From Naive RAG to Deep Agentic Retrieval: An Evolving Context Engineering Pipeline for Regulatory Compliance
تُفصّل هذه الورقة تطور نظام استرجاع الامتثال التنظيمي في شركة "أونتاريو لتوليد الطاقة" من نظام استرجاع معزز بسيط (RAG) إلى بنية متطورة متعددة الوكلاء تُسمى "الاستحواذ التدريجي على الأدلة مع التصعيد الواعي بالتكلفة" (PEA-CAE)، مما يثبت أن هندسة السياق المتقدمة والاستحواذ التكيفي على الأدلة أكثر جدوى اقتصادية وفعالية من الضبط الدقيق المتخصص للمجال بالنسبة للمجموعات النصية الضخمة والمتطورة في المؤسسات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن لديك صديقاً آلياً فائق الذكاء يمكنه قراءة أي كتاب في العالم والإجابة على أسئلتك فوراً. هذا هو الوعد الذي تقدمه النماذج اللغوية الكبيرة (LLMs)، وهي العقول الاصطناعية التي تقف وراء العديد من برامج الدردشة الحديثة. لكن هنا تكمن المشكلة: إذا سألت هذا الروبوت عن موضوع محدد ومعقد — مثل قواعد أسعار الكهرباء في مقاطعة معينة — فقد يصاب بالارتباك. لماذا؟ لأن "ذاكرة" الروبوت محدودة، وإذا ألقيت في عقله مكتبة كاملة من المستندات دفعة واحدة، فسيشعر بالإرهاق. الأمر يشبه محاولة العثور على إبرة محددة في كومة قش عن طريق حشر كومة القش بأكملها في صندوق صغير؛ الإبرة موجودة تقنياً، لكنها مدفونة تحت الكثير من الفوضى. هذه هي مشكلة "هندسة السياق": اكتشاف كيفية تغذية الروبوت بالقدر المناسب تماماً من المعلومات حتى يتمكن من التفكير بوضوح دون أن يضيع.
السؤال الكبير الذي يطرحه الباحثون هو: كيف نبني نظاماً لا يكتفي بالتخمين فح، بل يبحث فعلياً عن الإجابات الصحيحة في كومة ضخمة ومتغيرة باستمرار من الوثائق القانونية والتقنية؟ الورقة البحثية التي ستطالعها الآن تستكشف هذه الرحلة. إنها تنتقل من طريقة بسيطة تعتمد على "البحث والقراءة" إلى عملية تحقيق أكثر ذكاءً وتعددًا في الخطوات. يشير المؤلفون إلى أنه بدلاً من محاولة إعادة تدريب عقل الروبوت لحفظ كل قانون جديد (وهو أمر مكلف وبطيء)، فمن الأفضل تعليم الروبوت كيف يكون باحثاً أفضل. لقد وجدوا أن المفتاح ليس منح الروبوت مساحة أكبر للتفكير، بل تزويده بأدوات أفضل للعثور على الحقائق الدقيقة التي يحتاجها، خطوة بخطوة، مع الحفاظ على التكاليف والوقت في حدود المعقول.
من "مجرد سؤال" إلى "متحرٍّ خارق": تطور باحث الذكاء الاصطناعي
تحكي هذه الورقة قصة كيف قام فريق في شركة أونتاريو لتوليد الطاقة (OPG) بترقية نظام الذكاء الاصطناعي الخاص بهم للتعامل مع المهمة الضخمة والمعقدة للامتثال التنظيمي. فكر في الأمر كقصة أمين مكتبة مبتدئ يتعلم ببطء كيف يصبح محققاً ماهراً.
خط البداية: أمين المكتبة "الساذج"
في البداية، استخدم الفريق نظام "RAG الساذج". تخيل أمين مكتبة، عندما تسأله سؤالاً، يمسك بأول 20 كتاباً تبدو ذات صلة بشكل غامض ويضعها جميعاً على مكتبك دفعة واحدة. إذا سألت: "كم بلغت تكلفة محطة الطاقة المائية في عام 2022؟"، فقد يلقي عليك أمين المكتبة 25,000 كلمة من النصوص، بما في ذلك صفحات عن عام 2019، وعام 2023، ومعدات غير ذات صلة.
المشكلة؟ الذكاء الاصطناعي ("القارئ") يصاب بالإرهاق. الأمر يشبه محاولة العثود على جملة محددة في رواية بينما يصرخ شخص ما بـ 50 جملة أخرى في أذنك. كلما زدت من كمية النص الذي تغذيه به، ساء أداؤه في العثود إلى الإجابة الصحيحة. هذا ما يسميه المؤلفون "تآكل السياق" (Context Rot). الحقائق موجودة، لكنها تضيع وسط الضجيج. أمين المكتبة يستمر فقط في إضافة المزيد من الكتب، آملاً أن تكون الإجابة هناك، لكن ذلك يجعل العملية أبطأ وأكثر تكلفة فحسب.
الارتقاء بالمستوى: المحقق "النشط"
أدرك الفريق أن الذكاء الاصطناعي بحاجة إلى التوقف عن كونه مستقبلاً سلبياً والبدء في كونه محققاً نشطاً. كانت هذه هي المرحلة الثانية: الاسترجاع الوكيل (Agentic Retrieval).
الآن، بدلاً من إلقاء كومة من الكتب على المكتب، يعمل الذكاء الاصطناعي كمحقق يحمل عدسة مكبرة. إنه يطلب من أمين المكتبة خمس صفحات فقط في كل مرة. يقرأها، يفكر، ثم يقول: "حسناً، هذه الصفحات تذكر '2022'، لكنني بحاجة للتحقق من ملف 'الملحق ج' (Exhibit C) تحديداً". ثم يطلب مجموعة جديدة وأكثر تحديداً من الصفحات.
