Retrieval-Augmented Large Language Models as Components of Cognitive Computing architecture for Regulatory Knowledge Management
تُثبت هذه الورقة أن دمج نماذج اللغات الكبيرة المنشورة محلياً مع تقنية التوليد المعزز بالاسترجاع (RAG) على أجهزة استهلاكية يحولها إلى مكونات حوسبة معرفية موثوقة قادرة على تعزيز الدقة الواقعية، وقابلية التدقيق، والإدارة الديناميكية للمعرفة التنظيمية دون الحاجة إلى إعادة تدريب النموذج.
تخيل عالماً لا تكتفي فيه الحواسيب بمعالجة الأرقام فحسب، بل "تفكر" حقاً في القواعد المعقدة، مثل محامٍ يقرأ عقداً أو طبيب يفحص تشخيصاً. هذا هو مجال الحوسبة الإدراكية (Cognitive Computing)، وهو مجال يحاول بناء آلات تحاكي التفكير البشري بدلاً من مجرد اتباع تعليمات جامدة. وفي قلب هذه الموجة الجديدة تكمن النماذج اللغوية الكبيرة (LLMs)، وهي تشبه روبوتات ذكية جداً ومطلعة تستطيع الكتابة والتلخيص والدردشة عبر التنبؤ بالكلمة التالية في الجملة. ومع ذلك، فإن لهذه الروبوتات عادة غريبة: فهي أحياناً تخترع أشياء ما بـثقة تامة، وهي هفوة تُعرف باسم "الهلوسة" (hallucination). ولإصلاح ذلك، يستخدم العلماء حيلة تسمى التوليد المعزز بالاسترجاع (RAG). فكر في (RAG) كأنك تعطي الروبوت بطاقة مكتبة وقاعدة صارمة: "لا يمكنك الإجابة على سؤال ما إلا إذا وجدت أولاً الصفحة المحددة في الكتاب التي تثبت ذلك". تستكشف هذه الورقة البحثية ما إذا كان الجمع بين هاتين الفكرتين — الروبوتات الذكية وقواعد المكتبة الصارمة — يمكن أن يخلق نظاماً موثوقاً لإدارة القواعد القانونية المعقدة، كل ذلك مع الحفاظ على أمان البيانات داخل جدران الشركة الخاصة بدلاً من إرسالها إلى السحابة.
وضع الباحثون، بقيادة داريوش نواك-نوفا من جامعة WSB في بولندا، هدفهم لاختبار ما إذا كان هذا المزيج من "الروبوت زائد المكتبة" يمكن أن يحول ذكاءً اصطناعياً عادياً إلى مكون موثوق لنظام حوسبة إدراكية. لم يستخدموا الحواسيب الفائقة الضخمة والمكلفة المطلوبة عادةً لهذه المهام، بل أجروا التجربة على كمبيوتر محمول عادي للمستهلك يعمل بمعالج Apple M4 وذاكرة سعة 24 جيجابايت، باستخدام نماذج لغة بولندية مفتوحة المصدر تسمى Bielik و PLLuM. لقد أنشأوا "بنية إدراكية" محلية حيث يمكن للذكاء الاصطناعي الدردشة مع مكتبة رقمية ضخمة تضم 17,377 وثيقة قانونية (بإجمالي 22.84 جيجابايت) مخزنة مباشرة على الكمبيوتر. سمح هذا الإعداد للذكاء الاصطناعي بالبحث عن قوانين محددة في الوقت الفعلي قبل الإجابة على الأسئلة، بدلاً من الاعتماد فقط على ما حفظه أثناء التدريب.
