موت الـ RAG المعتمد على النصوص فقط: لماذا أصبح الاسترجاع متعدد الوسائط (Multimodal Retrieval) المعيار الجديد للمؤسسات

إذا كانت شركتك تعتمد على المخططات الهندسية، أو التقارير المالية، أو السجلات الطبية، فمن المرجح أن نظام الذكاء الاصطناعي الحالي لديك يقرأها وهو أعمى. على مدى السنوات الثلاث الماضية، اعتمد النهج القياسي لبناء أنظمة توليد الاسترجاع المعزز (RAG) بالكامل على استخراج النصوص. حيث تأخذ ملف PDF معقدًا، وتمرره عبر طبقة التعرف الضوئي على الحروف (OCR)، وتجرد كل الصور، وتحول الجداول إلى نصوص مسطحة غير قابلة للقراءة، ثم تغذي هذا الخليط الفوضوي إلى نموذج لغوي.

هذا النهج يفشل بشكل متكرر مع بيانات المؤسسات المعقدة، مما يعرض مؤسستك لمخاطر تشغيلية شديدة وهدر في الموارد. عندما يسأل مستخدم الأعمال وكيل ذكاء اصطناعي (AI agent) سؤالاً حول اتجاهات إيرادات الربع الثالث، وتكون الإجابة محصورة داخل مخطط بياني شريطي في الصفحة 47 من ملف PDF، فإن خط معالجة RAG المعتمد على النصوص فقط لن يتمكن من الإجابة. غالبًا ما يقوم نظام الاستخراج بتحويل المخطط إلى نص مسطح غير مفهوم أو يكتفي بتمرير التعليق التوضيحي فقط: "الشكل 4: إيرادات الربع الثالث".

على مستوى الصناعة، فإن معظم مشاريع الذكاء الاصطناعي للمؤسسات تتعثر في مرحلة التجريب (pilot purgatory) بسبب هذا العائق تحديدًا، مما يكلف الشركات متوسطة الحجم ما بين 150,000 إلى 500,000 دولار في دورات هندسية ضائعة دون تقديم قيمة فعلية في بيئة الإنتاج. تتراكم على الفرق ديون تقنية هائلة في مجال الذكاء الاصطناعي أثناء محاولتها إصلاح ذلك—من خلال ربط نماذج متخصصة في تحليل الجداول، وكتابة تعبيرات نمطية (regular expressions) معقدة، وبناء سلاسل موجّهات (prompt chains) هشّة لتخمين ما قد تعنيه البيانات المرئية المفقودة. النتيجة هي فوضى برمجية (AI spaghetti): خط معالجة (pipeline) هش، يتطلب صيانة عالية، ومتعدد الخطوات، ينهار تحت ضغط العمل الحقيقي، ويرفع فواتير الحوسبة السحابية، ومع ذلك يستمر في تقديم إجابات خاطئة للمستخدمين.

بحلول منتصف عام 2026، تغيرت الجدوى الاقتصادية والقدرات الأساسية لنماذج الرؤية واللغة (vision-language models). أصبحت التضمينات متعددة الوسائط (Multimodal embeddings) والاسترجاع البصري الأصيل (native vision retrieval) سريعة ورخيصة بما يكفي لمعالجة مستندات المؤسسات المعقدة بشكل مباشر وأصيل. لم تعد بحاجة إلى المخاطرة بسلامة البيانات من خلال ترجمة المستند إلى نص قبل أن يتمكن الذكاء الاصطناعي من فهمه، مما يفتح طريقًا مباشرًا لخفض تكاليف التطوير الإضافية وتسريع الوصول إلى القيمة (time-to-value).

التكلفة الخفية لعنق زجاجة الاستخراج

لفهم سبب فشل الـ RAG المعتمد على النصوص فقط في بيئة الإنتاج—ولماذا يمثل استنزافًا مستمرًا لميزانيتك الهندسية—عليك النظر في آلية عمل خط معالجة استيراد المستندات التقليدي.

