كيف ترسّخ نظام الذكاء الاصطناعي الخاص بك، خطوة بخطوة

تسلسل عملي، بالترتيب:

1. حدّد مصدر حقيقتك: قرّر أي المستندات وقواعد البيانات والـ APIs موثوقة. الترسيخ إلى مصدر فوضوي أو قديم يُنتج إجابات خاطئة واثقة، وهذه هي الخطوة التي تستثمر فيها معظم الفرق أقل مما ينبغي.
2. اجعله قابلًا للاسترجاع: قسّم مستنداتك وفهرِسها، أو اعرِض بياناتك كـ APIs نظيفة يمكن للنموذج استدعاؤها. جودة الاسترجاع تبدأ من هنا.
3. اسحب السياق الصحيح وقت السؤال: اجلب القطع القليلة الأكثر صلة، لا كل شيء. المزيد من السياق ليس أفضل. السياق الصحيح هو الأفضل.
4. قيّد النموذج: في الـ prompt النظامي، اطلب منه أن يجيب فقط من المادة المُسترجَعة وأن يقول لا أعرف عندما لا تكون الإجابة موجودة. النموذج المسموح له بالرجوع إلى الذاكرة سيفعل.
5. اشترط إمكانية التتبّع: اجعل الوكيل يحتفظ، ويُظهر مثاليًا، بالمصدر وراء كل إجابة. أنت تريد إعادة بناء أي ردّ لاحقًا.
6. ابنِ آلية احتياطية: عندما لا يستطيع الوكيل ترسيخ إجابة، وجّهها إلى مكان ما: سؤال توضيحي، أو إنسان. الصمت والتخمين كلاهما أسوأ.
7. قيّم وراقب: الترسيخ ليس اضبط وانسَ. المصادر تنجرف والاسترجاع يخطئ. قِسه، وهذا ما يقودنا إلى الجزء التالي.

كيف تعرف أن ترسيخك يعمل

يبدو أفضل ليس مقياسًا. إليك بعض المقاييس الفعلية:

• الترسّخ، أو الأمانة: هل يعود كل ادّعاء في الإجابة إلى المصدر المُسترجَع؟ يمكنك تقييم ذلك بمجموعة مُعنونة أو إعداد LLM كحَكَم.
• تغطية الاستشهادات: ما نسبة الإجابات التي تتضمّن مصدرًا حقيقيًا وصحيحًا. التغطية المنخفضة تعني أن النموذج لا يزال يرتجل.
• جودة الاسترجاع: عندما تكون الإجابة الصحيحة موجودة في قاعدة معرفتك، هل يُظهرها المُسترجِع؟ نموذج رائع على استرجاع سيّئ يفشل مع ذلك.
• دقة الإجابة: شغّل مجموعة اختبار ثابتة من أسئلة حقيقية بإجابات معلومة وتتبّع النتيجة كلما غيّرت الإعداد.

في الإنتاج، تهمّ إشارتان إضافيتان: كم مرة يقول الوكيل لا أعرف، فالمعدّل الصحي يعني أنه يحترم مصادره، وكم مرة يصعّد. مراجعة النصوص المكتوبة وفق جدول تلتقط الإخفاقات التي تفوّتها مقاييسك.

أصعب مكان لترسيخ الذكاء الاصطناعي: الوكلاء الصوتيون المباشرون

كل ما سبق صعب بما يكفي في نافذة محادثة. وعلى مكالمة هاتفية يصبح أصعب، لأسباب خاصة بالصوت.

زمن الاستجابة هو الأول. في النص، ينتظر القارئ ثانية من أجل جولة استرجاع. أما على مكالمة، فتبدو فجوة ثانية واحدة وكأن الخط قد انقطع. عليك أن تسترجع وترسّخ وتبدأ بالتحدّث ضمن إيقاع المحادثة الطبيعية، وغالبًا ببدء الجملة قبل أن تُحسب الإجابة الكاملة.

التفريغ النصّي هو الثاني. يرسّخ النموذج على ما سمعه مُتعرِّف الكلام، وإذا سمع خمسين بدلًا من خمسة عشر، أو شوّه رقم حساب، فإن الوكيل يرسّخ بثقة على مقدّمة خاطئة. أنظف استرجاع في العالم لا يمكنه إصلاح تفريغ نصّي سيّئ.

الاستشهادات هي الثالث. لا يستطيع المتصل النقر على رابط مصدر. الثقة يجب أن تأتي من سحب الوكيل للسجل الصحيح وذكره بوضوح، إضافة إلى مسار سهل نحو إنسان عندما لا يستطيع.