هذا يسمى الاكتشاف التدريجي (Progressive Discovery). الذكاء الاصطناعي لا يخمن فحسب؛ بل يصقل عملية بحثه. إذا وجد خيطاً واعداً جداً في صفحة واحدة، فقد يقرر قراءة المستند بأك// ليتأكد. لكنه حذر! فهو لا يقوم بهذه القراءة الكاملة إلا إذا كان "الخيط" قوياً بما يكفي لتبرير الوقت والمال الإضافيين. الأمر يشبه قرار المحقق ما إذا كان سيقتحم منزلاً: لا تفعل ذلك إلا إذا كانت الأدلة تشير إلى أن المجرم موجود بالداخل بالتأكيد.
حصة الماستر: "الوكيل العميق" مع فريق عمل
في المرحلة الثالثة، يصبح النظام أكثر ذكاءً. الذكاء الاصطناعي لا يبحث فحسب؛ بل يخطط. قبل أن يبدأ حتى في البحث، يقوم بتقسيم سؤال كبير ومخيف إلى قائمة من المهام الصغيرة والقابلة للإدارة.
تخيل أنك بحاجة إلى مقارنة تكاليف محطتي طاقة مختلفتين على مدى عشر سنوات. الذكاء الاصطناعي البسيط سيرتبك. لكن هذا "الوكيل العميق" (Deep Agent) يضع خطة بحث:
- "ابحث عن تكاليف عام 2020 للمحطة (أ)".
- "ابحث عن تكاليف عام 2020 للمحطة (ب)".
- "قارن بينهما".
للتعامل مع هذا، يوظف الذكاء الاصطناعي الرئيسي فريقاً من الوكلاء الفرعيين (روبوتات مساعدة صغيرة). أحد المساعدين يقرأ مستنداً ضخماً ويلخصه في ملاحظة صغيرة. الذكاء الاصطناعي الرئيسي لا يرى المستند الفوضوي المكون من 50 صفحة أبداً؛ بل يرى فقط الملخص النظيف المكون من جملتين. هذا يمنع حدوث "تآكل السياق" مرة أخرى. يظل الذكاء الاصطناعي الرئيسي منتعشاً ومركزاً، بينما يقوم المساعدون بالعمل الشاق.
أيضاً، وبسبب قوانين الخصوصية الصارمة في كندا، يمتلك النظام خدعة خاصة. بعض المستندات تحتوي على مخططات ورسوم بيانية تتطلب ذكاءً اصطناعياً ذا "رؤية". وبما أن الذكاء الاصطناعي الرئيسي لا يمكنه إرسال تلك الصور إلى خادم أجنبي، فإن النظام يستخدم ذكاءً اصطناعياً "محلياً" خاصاً في كندا يقرأ الصور ويرسل النص فقط. الأمر يشبه وجود مترجم متخصص يبقى في الغرفة حتى لا تخرج أي أسرار من المبنى.
السر الكامن: PEA-CAE
قام المؤلفون بصياغة هذا النهج الذكي والتدريجي في إطار عمل أطلقوا عليه اسم PEA-CAve (الاستحواذ التدريجي على الأدلة مع التصعيد الواعي بالتكلفة).
فكر فيه كقاعدة لمتسوق ذكي:
- ابدأ صغيراً: انظر إلى بطاقات الأسعار (أجزاء النص) أولاً.
- لا تشترِ المتجر بأكمله: اشترِ السلعة الكاملة (اقرأ المستند كاملاً) فقط إذا بدا سعرها مغرياً بشكل مريب.
- اضغط قائمتك: لخص نتائجك حتى لا تحمل الكثير من الأعباء.
تظهر الورقة أن هذه الطريقة ناجحة. في اختباراتهم، قام النظام بـ 67 عملية بحث عن "القطع" (chunks)، لكنه لجأ فقط إلى التصعيد لقراءة المستند كاملاً 7 مرات. هذه النسبة هي حوالي 10 إلى 1. وهذا يعني أن النظام عادة ما يكون صحيحاً بمجرد نظرة سريعة، مما يوفر الكثير من الوقت والمال. وعندما اضطر لقراءة مستند كامل، استغرق الأمر بين 0.7 و12 ثانية، مما يثبت أن "القراءة الكاملة" هي أداة ثقيلة تُستخدم عند الضرورة فقط.
ماذا يعني هذا للمستقبل؟
الخلاصة الكبرى من هذه الورقة هي أنه بالنسبة للمكتبات الضخمة والمتغيرة من القواعد واللوائح، لست بحاجة لإعادة تدريب عقل الذكاء الاصطناعي. لست بحاجة لتعليمه كل قانون جديد. بدلاً من ذلك، تحتاج إلى بناء محرك بحث أفضل حوله.
يجادل المؤلفون بأن "هندسة السياق" — فن تقديم القدر المناسب من المعلومات للذكاء الاصطناعي في الوقت المناسب — هي السحر الحقيقي. إنها أفضل من محاولة إجبار الذكاء الاصطناعي على حفظ كل شيء. من خلال استخدام نظام يخطط، ويفوض، ويصعد الأمور بعناية، يمكن للشركات الحصول على إجابات دقيقة وقابلة للتتبع من ذكائها الاصطناعي دون أن يضيع في بحر من النصوص.
باختصار، تقترح الورقة أن مستقبل الذكاء الاصطناعي في المجالات المعقدة لا يتعلق بجعل الروبوت أكثر ذكاءً في معزل عن العالم؛ بل يتعلق بإعطائه خريطة أفضل، وعدسة مكبرة أحدّ، وفريق من المساعدين للقيام بالعمل الشاق. الأمر يتعلق بتعليم الروبوت كيف يكون محققاً، وليس مجرد قارئ.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.