طرح الفريق أربعة أسئلة محددة على الذكاء الاصطناعي حول تعريف "العقار" في القانون البولندي، أولاً بترك الذكاء الاصطناعي يجيب من ذاكرته الخاصة، ثم تركه يجيب بعد استخدام نظام (RAG) للبحث في الوثائق القانونية. كانت النتائج رائعة؛ فعندما استخدم الذكاء الاصطناعي نظام (RAG)، أصبحت إجاباته أكثر دقة ومكتنزة بالمصطلحات القانونية الصحيحة، وبدت وكأنها صادرة عن محامٍ متمرس بدلاً من كونها مجرد موسوعة عامة. أصبح النص أكثر كثافة وتخصصاً، وهو بالضبط ما تريده عند التعامل مع قوانين صارمة. على سبيل المثال، استشهدت الإجابات المعززة بنظام (RAG) بشكل صحيح بمواد محددة من القانون المدني وقوانين أخرى، بينما قدم الذكاء الاصطناعي المستقل أحياناً ملخصات غامضة أو غير مكتملة.
ومع ذلك، وجدت الدراسة أن النظام ليس مثالياً بعد. فبينما حسن نظام (RAG) أسلوب و خصوصية الإجابات، إلا أنه لم يقضِ تماماً على الأخطاء. في إحدى الحالات، ارتكب الذكاء الاصطناعي باستخدام نظام (RAG) خطأً قانونياً جوهرياً، حيث اقترح أن العقار يمكن أن يكون "منقولاً" في ظل ظروف معينة، وهو ما يتناقض مع التعريف الأساسي لقانون الملكية. لاحظ الباحثون أنه بينما كان بإمكان الذكاء الاصطناعي العثور على الوثائق الصحيحة، إلا أنه واجه أحياناً صعوبة في تفسير الفرق بين قانون يُعرّف مفهوماً ما وقانون يستخدم المفهوم نفسه لغرض مختلف، مثل الضرائب. وهذا يشير إلى أنه بينما يتحسن النظام في العثور على المعلومات، فإنه لا يزال بحاجة إلى مساعدة في فهم المنطق العميق وراء القواعد.
في الختام، تشير الورقة البحثية إلى أن وضع هذه النماذج اللغوية على أجهزة كمبيوتر محلية مع نظام (RAG) يعد وسيلة قوية للتعامل مع المعرفة التنظيمية دون المخاطرة بتسريب البيانات إلى السحابة. إن هذا يحول الذكاء الاصطناعي من "صندوق أسود" يخمن الإجابات إلى "وحدة إدراكية" يمكن تدقيقها وفحصها وتحديثها مع تغير القوانين، وكل ذلك دون الحاجة إلى إعادة تدريب النموذج بالكامل. ويخلص المؤلفون إلى أن هذا النهج يعد خطوة واعدة نحو بناء مساعدين ذكاء اصطناعي موثوقين للأعمال القانونية والتنظيمية، بشرط أن نتذكر أن الذكاء الاصطناعي هو أداة قوية لإيجاد وتنظيم المعلومات، لكنه لا يزال بحاجة إلى خبراء بشريين للتحقق من المنطق النهائي.
ملخص تقني: نماذج اللغات الكبيرة المعززة بالاسترجاع كعناصر في بنية الحوسبة الإدراكية لإدارة المعرفة التنظيمية
بيان المشكلة يتناول البحث قيود نشر نماذج اللغات الكبيرة (LLMs) المستقلة في البيئات القانونية والتنظيمية عالية المخاطر. فبينما توفر هذه النماذج معالجة متقدمة للنصوص، إلا أنها تعاني من "الهلوسة" (توليد محتوى غير مستند إلى مصادر)، والافتقار إلى إمكانية التتبع، وعدم القدرة على تحديث المعرفة ديناميكيًا دون إعادة تدريب. علاوة على ذلك، فإن الاعتماد على خدمات نماذج اللغات الكبيرة القائمة على السحابة يشكل مخاطر جسيمة تتعلق بسيادة البيانات، والخصوصية، وأمن المعلومات القانونية أو التجارية الحساسة. ويحدد المؤلف فجوة بين أبحاث "التوليد المعزز بالاسترجاع" (RAG) المبتكرة وتطبيقها العملي في إنشاء مكونات حوسبة إدراكية موثوقة معرفيًا للإدارة التنظيمية، لا سيما ضمن البيئات المحلية (on-premises) المقيدة بالأجهزة الاستهلاكية.
