استرجاع المعرفة
يشير استرجاع المعرفة إلى العملية التي يقوم من خلالها نظام ذكي، عادةً ما يكون نموذج ذكاء اصطناعي، بالوصول إلى المعلومات ذات الصلة وتحديد موقعها واستخلاصها من قاعدة معرفية كبيرة، وغالبًا ما تكون خاصة، أو مجموعة من المستندات. على عكس الذكاء الاصطناعي التوليدي وحده، الذي يعتمد على أوزانه المدربة مسبقًا، تعمل أنظمة الاسترجاع على تعزيز قدرات النموذج من خلال توفير حقائق محدثة ومحددة بالسياق أثناء الاستدلال.
في التطبيقات المؤسسية، غالبًا ما تفتقر نماذج اللغة الكبيرة (LLMs) ذات الأغراض العامة إلى الخبرة المتخصصة في مجال معين أو الوصول إلى البيانات الداخلية والخاصة. يحل استرجاع المعرفة هذه المشكلة عن طريق ترسيخ الذكاء الاصطناعي في مصادر قابلة للتحقق. وهذا يخفف بشكل كبير من خطر "الهلوسة" - حيث يولد النموذج معلومات تبدو سليمة لغويًا ولكنها غير صحيحة من الناحية الواقعية - مما يجعل الذكاء الاصطناعي موثوقًا به للمهام الحيوية للأعمال.
غالبًا ما تستخدم أنظمة استرجاع المعرفة الحديثة تقنية التوليد المعزز بالاسترجاع (RAG). تتبع العملية عمومًا الخطوات التالية:
يدعم استرجاع المعرفة العديد من تطبيقات الأعمال عالية القيمة:
إن تنفيذ استرجاع معرفي قوي ليس بالأمر السهل. تشمل التحديات الرئيسية ما يلي:
يتقاطع هذا المجال بشكل كبير مع البحث الدلالي (Semantic Search)، وقواعد البيانات المتجهة (Vector Databases)، والضبط الدقيق (Fine-Tuning). في حين أن الضبط الدقيق يعدل أوزان النموذج لتغيير كيفية حديثه، فإن استرجاع المعرفة يغير ما يعرفه من خلال توفير سياق خارجي.