هنا تُثبت المنصّة الصوتية جدارتها. مع Retell AI، تعمل قاعدة المعرفة بنظام RAG متدفّق يتزامن تلقائيًا من موقعك ومستنداتك، فيجيب الوكلاء من معلومات حديثة بدلًا من بيانات تدريب قديمة. ويتيح استدعاء الدوال في الوقت الفعلي لـ وكيل صوتي بالذكاء الاصطناعي سحب بيانات حيّة من أنظمتك في منتصف المكالمة، مرسّخًا الإجابات في السجل الحقيقي. وعندما لا يستطيع الوكيل ترسيخ شيء بأمان، يقوم تحويل المكالمات بالتسليم إلى شخص مع إرفاق السياق الكامل. ويمنحك تحليل ما بعد المكالمة النصوص المكتوبة والتقييم لالتقاط إخفاقات الترسيخ لاحقًا، وهي خطوة المراقبة الواردة سابقًا. وإذا كنت تُقيّم أي منصة ذكاء اصطناعي حواري للدعم الهاتفي، فإن سلوك الترسيخ في ظل ظروف مكالمة حقيقية هو ما ينبغي اختباره، لا العرض التوضيحي.

أين يقصّر الترسيخ بعد، وماذا تفعل حياله

يقلّل الترسيخ الهلوسات. لكنه لا ينهيها، والتظاهر بغير ذلك يجعلك عرضة للتضرّر.

• إخفاقات الاسترجاع: الإجابة موجودة في قاعدة معرفتك، لكن المُسترجِع لا يُظهرها، فيقول النموذج إما لا أعرف أو، وهو الأسوأ، يرجع إلى تخمين. أصلِح ذلك بقياس جودة الاسترجاع مباشرة، لا الإجابات النهائية فقط.
• مصادر قديمة أو متعارضة: إذا كانت قاعدة معرفتك غير محدّثة، يرسّخ الوكيل إلى الحقيقة الخاطئة، بثقة تامة. أبقِ المصادر حديثة وحُلّ التعارضات قبل أن تصل إلى النموذج.
• التقييد المفرط: قيّد النموذج بشدّة زائدة فيصبح آليًا، رافضًا استنتاجات معقولة ويُقرأ كأنه دليل استخدام. دقة الترسيخ والمحادثة الطبيعية تتجاذبان، وأنت تضبط للتوازن.
• سوء قراءة السياق الجيّد: حتى مع تسليمه المصدر الصحيح، قد يقتبس النموذج خطأً أو يُسند خطأً. للإجابات عالية المخاطر في الطب أو القانون أو المال، أبقِ إنسانًا ضمن الحلقة.

لا شيء من هذا سبب لتجاوز الترسيخ. بل هي أسباب لقياسه ولتصميم آلية احتياطية صادقة. الوكيل الذي يقول دعني أُحضر لك من يستطيع تأكيد ذلك أفضل من واحد يختلق إجابة في كل مرة.

أسئلة شائعة حول الترسيخ في الذكاء الاصطناعي

هل الترسيخ هو نفسه RAG؟

لا. الترسيخ هو الهدف، إجابات مرتبطة بمصادر حقيقية. وRAG هو الأسلوب الأكثر شيوعًا لبلوغه، لكن يمكنك أيضًا الترسيخ عبر استدعاءات الدوال، أو عمليات البحث في قاعدة البيانات، أو فرض الاستشهاد بالمصادر.

هل يقضي الترسيخ على الهلوسات؟

يقلّلها بشدة، وليس إلى الصفر. لا يزال بإمكان النموذج أن يسيء قراءة مصدر أو يجيب من مصدر قديم. الترسيخ إضافة إلى القياس إضافة إلى آلية احتياطية هو ما يوصلك إلى موثوقية على مستوى الإنتاج.

هل يمكنك ترسيخ نموذج من دون RAG؟

نعم. استدعاء الأدوات والدوال يرسّخ الإجابات في بيانات النظام الحيّة، والبحث المهيكل يسحب حقولًا محدّدة، وفرض الاستشهاد يُلزم النموذج بالمصادر المقدّمة. RAG أداة واحدة في العدّة.

هل الترسيخ أفضل من الضبط الدقيق؟

إنهما يحلّان مشكلتين مختلفتين. الضبط الدقيق يشكّل النبرة وسلوك المجال لكنه يجمّد المعرفة وقت التدريب. أما الترسيخ فيوفّر حقائق حديثة ومحدّدة وقت الإجابة. لمشكلة النموذج مخطئ بشأن بياناتنا، الترسيخ هو الحل.

كيف يبقى الوكلاء الصوتيون بالذكاء الاصطناعي مُرسَّخين خلال مكالمة مباشرة؟

يسترجعون من قاعدة معرفة في الوقت الفعلي، ويستدعون أنظمة تسجيلك للبيانات الحيّة، ويصعّدون إلى إنسان عندما لا يستطيعون تأكيد إجابة، كل ذلك ضمن ميزانية زمن الاستجابة للكلام الطبيعي.

هل ما زلت بحاجة إلى الترسيخ إذا استخدمت نموذجًا من الطراز الأول؟

نعم. النموذج الأقوى أكثر سلاسة وغالبًا أكثر دقة، لكنه لا يزال بلا وصول مدمج إلى بياناتك الخاصة أو الحديثة. الترسيخ هو ما يربط أي نموذج بحقيقتك.