في نظام RAG التقليدي القائم على النصوص، يمر المستند بعملية ترجمة تخريبية. حيث يقرأ المحلل (parser) الملف، ويحاول تحديد التنسيق والهيكل، ويستخرج النص، ثم يتخلص من التنسيق المرئي بالكامل. هذا يعمل بشكل مثالي مع العقود النصية البسيطة أو سلاسل رسائل البريد الإلكتروني. لكنه كارثي لأي شيء آخر.

عندما تواجه أداة التحليل جدولاً ماليًا معقدًا يمتد عبر عمودين، فإنها غالبًا ما تقرأ بشكل أفقي عبر الصفحة، مما يخلط بيانات العمود (أ) مع بيانات العمود (ب). وعندما تواجه مخطط تدفق العمليات (flowchart)، فإنها تستخرج النص داخل المربعات ولكنها تفقد الأسهم التي تربط بينها، مما يخفي تسلسل العمليات تمامًا. تظهر مقاييس الصناعة باستمرار أن خطوط معالجة الاستخراج التقليدية تفقد السياق الدلالي الحرج—مثل العلاقات المكانية والتسلسل الهرمي البصري—عند تحليل مستندات المؤسسات المعقدة.

العواقب التجارية لفقدان هذا السياق وخيمة. يقضي الفريق الهندسي النموذجي في المؤسسات ما بين 30% إلى 40% من إجمالي ميزانية تطوير الذكاء الاصطناعي فقط في بناء وصيانة واستكشاف أخطاء محللات المستندات المخصصة. وعلى الرغم من هذا الإنفاق المرتفع، لا تزال خطوط معالجة الاستخراج المعتمدة على النصوص تسجل معدل خطأ يتراوح بين 15% إلى 20% في التنسيقات المعقدة. إذا كانت شركة لوجستية تستخدم وكيل ذكاء اصطناعي للتحقق من امتثال الشحن وفقًا لدليل المورد، وكان الدليل يستخدم مخططًا ملونًا لشرح كيفية التعامل مع المواد الخطرة، فإن الوكيل المعتمد على النصوص سيفوت القاعدة تمامًا. ونتيجة لذلك، تواجه الشركة مخاطر عدم الامتثال، والغرامات التنظيمية، وتوقف العمليات لأن الذكاء الاصطناعي قام بالهلوسة بثقة تامة بناءً على نص غير مكتمل.

عادةً ما تحاول الفرق الهندسية حل هذه المشكلة بإضافة المزيد من الأدوات إلى خط المعالجة. يقومون بتوجيه الجداول إلى واجهات برمجة تطبيقات (APIs) مخصصة للاستخراج، وإرسال الصور إلى نماذج وصف منفصلة، ومحاولة تجميع النص الناتج معًا مرة أخرى. هذا يخلق مشكلة موثوقية هائلة. كل استدعاء إضافي لواجهة برمجة التطبيقات يزيد من زمن الاستجابة (latency)، ويرفع معدل فشل مهمة الاستيراد، ويضيف إلى فاتورة السحابة الشهرية. ينتهي بك الأمر بدفع المزيد لصيانة نظام معقد للغاية لا يزال يسيء فهم بياناتك بشكل أساسي.

كيف يعمل الـ RAG متعدد الوسائط فعليًا

من منظور استراتيجي، يغير الاسترجاع البصري الأصيل (native vision retrieval) ملف المخاطر الخاص بك تمامًا. من خلال التخلص من سكربتات التحليل الهشة في الطبقة الوسطى، فإنك تقلل نقاط الفشل في نظامك من عشرات قواعد regex المخصصة إلى نموذج واحد موحد. هذا يقلل بشكل كبير من تكاليف الصيانة على المدى الطويل ويضمن أن اتخاذ القرار في الذكاء الاصطناعي يعتمد على نفس الحقيقة المرئية التي يراها موظفوك البشر تمامًا.