المنهجية تقترح الدراسة وتتحقق من صحة بنية إدراكية هجينة تعمل فيها نماذج اللغات الكبيرة المنشورة محليًا كأدوات معالجة دلالية، مدعومة بطبقة RAG خارجية لاسترجاع المعرفة المنضبطة.
الأجهزة والبيئة: استخدم التنفيذ أجهزة من الفئة الاستهلاكية (معالج Apple M4، ذاكرة موحدة بسعة 24 جيجابايت) تعمل بنظام التش macOS. لم يتم استخدام أي مسرعات رسومية (GPU) عالية الأداء.
النماذج: تم اختبار نموذجين للغة البولندية: Bielik (بـ 1.5 مليار معلمة) و PLLuM (بـ 12 مليار معلمة).
بنية RAG:
وقت التشغيل: استُخدمت أدوات Ollama و LM Studio كبيئات تنفيذ. عملت LM Studio كواجهة رئيسية، متكاملة مع بروتوكول سياق النموذج (MCP).
آليات الاسترجاع: وظفت الدراسة استراتيجيتين مختلفتين للاسترجاع:
القائم على المتجهات: باستخدام ChromaDB للتخزين المحلي للمتجهات واستخدام تضمينات (embeddings) قائمة على نموذج BERT للبحث الدلالي.
القائم على الأدوات: دمج Zotero (عبر MCP) للوصال المهيكل إلى قواعد البيانات البيبليوغرافية المنسقة، وTavily (عبر MCP) لجلب الموارد القانونية عبر الويب (مثل: Internetowy System Aktów Prawnych).
التصميم التجريبي: تضمن البحث جولتين من الاختبار حول أربعة أسئلة بحثية محددة تتعلق بتعريف وتنظيم "العقارات" في القانون البولندي:
الجولة الأولى: التوليد الأساسي (baseline) باستخدام نماذج اللغات الكبيرة المستقلة.
الجولة الثانية: التوليد باستخدام نماذج اللغات الكبيرة المعززة بـ RAG (مراحل الاسترجاع، والتوسيع، والتوليد).
التقييم: تم تحليل النصوص المولدة من حيث الصحة النحوية، وسهولة القراءة، والخصائص الأسلوبية باستخدام Jasnopis.pl (سهولة القراءة) و Logios.dev (التحليل النحوي، ومؤشر Gunning FOG، ومؤشر اللغة البسيطة). كما تم التحقق من الصحة الموضوعية يدويًا مقابل المصادر القانونية.
النتائج الرئيسية
الموثوقية الإبستمية (المعرفية): أدى دمج RAG إلى تحسين الاتساق الواقعي والدقة المعيارية للنصوص المولدة بشكل كبير. نجحت النماذج المعززة بـ RAG في تقليل خطر توليد محتوى غير مدعوم من خلال ربط المخرجات بالتشريعات المسترجعة.
الخصائص اللغوية:
التخصص: أظهرت متغيرات RAG كثافة أعلى في المصطلحات المتخصصة والكلمات المعقدة (على سبيل المثال، أظهر Bielik+RAG حصة قدرها 5.5% من الكلمات المعقدة مقابل 3.0% في النموذج الأساسي).
التعقيد: ارتفع مؤشر Gunning FOG في متغيرات RAG (على سبيل المثال، وصل Bielik+RAG إلى 15.48)، مما يشير إلى ارتفاع تعقيد النص. يرى المؤلفون أن هذه ميزة مرغوبة للنصوص القانونية، حيث تعكس الدقة المصطلحية الضرورية بدلاً من كونها عيبًا.
الأسلوب: أظهر نموذج PLLuM+RAG جملًا وفقرات أطول، بما يتماشى مع الأسلوب التعدادي لللوائح القانونية، بينما أظهر Bielik+RAG أسلوبًا معياريًا أكثر كثافة في استخدام الصفات.
