RAG أم الضبط الدقيق (Fine-Tuning): خمسة أسئلة تحسم القرار قبل إنفاق ميزانيتك
يحل كل من RAG والضبط الدقيق (fine-tuning) مشاكل مختلفة، وهناك خمسة أسئلة تحدد المشكلة التي تواجهك. الحد الأدنى لبيانات التدريب، ومعادلة ساعات GPU لإعادة التدريب، وتمرين من عشرة أسئلة يجب إجراؤه قبل إنفاق أي مبلغ.
اقترح أحد أعضاء الفريق إجراء الضبط الدقيق (fine-tuning) لنموذج على مستندات الشركة. بينما يقول شخص آخر أن الاسترجاع (retrieval) سيقوم بنفس المهمة بتكلفة أقل. كلاهما يصف تقنية حقيقية، والتقنيتان تحلان مشاكل مختلفة. يعتمد القرار على نوع المشكلة التي تواجهها، وهناك خمسة أسئلة تحسم هذا الجدل في جلسة واحدة.
باختصار: استخدم RAG عندما تكون المهمة مبنية على الحقائق، وهذا يغطي معظم الأعمال المعرفية في المؤسسات. استخدم الضبط الدقيق عندما تكون الفجوة في كيفية استنتاج النموذج (reasons) أو كتابته، وبإمكانك توفير الأمثلة لتعليمه. عند الشك، ابدأ بـ RAG. فهو أرخص في البناء، ويُحدّث في دقائق، ويوثق مصادره بطبيعة تصميمه.
ماذا تغير كل تقنية؟
التوليد المعزز بالاسترجاع (RAG) يبقي معرفتك خارج النموذج. في وقت الاستعلام، يبحث النظام في مستنداتك، ويسحب المقاطع (chunks) ذات الصلة، ويقدمها إلى النموذج كسياق قبل أن يكتب. النموذج لا يتغير أبدًا. هذا التصميم جاء من Lewis et al. (2020)، الذين فصلوا الاسترجاع عن التوليد عن قصد، بحيث يمكن تحديث المعرفة دون المساس بالنموذج.
الضبط الدقيق (Fine-tuning) يواصل تدريب النموذج على أمثلتك حتى تتغير أوزانه. يتغير النموذج بشكل دائم. ما يتعلمه هو الأنماط: كيف يستنتج لحل نوع معين من المشاكل، كيف يصيغ العبارات، وما هو التنسيق المطلوب للإنتاج. لكنه ضعيف في حفظ الحقائق بشكل موثوق، وأي شيء يحفظه يكون مجمدًا في وقت التدريب.
ضع جملة واحدة في اعتبارك خلال الأسئلة الخمسة: الاسترجاع يغير ما يعرفه النموذج في لحظة السؤال. الضبط الدقيق يغير كيف يتصرف النموذج في كل سؤال.
الأسئلة الخمسة
اطرحها بالترتيب. السؤال الأول الذي يحظى بإجابة واضحة عادة ما يحسم القرار.
1. هل تتغير المعرفة أكثر من مرة في الشهر؟
كتالوجات المنتجات، قوائم الأسعار، السوابق القضائية، البروتوكولات السريرية، وأدلة السياسات تتغير باستمرار. إعادة فهرسة مستند تم تغييره في نظام RAG يستغرق دقائق ولا يكلف شيئًا تقريبًا. بينما الحفاظ على تحديث نموذج خضع للضبط الدقيق يعني تشغيل عملية تدريب أخرى في كل مرة، مع جولة أخرى من تجهيز الأمثلة قبلها.
تكلفة إعادة التدريب هي معادلة يمكنك حسابها بنفسك.
تكلفة الحوسبة السنوية لإعادة التدريب = ساعات GPU لكل تشغيل × سعر ساعة GPU × عدد مرات التشغيل في السنة.
للتوضيح فقط، خذ السعر المعلن من Lambda وهو 4.29 دولار في الساعة لجهاز H100 SXM واحد. عملية التدريب التي تستغرق 8 ساعات GPU، وتتكرر شهريًا، تصل تكلفتها إلى 8 × 4.29 دولار × 12، أو حوالي 412 دولارًا سنويًا للحوسبة. الحوسبة هي الجزء البسيط. الجزء الأكبر هو تكلفة الأشخاص الذين يقومون بتجهيز ومراجعة الأمثلة قبل كل عملية تدريب، وهذه التكلفة تتكرر اثنتي عشرة مرة أيضًا.