يقضي الـ RAG متعدد الوسائط على خطوة الاستخراج التخريبية تمامًا. فبدلاً من محاولة تحويل المستند إلى نص، يعامل النظام المستند كصورة ويستخدم نماذج قادرة على الرؤية (vision-capable models) لفهمه بشكل أصيل.

التقنية الأساسية التي تمكن هذا هي نموذج التضمين متعدد الوسائط (multimodal embedding model). في النظام المعتمد على النصوص فقط، يحول نموذج التضمين مقطعًا (chunk) من النص إلى متجه (vector)—وهو قائمة طويلة من الأرقام التي تمثل معنى ذلك النص. يقوم نموذج التضمين متعدد الوسائط بالشيء نفسه تمامًا، ولكنه يستطيع قبول النصوص والصور والمخططات والرسوم البيانية، ورسم خرائط لها جميعًا في نفس الفضاء الرياضي المتطابق.

عندما تقوم باستيراد ملف PDF مكون من 100 صفحة باستخدام بنية متعددة الوسائط، فإنك لا تقوم بتشغيل OCR. بدلاً من ذلك، تقوم بتحويل كل صفحة إلى صورة (render). وتمرر صور الصفحات هذه مباشرة عبر نموذج تضمين قادر على الرؤية (باستخدام بنيات مشابهة لـ ColPali أو مشفرات رؤية مفتوحة المصدر). يولد النموذج متجهًا للتخطيط المرئي الكامل للصفحة—ملتقطًا النص، والجداول، والمخططات، والعلاقات بينها جميعًا في وقت واحد.

عندما يطرح المستخدم سؤالاً، يتم تحويل استعلامه النصي إلى متجه في نفس الفضاء. تبحث قاعدة بيانات المتجهات عن التطابق الأقرب وتسترجع الصورة الفعلية للصفحة ذات الصلة. بعد ذلك، يتم إرسال صورة الصفحة هذه، جنبًا إلى جنب مع سؤال المستخدم، إلى نموذج لغة ورؤية (مثل عائلة Claude 3.5 أو نموذج من فئة GPT-4o) لتوليد الإجابة النهائية.

ينظر النموذج إلى الصفحة الخام تمامًا كما يفعل الإنسان. ويرى رؤوس الجداول، ويتتبع أسهم مخطط التدفق، ويقرأ النص في تخطيطه الأصلي.

اقتصاديات الاسترجاع البصري الأصيل

السبب الرئيسي وراء عدم كون الـ RAG متعدد الوسائط معيارًا للمؤسسات في عام 2024 هو التكلفة. فقد كان تمرير آلاف صور الصفحات عالية الدقة عبر نماذج الرؤية مكلفًا للغاية وبطيئًا جدًا بالنسبة لعمليات الاستيراد في الوقت الفعلي.

في منتصف عام 2026، تغيرت الحسابات. حيث انخفضت أسعار رموز الرؤية (vision tokens)، وأصبحت بنيات التضمين الجديدة تعالج صور الصفحات مباشرة دون الحاجة إلى نموذج توليدي ثقيل لكتابة تعليقات توضيحية لكل صورة.

تأمل في تفاصيل تكلفة معالجة مستندات المؤسسات المعقدة اليوم. يوضح الجدول التالي الاختلافات التشغيلية بين صيانة خط معالجة OCR التقليدي وخط معالجة متعدد الوسائط الحديث.

ملاحظة: التكاليف توضيحية بناءً على متوسطات أسعار واجهات برمجة التطبيقات (APIs) في منتصف عام 2026. تفترض التكلفة التقليدية استخدام محلل تخطيط تجاري (2.00 دولار لكل 1,000 صفحة) بالإضافة إلى تضمينات النصوص (0.50 دولار). تفترض التكلفة متعددة الوسائط استخدام واجهة برمجة تطبيقات لتضمين الرؤية الأصيلة تعالج 1,000 صورة صفحة بسعر تقريبي 0.0014 دولار لكل صورة.

