المُقيِّم السياقي
المُقيِّم السياقي هو نظام أو وحدة مصممة لتقييم جودة وملاءمة وصحة المخرجات التي يولدها الذكاء الاصطناعي من خلال النظر في البيانات المحيطة، أو سجل المطالبات (الـ prompt history)، أو البيئة التشغيلية. على عكس المقيمات البسيطة القائمة على المقاييس (مثل درجات BLEU)، فإنه يحكم على جودة المخرجات بناءً على مدى ملاءمتها الدلالية ضمن سياق معين.
في تطبيقات الذكاء الاصطناعي المعقدة، قد تكون الإجابة صحيحة من الناحية التقنية ولكنها خاطئة سياقياً. على سبيل المثال، فإن استفساراً مالياً يتم الرد عليه دون مراعاة سياق محفظة المستخدم الحالي يكون عديم الفائدة. تعمل المُقيِّمات السياقية على سد الفجوة بين الدقة الخوارزمية الخام والفائدة العملية في العالم الحقيقي، مما يضمن أن حلول الذكاء الاصطناعي مفيدة حقاً.
عادةً ما تعمل هذه المُقيِّمات عن طريق تغذية المطالبة الأصلية، والاستجابة المُولّدة، والبيانات السياقية ذات الصلة (مثل ملف تعريف المستخدم، أو الأدوار السابقة، أو مقتطفات قاعدة المعرفة الخارجية) إلى نموذج ثانوي أو مجموعة من القواعد المتطورة. يقوم المُقيِّم بعد ذلك بتسجيل المخرجات مقابل معايير سياقية محددة مسبقاً، مثل التماسك، والالتزام بالقيود، والملاءمة للمجال.
يُعد تطوير مُقيِّمات سياقية قوية أمراً صعباً لأن "السياق" نفسه يمكن أن يكون غامضاً أو هائلاً. يتطلب تحديد مقاييس قابلة للقياس للصفات الذاتية مثل "الملاءمة" تنقيحاً كبيراً بمشاركة الإنسان في الحلقة وهندسة دقيقة للمطالبة للمُقيِّم نفسه.
تشمل المفاهيم ذات الصلة التوليد المرتكز على المعرفة (Grounded Generation)، والتوليد المعزز بالاسترجاع (RAG)، والتسجيل التشابه الدلالي. في حين أن RAG يوفر السياق، فإن المُقيِّم السياقي يحكم على مدى جودة استخدام النموذج لذلك السياق المقدم.
