Development of an Agentic Retrieval-Augmented Generation System with Hybrid Retrieval for Budget Planning and Validation
تقترح هذه الدراسة نظاماً للتعزيز الاسترجاعي التوليدي القائم على الوكلاء مع استرجاع هجين لتخطيط ميزانية الشركات الصغيرة والمتوسطة، مما يثبت من خلال التقييم المقارن أن سير عمل الوكيل القائم على التوجيه يوفر التوازن الأمثل بين جودة الاسترجاع والترسيخ الواقعي من أجل التحقق القائم على الأدلة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في عالم الإدارة التنظيمية الهادئ والممل في كثير من الأحيان، تعد الميزانية أكثر من مجرد قائمة بسيطة من الأرقام؛ فهي وعد بما تنوي المنظمة القيام به وسجل لما أنفقته بالفعل. وبالنسبة للشركات الصغيرة والمتوسطة، فإن الوفاء بهذا الوعد يتطلب عملية صارمة للتحقق من كل تكلفة مقترحة مقابل القواعد الرسمية، وعادات الإنفاق السابقة، وواقع السوق. هذه المهمة، المعروفة باسم "التحقق من صحة الميزانية"، صعبة للغاية لأن المعلومات اللازمة مبعثرة. فقد يحتاج المدير إلى الربط بين لائحة حكومية رسمية بشأن سعر عنصر معين، وجدول بيانات لتكاليف المشاريع التاريخية، ومذكرة سردية تشرح سبب تبرير نفقات معينة. وتوجد هذه المستندات في تنسيقات مختلفة: بعضها جداول أرقام جامدة، بينما البعض الآخر نصوص انسيابية مليئة بالاستثناءات والشروط. وعندما يحاول الإنسان البحث في هذا المتاهة من البيانات لإثبات أن الميزانية معقولة، تكون العملية بطيئة، وعرضة للخطأ، وغالبًا ما تترك فجوات في الأدلة.
ولحل هذه المشكلة، لجأ الباحثون إلى نوع من الذكاء الاصطناعي يسمى "التوليد المعزز بالاسترجاع" (Retrieval-Augmented Generation). تخيل نظامًا لا يكتفي بمجرد تخمين إجابة بناءً على تدريبه، بل يذهب أولاً للبحث عن الحقائق المحددة التي يحتاجها من مكتبة من المستندات قبل أن يتحدث. ومع ذلك، تعاني النسخ القياسية من هذه التكنولوجيا مع البيانات المالية لأنها تعامل الأرقام والنصوص كشيء واحد، مما يؤدي غالبًا إلى فقدان القيم الدقيقة المطلوبة للمحاسبة. ولجسر هذه الفجوة، طور فريق من الباحثين من إندونيسيا وماليزيا نظامًا متخصصًا مصممًا للتعامل مع كل من الأرقام الصلبة والسياق المرن لتخطيط الميزانية. لقد بنوا أداة يمكنها البحث عن أرقام التكلفة الدقيقة في قاعدة بيانات، وفي الوقت نفسه قراءة الإرشادات السردية لفهم القواعد الكامنة وراء تلك الأرقام.
وضع الباحثون هدفهم لاختبار ثلاث طرق مختلفة لتنظيم هذا النظام الذكي، حيث عاملوا البرنامج الحاسوبي كفريق من العمال بدلاً من كونه عقلاً واحدًا. استخدم النهج الأول "عميلًا منفردًا" (single agent)، وهو عامل وحيد مسؤول عن إيجاد جميع المعلومات وكتابة الإجابة. أما النهج الثاني فقد قدم "موجهًا" (router)، وهو مراقب حركة مرور يستمع أولاً لسؤال المستخدم ليقرر نوع المشكلة — سواء كانت سؤالاً بسيطًا عن القواعد، أو طلبًا للتحقق من ميزانية محددة، أو حاجة لتوصية. وبناءً على هذا القرار، يرسل الموجه المهمة عبر مسار محدد حيث يمكن استخدام أدوات متخصصة. أما النهج الثالث فكان الأكثر تعقيدًا، حيث استخدم "منسقًا" (orchestrator) لتفكيك سؤال واحد إلى أجزاء أصغر، وتكليف عمال مختلفين بالعثور على قطع مختلفة من الأدلة، ثم جعل عامل نهائي يجمع كل تلك القطع في إجابة واحدة.