من خلال تقليص خطوات الاستيراد إلى النصف، تخفض المؤسسات تكاليف صيانة خطوط المعالجة بنسبة تصل إلى 60%. بالنسبة لمؤسسة تعالج 50,000 مستند معقد شهريًا، فإن الانتقال إلى خط معالجة أصيل متعدد الوسائط يمكن أن يسترد ما يصل إلى 1,200 ساعة من وقت الصيانة الهندسية سنويًا ويقضي على سير عمل التحقق اليدوي الذي يكلف أكثر من 90,000 دولار لكل ربع سنة.

والأهم من ذلك، أن هيكل تكلفة الاسترجاع يتغير. في النظام متعدد الوسائط، تدفع فقط مقابل نموذج الرؤية واللغة الثقيل في نهاية العملية تمامًا، أثناء مرحلة التوليد. حيث تسترجع صورة الصفحة المحددة المطلوبة، ويعالجها النموذج للإجابة على استعلام المستخدم.

إذا كان الاستعلام يتطلب تحليل مخطط معقد، فإن الحسابات بسيطة ومباشرة: إرسال جزء واحد من صورة عالية الدقة إلى نموذج لغة ورؤية (VLM) حديث يكلف تقريبًا 0.001 إلى 0.004 دولار لكل استعلام، اعتمادًا على فئة النموذج وأبعاد الصورة. وإذا كان هذا الاستعلام يوفر على مسؤول الامتثال أو المحلل المالي 15 دقيقة من البحث اليدوي في المستندات، فإن العائد على الاستثمار يكون فوريًا ولا يمكن إنكاره.

للاستفادة من هذه المزايا الاقتصادية دون بناء البنية التحتية الأساسية من الصفر، تحتاج المؤسسات إلى بنيات محسنة مسبقًا ومصممة للاسترجاع البصري الأصيل.

التحولات الهيكلية للتطبيق في بيئة الإنتاج

بينما يتطلب الانتقال من RAG المعتمد على النصوص فقط إلى RAG متعدد الوسائط ترقيات محددة في البنية التحتية، فإن هذه التغييرات حاسمة لحماية أرباحك النهائية. إن تطبيق التوجيه الذكي والتقييم القوي يضمن عدم إهدار حوسبة GPU المكلفة على الاستعلامات البسيطة، مما يحافظ على إمكانية التنبؤ بالتكاليف التشغيلية بشكل كبير مع توسعك. تقوم Verel Systems بنقل الذكاء الاصطناعي من مرحلة الفوضى البرمجية إلى بيئة الإنتاج من خلال ضمان تكوين هذه المكونات الهيكلية بشكل صحيح للتعامل مع ضغط العمل الحقيقي في المؤسسات.

أولاً، يجب أن تدعم قاعدة بيانات المتجهات الخاصة بك الأبعاد التي تتطلبها نماذج التضمين متعددة الوسائط. أنظمة مثل Qdrant، و pgvector، و Weaviate تتعامل مع هذا بشكل أصيل، ولكن استراتيجية الفهرسة الخاصة بك يجب أن تتغير. في النظام النصي، تقوم بفهرسة مقاطع صغيرة ومتداخلة من النص (على سبيل المثال، 500 رمز/token). أما في النظام متعدد الوسائط، فإن وحدتك الأساسية للاسترجاع غالبًا ما تكون الصفحة نفسها، أو جزءًا مرئيًا محددًا ومقصوصًا من الصفحة. حيث تقوم بفهرسة التمثيل المتجهي لصورة الصفحة.