إذا كانت المعرفة تتغير كثيرًا، فإن RAG يفوز من ناحية العمليات التشغيلية وحدها.
2. هل يحتاج المستخدمون لمعرفة مصدر الإجابة؟
طبيب يسأل عن جرعة، محامٍ يسأل عن بند، مدقق يسأل عما نصت عليه السياسة في مارس. كل منهم يحتاج إلى المصدر، وليس الإجابة فقط. يقوم RAG باسترجاع المقاطع التي استخدمها، لذا فإن الإشارة إلى الصفحة هي جزء أساسي من تصميمه. أما النموذج الذي خضع للضبط الدقيق فقد دمج بيانات التدريب في أوزانه ولا يمكنه الإشارة إلى مصدر. إنه ينتج إجابات سلسة ولكن لا يوجد شيء للتحقق منه.
النموذج المضبوط دقيقًا الذي يجيب بثقة ولا يوثق أي مصدر هو أخطر من النموذج الذي يعترف بأنه لا يعرف. في الأعمال الخاضعة للوائح التنظيمية، التوثيق هو أداة التحكم، وليس مجرد ميزة إضافية.
بالنسبة للمواد القانونية والحساسة سريريًا، هذا السؤال وحده عادة ما يحسم القرار.
3. هل يجب أن تبقى المستندات داخل بنيتك التحتية؟
نظام RAG يبقي المستندات في الفهرس الخاص بك: قاعدة بيانات المتجهات (vector database) مستضافة ذاتيًا خلف جدار الحماية الخاص بك. يرى النموذج فقط المقاطع التي تم استرجاعها لسؤال واحد، وفي بيئة العمل المحلية (on-premise) لا يرى أي شيء يغادر المبنى. يوضح البناء الخاص على GPU واحد مدى صغر حجم هذه البنية.
يرسل الضبط الدقيق مجموعة التدريب إلى الجهة التي تدير عملية التدريب. مع مزود استضافة، تتم كتابة كل مثال في مساحة التخزين الخاصة بهم. أما مع مجموعتك الخاصة (cluster)، فإنك تتحمل تكلفة GPU والعمليات. بالنسبة للمواد ذات الامتياز أو الحساسة سريريًا أو تجاريًا، هذا السؤال غالبًا ما يستبعد الضبط الدقيق قبل أن يناقش أي شخص التكلفة.
4. ما نوع الأسئلة التي يطرحها المستخدمون؟
صنف الأسئلة التي يطرحها الناس إلى أربعة أنواع.
| نوع السؤال | مثال | الأنسب | السبب |
|---|---|---|---|
| الحقائق (Fact) | "ماذا تقول سياسة الاسترجاع لدينا؟" | RAG | الإجابة موجودة في مستند؛ قم باسترجاعه |
| التجميع (Synthesis) | "لخّص كل تقرير حادث من الربع الثالث" | RAG مع استرجاع واسع | الإجابة موزعة عبر عدة مستندات؛ اجمعها |
| الاستنتاج (Reasoning) | "هل شرط التعويض هذا غير معتاد في قطاعنا؟" | الضبط الدقيق، أو التوجيه بأمثلة قليلة (few-shot prompting) | الفجوة هنا في التقييم، وليس في الحقائق |
| الأسلوب (Style) | "صغ هذا بأسلوب شركتنا، وفي قالبنا" | الضبط الدقيق | النبرة والتنسيق يعيشان في الأوزان |
الأسئلة التي تمتد عبر عدة مستندات ونظام حي ("أي العملاء النشطين لديهم عقود تفتقر إلى الملحق الجديد؟") هي نوع خامس. إنها تحتاج إلى استرجاع يخطط لأكثر من عملية بحث واحدة، وهو ما يُعرف بـ وكيل RAG (agentic RAG)، وليس الضبط الدقيق.
النقطة الأهم: الضبط الدقيق يحسن الأنماط، وليس الاستدعاء. إذا سأل المستخدمون عما يقوله مستند ما، فلن يساعد الضبط الدقيق. أما إذا احتاج المستخدمون إلى أن يستنتج النموذج مثل شخص خبير في مجالك، فبإمكانه فعل ذلك.