الأخطاء الموضوعية: رغم التحسينات، حددت الدراسة أخطاءً حرجة في مخرجات PLLuM+RAG. وتحديدًا، ذكر النموذج خطأً أن العقار يمكن أن يكون "منقولًا" إذا كان جزءًا مكونًا، مما يتعارض مع المبادباد الأساسية للقانون المدني المتعلقة بالتمييز بين المنقول والعقار. بالإضافة إلى ذلك، فشل النموذج في التمييز بين التعريف المدني للعقار والتعريفات الوظيفية المستخدمة في القوانين الإدارية أو الضريبية، مما أدى إلى خلط منهجي.
القابلية للتدقيق: نجحت بنية RAG في إدخال إمكانية التتبع، مما سمح للمستخدمين بالتحقق من مصدر المعلومات (تشريعات محددة) دون الحاجة لإعادة تدريب النموذج الأساسي.
المساهمات الرئيسية
التحقق من البنية: يثبت البحث أن نماذج اللغات الكبيرة المنشورة محليًا، عند دمجها مع RAG على أجهزة استهلاكية، يمكن أن تعمل كمكونات قابلة للتطبيق في بنية الحوسبة الإدراكية للإدارة التنظيمية.
النموذج الإدراكي الهجين: يقترح البحث فصلًا للمهام حيث يعمل نموذج اللغة الكبيرة كوحدة تفسير دلالي، بينما تتولى طبقة RAG استرجاع المعرفة، والسياق، وتتبع المصدر.
جدوى التشغيل المحلي: تثبت الدراسة أن التحليل التنظيمي عالي الجودة يمكن تحقيقه دون الاعتماد على السحابة أو وحدات معالجة رسومية من فئة المؤسسات، مما يحافظ على سيادة البيانات ويسمح بالتحديثات الديناميكية للمستودعات القانونية.
التقييم النقدي لنماذج اللغات الكبيرة في القانون: يسلط البحث الضوء على أنه بينما يحسن RAG من التأسيس الواقعي، فإنه لا يقضي على خطر الأخطاء المفاهيمية أو الخطأ في نسب السلطة التعريفية للتشريعات، مما يؤكد الحاجة إلى الإشراف البشري.
الأهمية والادعاءات يدعي البحث أن تعزيز نماذج اللغات الكبيرة بـ RAG يحولها من "أدوات جاهزة للإنتاج مغلقة" إلى "وحدات معالجة دلالية" ضمن بنيات الحوسبة الإدراكية. هذا التحول مهم للمؤسسات التي تعمل في بيئات تتسم بالتقلب القانوني العالي، حيث يتيح:
الإدارة الديناميكية للمعرفة: القدرة على تحديث المعلومات التنظيمية فورًا عن طريق تعديل مستودع المستندات بدلاً من إعادة تدريب النموذج.
تعزيز السيطرة: التحكم الكامل في معالجة البيانات، مما يضمن الامتثال للوائح سيادة البيانات والخصوصية.
الدور التكميلي: يخلص المؤلفون إلى أن نماذج اللغات الكبيرة لا ينبغي النظر إليها كبدائل للمعرفة الخبيرة أو الذكاء الاصطناعي الرمزي (الحوسبة الإدراكية) بل كمكونات تكميلية. فهي تعمل كواجهات فعالة لمعالجة اللغات الطبيعية وتوليف المعلومات، بشرط دمجها في بنية هجينة تتضمن آليات الذاكرة والتحكم والتحقق.
تلتزم الدراسة بموقف متواضع، حيث تقر بأنه على الرغم من أن RAG يحسن الموثوقية، إلا أن النماذج لا تزال تفتقر إلى الفهم الإدراكي الحقيقي ويمكن أن تنتج أخطاءً قانونية جوهرية، مما يستوجب استخدامها كأدوات لدعم القرار وليس كصناع قرار مستقلين.