ثانيًا، يجب أن يصبح منطق التوجيه (routing logic) لديك أكثر ذكاءً. فليست كل الاستعلامات تتطلب نموذج رؤية. إذا سأل مستخدم: "ما هي سياسة الإجازات في الشركة؟"، فإن توجيه هذا الاستعلام عبر نموذج رؤية ولغة ثقيل يعد إهدارًا للحوسبة. تستخدم الأنظمة الجاهزة للإنتاج مصنفًا خفيف الوزن عند البوابة لتحديد نوع الاستعلام. فإذا كان الاستعلام يتطلب سياقًا مرئيًا (مثل: "كيف يبدو مخطط إيرادات الربع الثالث؟")، يتم توجيهه إلى خط المعالجة متعدد الوسائط. أما إذا كان مجرد بحث نصي بسيط، فيتم توجيهه إلى نموذج لغوي كبير (LLM) مخصص للنصوص فقط، وهو أسرع وأرخص.

ثالثًا، تتغير مقاييس التقييم. في الـ RAG النصي، تقيس استدعاء السياق (context recall) من خلال التحقق مما إذا كان مقطع النص المسترجع يحتوي على الإجابة. أما في الـ RAG متعدد الوسائط، فيجب عليك تقييم ما إذا كانت الصورة المسترجعة تحتوي على البيانات المرئية اللازمة، وما إذا كان نموذج الرؤية واللغة (VLM) قد فسر تلك البيانات المرئية بشكل صحيح. تتكيف أدوات مثل RAGAS لدعم تقييم الرؤية، مما يتيح لك تسجيل درجات تلقائية توضح ما إذا كان النموذج قد قرأ المخطط الشريطي بشكل صحيح أم أنه هلوس بالأرقام.

اتخاذ القرار: متى يجب ترقية نظامك؟

ترقية النظام إلى RAG متعدد الوسائط ليست ضرورية لكل الشركات. فإذا كانت مصادر بياناتك الأساسية هي رسائل البريد الإلكتروني لدعم العملاء، أو العقود النصية البسيطة، أو ملفات markdown النظيفة، فإن خط المعالجة التقليدي القائم على النصوص يظل الخيار الأكثر كفاءة وجدوى من حيث التكلفة.

ومع ذلك، فإن الاستمرار في إجبار خط معالجة مخصص للنصوص فقط على قراءة التنسيقات المعقدة ينطوي على مخاطر تشغيلية صامتة: سيتلقى مستخدموك إجابات غير مكتملة أو خاطئة، مما يؤدي إلى ضعف الاعتماد الداخلي على النظام وهدر رأس المال المستثمر في الذكاء الاصطناعي. إن الترقية هي قرار استراتيجي لتخصيص رأس المال يحمي استثماراتك الأولية في الذكاء الاصطناعي. يجب عليك الانتقال إلى بنية متعددة الوسائط إذا كان عملك يعتمد على أي مما يلي:

• ▸الخدمات المالية: معالجة التقارير السنوية، ومستندات التدقيق، والعروض التقديمية (pitch decks) حيث تكون البيانات الحساسة مدمجة في المخططات والجداول المعقدة متعددة الصفحات.
• ▸التصنيع والخدمات اللوجستية: الاعتماد على المخططات الهندسية، ومخططات تدفق سلاسل الإمداد، والأدلة الفنية التي تحتوي على مكونات مرئية كثيفة.
• ▸الرعاية الصحية: تحليل السجلات الطبية التي تتضمن مزيجًا من الملاحظات المكتوبة، ونتائج المختبر الممسوحة ضوئيًا، وتقارير التصوير التشخيصي.
• ▸العقارات والإنشاءات: الاستعلام عن المخططات المعمارية للطوابق، وخرائط تقسيم المناطق، والتقييمات البصرية للعقارات.

إذا كان فريقك يقضي حاليًا أسابيع في محاولة إجراء الضبط الدقيق (fine-tuning) لمحللات التنسيق أو كتابة سكربتات مخصصة للتعامل مع تنسيقات PDF معينة، فمن المحتمل أنك قد وصلت بالفعل إلى الحدود القصوى للـ RAG المعتمد على النصوص فقط.