5. هل يمكنك توفير أمثلة التدريب؟
الضبط الدقيق على بيانات قليلة أو مليئة بالضوضاء ينتج نموذجًا يفشل بطرق لا يمكن لأحد تصحيحها. ينشر المزودون حدودهم الدنيا الخاصة، وهي أقل مما يُشاع. يحدد دليل الضبط الدقيق الخاضع للإشراف من OpenAI الحد الأدنى بـ 10 أمثلة ويقول إن التحسينات تظهر عادة بين 50 إلى 100 مثال. ونصيحتهم عندما لا يكون لـ 50 مثالاً أي تأثير هي إعادة التفكير في المهمة أو الموجّه (prompt) قبل إضافة بيانات تدريب. يعمل الضبط الدقيق في Anthropic لنموذج Claude الصغير عبر Amazon Bedrock. وتحدد صفحة إعداد البيانات الخاصة بها حدًا أدنى يبلغ 32 سجلاً وحدًا أقصى يبلغ 10,000 سجل تدريب.
هذه هي الحدود الدنيا للمزودين لتشغيل المهمة، وليست العدد الذي ينتج نموذجًا تثق به مع العملاء. يجب أن تكون الأمثلة صحيحة، متسقة، ممثلة لحركة المرور الحقيقية، ومراجعة من قبل شخص يعرف المجال. إنتاج بضع مئات من هذه الأمثلة يتطلب أسابيع من وقت الخبراء. وإنتاج بضعة آلاف يعتبر مشروعًا كاملاً. بينما لا يحتاج RAG إلى أي من هذا. إنه يحتاج فقط إلى المستندات التي تمتلكها بالفعل.
تكلفة اتخاذ القرار الخاطئ
اختر الضبط الدقيق لمهمة تعتمد على الحقائق وستحصل على نموذج يقدم معلومات قديمة بثقة خلال شهر واحد. لا توجد توثيقات لاكتشاف ذلك، وهناك فاتورة إعادة تدريب في كل مرة تتغير فيها المستندات. اختر RAG لمهمة تعتمد على الأسلوب وستحصل على إجابات دقيقة بنبرة خاطئة، مع تعليمات في الموجّه تقوم بعمل يجب أن تقوم به الأوزان. الخطأ الأول أكثر تكلفة وأكثر شيوعًا، لأن الضبط الدقيق يبدو كاستثمار أكثر جدية. لكنه ببساطة استثمار أكثر تحديدًا.
هناك خيار ثالث يتجاهله كلا المعسكرين. التوجيه بأمثلة قليلة (Few-shot prompting) يضع مجموعة من الأمثلة المحلولة في الموجّه نفسه. بالنسبة للاستنتاج والتنسيق، فإنه يسد جزءًا كبيرًا من الفجوة دون أي تكلفة تدريب. إنه الاختبار الذي يجب إجراؤه قبل الموافقة على أي ميزانية للضبط الدقيق. إذا لم تؤدِ عشرة أمثلة جيدة في الموجّه إلى تغيير النتيجة، فمن النادر أن تفعل خمسون مثالاً في مجموعة التدريب ذلك.
النهج الهجين، ولماذا يأتي في المرتبة الثانية
الأنظمة الناضجة تقوم أحيانًا بتشغيل كليهما: الاسترجاع للحقائق، ونموذج مضبوط دقيقًا لكيفية استنتاجه حولها. هذا هو التصميم الأكثر تكلفة، وهو التصميم الصحيح لمجموعة ضيقة من المشاكل. وعادة ما يتم اللجوء إليه بعد أن يكون نظام RAG قيد التشغيل وتُظهر مجموعة الاختبار الخاصة به فجوة في الاستنتاج لا يمكن للاسترجاع سدها. الترتيب مهم. قم ببناء الاسترجاع أولاً، ثم قِس الأداء، وبعدها قم بالضبط الدقيق لمعالجة فجوة محددة ومقاسة.
أين يتفوق الضبط الدقيق؟
أربع حالات، جميعها محددة النطاق.