اختبر الفريق هذه الطرق الثلاث باستخدام ثلاثين سيناريو مختلفًا تحاكي مهام الميزانية في العالم الحقيقي. وقاسوا مدى جودة كل نظام في إيجاد المعلومات الصحيحة، ومدى أمانته في الالتزام بتلك المعلومات دون اختلاق أشياء، والوقت الذي يستغرقه لتقديم الإجابة. وأظهرت النتائج أن العامل المنفرد كان الأسرع، حيث أتم المهمة في حوالي سبعة وعشرين ثانية، لكنه كان أقل دقة في إيجاد الأدلة الضرورية. أما فريق العمال الأكثر تعقيدًا فقد استغرق أطول وقت، أكثر من ستة وثمانين ثانية، وبينما وجد معلومات جيدة، إلا أن الوقت الإضافي المستغرق في التنسيق لم يؤدِ دائمًا إلى إجابة نهائية أفضل. وقد ثبت أن المسار الأوسط، الذي يحتوي على مراقب حركة المرور، كان الأكثر فعالية. فقد استغرق حوالي ثمانية وسبعين ثانية للاستجابة، ولكنه كان الأكثر دقة في إيجاد الأدلة الصحيحة والأكثر موثوقية في ضمان أن كل ادعاء يقدمه مدعوم بوثيقة حقيقية.
هذا النهج الأوسط، الذي يسمه الباحثون "الاسترجاء المعزز بالوكلاء القائم على التوجيه" (Routing-Based Agentic RAG)، برز كأفضل خيار للمهمة. فقد حقق أعلى الدرجات في إيجاد السياق ذي الصلة وفي الالتزام بالمصدر، حيث سجل درجة أمانة بلغت 0.878، مما يعني أنه نادرًا ما يخترع حقائق. كما سجل أعلى درجة دقة بلغت 0.731 مع النظام الأكثر تعقيدًا، مما يشير إلى أن المعلومات التي استرجعها كانت ذات صلة وثيقة. ووجد الباحثون أنه من خلال فصل المهام بناءً على ما يحتاجه المستخدم فعليًا، يمكن للنظام تطبيق الاستراتيجية المناسبة لكل موقف. فعندما يسأل المستخدم عن قاعدة، يعرف النظام أنه يجب عليه النظر بصرامة في الإرشادات الرسمية. وعندما يسأل عن التحقق من بند ميزانية، يعرف النظام أنه يجب عليه سحب البيانات التاريخية للمقارنة. وعندما يطلب توصية، يعرف النظام أنه يجب عليه دمج القواعد مع الخبرات السابقة.
تخلص الدراسة إلى أنه بالنسبة لمهمة التحقق من صحة الميزانية الحرجة، حيث يجب أن يكون كل رقم قابلًا للتتبع إلى مصدر، فإن القدرة على استرجاع الدليل الصحيح أهم من السرعة. فبينما يمكن لنظام بسيط وسريع الإجابة على الأسئلة بسلاسة، فإنه يخاطر بإغفال التفاصيل المحددة التي تثبت أن الميزانية معقولة. إن نظام التوجيه، من خلال توجيه الأسئلة إلى المسار الأكثر ملاءمة، يضمن أن تكون الإجابات ليست سلسة فحسب، بل قائمة على الحقائق. وأشار الباحثون إلى أن هذا النظام مصمم لدعم صناع القرار البشريين، وليس لاستبدالهم؛ فهو يوفر الأدلة والمقارنة، لكن الحكم النهائي على ما إذا كانت التكلفة معقولة يظل بيد المدير البشري. ويشير العمل إلى أنه بالنسبة للمنظمات التي تتعامل مع سجلات مالية معقدة، فإن نظامًا يمكنه تصنيف واسترجاع كل من الأرقام والنصوص بذكاء يوفر وسيلة قوية لجلب الوضوح والمساءلة إلى عملية وضع الميزانية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.