الأسئلة الشائعة

ما هو العائد المتوقع على الاستثمار (ROI) وفترة الاسترداد عند الانتقال إلى الـ RAG متعدد الوسائط؟ تشهد معظم المؤسسات عائدًا كاملاً على الاستثمار في غضون 4 إلى 6 أشهر من النشر. يأتي هذا الاسترداد مدفوعًا بثلاثة عوامل رئيسية: انخفاض بنسبة 60% إلى 80% في ساعات المطورين التي كانت تُقضى في إصلاح خطوط معالجة التحليل المعطلة، وانخفاض كبير في أخطاء معالجة المستندات (مما يقلل من المخاطر التشغيلية وعقوبات الامتثال)، وزيادة ملموسة في إنتاجية الموظفين حيث يحصل المستخدمون على إجابات دقيقة من المستندات المعقدة من المحاولة الأولى بدلاً من مراجعة ملفات PDF يدويًا.

هل نحتاج إلى إعادة تضمين قاعدة المعرفة الحالية بالكامل؟ إذا كنت تريد أن تكون المستندات الحالية قابلة للبحث من خلال محتواها المرئي، فنعم. ستحتاج إلى تمرير ملفات PDF الأصلية عبر نموذج تضمين متعدد الوسائط لتوليد متجهات الصور الجديدة. ومع ذلك، يمكنك تشغيل نظام هجين حيث تظل المستندات النصية القديمة بتنسيقها الحالي لمتجهات النصوص، بينما يتم معالجة ملفات PDF المعقدة الجديدة بأسلوب متعدد الوسائط. ويمكن لقاعدة بيانات المتجهات الخاصة بك الاستعلام في كلا الفضاءين في وقت واحد باستخدام البحث متعدد المتجهات (multi-vector search).

كيف يتعامل الـ RAG متعدد الوسائط مع ضوابط الوصول والأذونات؟ بالطريقة نفسها تمامًا التي يتعامل بها الـ RAG النصي. تخزن قاعدة بيانات المتجهات البيانات الوصفية (metadata) جنبًا إلى جنب مع متجه الصورة. عندما يقوم المستخدم بإجراء استعلام، يطبق النظام فلتر البيانات الوصفية (مثل department: finance أو clearance_level: 2) قبل تنفيذ بحث تشابه المتجهات. وبذلك لا يسترجع المستخدم سوى صور الصفحات المصرح له برؤيتها فقط.

هل يمكننا تشغيل عمليات استيراد متعددة الوسائط محليًا (on-premise) للبيانات الحساسة؟ نعم. العديد من مشفرات الرؤية عالية الأداء ونماذج التضمين متعددة الوسائط مفتوحة المصدر بالكامل ويمكن نشرها محليًا باستخدام خوادم الاستنتاج (inference servers) مثل vLLM. يمكنك معالجة المستندات المالية أو الطبية شديدة الحساسية بالكامل داخل سحابتك الخاصة الافتراضية أو على خوادمك الخاصة (bare-metal) دون إرسال صور الصفحات إلى واجهات برمجة تطبيقات خارجية.

هل يحل هذا محل البحث النصي بالكامل؟ لا. الاسترجاع متعدد الوسائط هو توسيع للقدرات، وليس بديلاً كاملاً للبحث النصي. فبالنسبة لمطابقة الكلمات الرئيسية الدقيقة (مثل العثور على رقم تسلسلي محدد أو بند قانوني دقيق)، لا يزال الاسترجاع المشتت التقليدي (مثل BM25) المدمج مع تضمينات النصوص الكثيفة فعالاً للغاية. تستخدم الأنظمة في بيئة الإنتاج البحث الهجين (hybrid search)، حيث تجمع بين متجهات النصوص، ومتجهات الصور، ومطابقة الكلمات الرئيسية للعثور على السياق الأكثر ملاءمة.