نبرة وتنسيق متسقان. النصوص الموجهة للعملاء، قوالب المستندات الخاضعة للوائح التنظيمية، ومخطط JSON صارم يعتمد عليه التطبيق. السياق المسترجع يغير ما يقوله النموذج، وليس كيف يقوله.
المخرجات المهيكلة واستدعاء الأدوات بكميات كبيرة. إذا كان كل مُخرج يتبع مخططًا واحدًا، فإن تدريب النموذج عليه يختصر الموجّهات ويقلل من حالات الفشل أكثر مما يمكن للاسترجاع فعله.
زمن الاستجابة (Latency) عندما لا يكون الاسترجاع مناسبًا. النموذج المضبوط دقيقًا يجيب من أوزانه بدون خطوة بحث. هذا نادر في العمل المعرفي ولكنه حقيقي في بعض ميزات المنتجات. قِس خطوة الاسترجاع الخاصة بك قبل افتراض أنها عنق الزجاجة.
وجود مجموعة أمثلة كبيرة ومنسقة مسبقًا. نصوص مكالمات مركز خدمة العملاء مع نتائج مقيمة، أو قاعدة بيانات قضايا مهيكلة لفريق قانوني. في هذه الحالة، تكون تكلفة الضبط الدقيق هي تكلفة الحوسبة فقط، والمعادلة المذكورة أعلاه تجعلها صغيرة.
الأسئلة الشائعة
هل يمكن لـ RAG أن يهلوس؟ نعم، بطريقته الخاصة. بدون قاعدة "لا توجد إجابة" وفحص للمخرجات، يمكن للنموذج أن يخترع معلومات خارج النص المسترجع. تضيف أنظمة الإنتاج كليهما، ويتم قياس معدل الادعاءات غير المدعومة على مجموعة اختبار ثابتة قبل الإطلاق بدلاً من افتراضها.
كيف يتعامل RAG مع المستندات الطويلة جدًا؟ من خلال تقسيمها إلى مقاطع (chunking) تحترم بنية المستند. حافظ على الأقسام كاملة، واستخرج الجداول بشكل منفصل، واربط مقطعًا صغيرًا للبحث مع القسم الأصلي الخاص به للنموذج. المسوحات الضوئية والمخططات والتخطيطات المختلطة هي مشكلة خط المعالجة (pipeline) متعدد الوسائط.
ما هي قاعدة بيانات المتجهات (vector database) التي يجب أن أستخدمها؟ استخدم pgvector إذا كانت متجهاتك تعيش بجوار البيانات العلائقية في Postgres. استخدم Qdrant للتصفية الثقيلة أو الاستضافة داخل الدولة. استخدم Pinecone إذا لم يكن هناك من يدير البنية التحتية. مقارنتنا لقواعد بيانات المتجهات تشرح حسابات الذاكرة عند 10 ملايين متجه.
هل يعمل RAG مع الجداول وجداول البيانات؟ جزئيًا. يمكن تضمين (embedded) الجداول كنص واسترجاعها. الأسئلة الرقمية تُخدم بشكل أفضل بواسطة طبقة SQL، مع الاحتفاظ بالاسترجاع للنصوص. اكتشف النية، ثم أرسل كل سؤال إلى الواجهة الخلفية المناسبة.
قبل اجتماع التخطيط التالي، اكتب الأسئلة العشرة التي يطرحها مستخدموك غالبًا على النظام الذي تخطط له. صنف كل سؤال كحقيقة، أو تجميع، أو استنتاج، أو أسلوب، ثم قم بالعد. إذا كانت الحقائق والتجميع هي الغالبة، فقم ببناء RAG وقِس أداءه. الضبط الدقيق يكون مطروحًا على الطاولة فقط إذا كان الاستنتاج والأسلوب هما الغالبين وبإمكانك تحديد من سيكتب الأمثلة ويراجعها.
→ تقييم نظام RAG قبل الإطلاق: مجموعة اختبار من 100 سؤال وأربعة مقاييس للقبول → Microsoft 365 Copilot مقابل Custom Enterprise RAG: ما هي وظيفة كل منهما، والتكلفة، ومكان حفظ البيانات → نظام Agentic RAG في بيئة الإنتاج: كيف يخطط لعمليات البحث، تكلفته، وأين يفشل