← أحدث الأبحاث
💻 علوم الحاسوب

Sustainable Local RAG Architectures for Energy Governance: A Green AI Approach via Document Slice Contextualization

تقترح هذه الورقة بنية هندسية مستدامة ومحلية للجيل التوليدي لتعزيز الاسترجاع (RAG) باستخدام سياق شرائح المستندات ووكيل توجيه ثنائي الطبقات لتحقيق دقة استرجاع قريبة من الخط المرجعي مع تقليل استهلاك الطاقة والانبعاثات ووقت الاستدلال بشكل جذري للامتثال لحوكمة الطاقة.

المؤلفون الأصليون: Martin Tibor Sándor, Róbert Lakatos

نُشر 2026-10-21
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Martin Tibor Sándor, Róbert Lakatos

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 العالم الحديث، تغرق المؤسسات في بحر من الوثائق. فمن لوائح الطاقة إلى الأبحاث العلمية، تظل المعلومات اللازمة لاتخاذ قرارات حاسمة حبيسة آلاف الصفحات من النصوص. ولتحليل هذه البيانات، تتجه العديد من المؤسسات إلى الذكاء الاصطناعي، وتحديداً الأنظمة التي يمكنها قراءة وثيقة، وإيجاد الأجزاء ذات الصلة، والإجابة على الأسئلة بناءً عليها. وتعمل هذه العملية، المعروفة باسم "التوليد المعزز بالاسترجاع" (retrieval-augmented generation)، عن طريق تقسيم وثيقة طويلة إلى قطع أصغر، أو "أجزاء"، والطلب من نموذج حاسوبي تلخيص كل جزء قبل البحث عن الإجابات. ومع ذلك، ظهرت مشكلة كبيرة: وهي أن الطريقة الأكثر دقة للقيام بذلك تتطلب من الحاسوب قراءة الوثيقة بأكملها في كل مرة يلخص فيها جزءاً صغيراً. وهذا النهج يستهلك طاقة هائلة ويتطلب أجهزة حاسوبية قوية ومكلفة لا تستطيع معظم المكاتب المحلية تحمل تكلفتها. وبالنسبة لقطاعات مثل حوكمة الطاقة، حيث تفرض القوانين بقاء البيانات داخل الدولة وعدم إرسالها إلى خادم سحابي بعيد، فإن هذا يخلق عقبة رئيسية. فالتقنية موجودة، لكن تكلفة تشغيلها محلياً غالداً ما تكون باهظة، سواء من حيث استهلاك الكهرباء أو الذاكرة الفيزيائية للحاسوب.

وقد طور باحثون في جامعة دبرتسن في المجر طريقة جديدة لحل هذه المشكلة، مما يسمح لهذه الأدوات القوية من الذكاء الاصطناعي بالعمل بكفاءة على أجهزة الكمبيوتر المكتبية العادية. ويركز عملهم على تقنية تسمى "سياق شرائح الوثيقة" (Document Slice Contextualization). فبدلاً من إجبار الحاسوب على قراءة الوثيقة بأكملها لفهم فقرة واحدة، يقرر النظام الجديد بذكاء مقدار النص المحيط الذي يحتاه فعلياً. تخيل أميناً للمكتبة، بدلاً من أن يسلمك الموسوعة بأكملها لتجد تعريفاً ما، يفتح لك الصفحة المحددة والصفحات القليلة المجاورة لها فقط. لقد بنى الباحثون "وكيل توجيه ذكي" يعمل مثل هذا الأمين. فقبل تلخيص جزء من النص، يتحقق هذا الوكيل بسرعة مما إذا كان الجزء يشرح نفسه بنفسه، مثل الملخص أو الخاتمة، أو ما إذا كان يحتاج إلى مساعدة من جيرانه ليفهم السياق. فإذا كان الجزء يشرح نفسه، يتخطى النظام خطوة التلخيص تماماً. أما إذا كان يحتاج إلى سياق، فيقرر الوكيل بالضبط عدد الصفحات المجاورة التي يجب تضمينها، بدلاً من تضمين الكتاب بأكمله بشكل عشوائي.

اختبر الفريق هذا النهج على مجموعة من خمس وعشرين ورقة علمية وأربع وثائق سياسات معقدة من المفوضية الأوروبية. وقارنوا طريقة التوجيه الذكية الجديدة هذه بالنهج التقليدي الذي يقرأ الوثيقة بأكملها في كل مرة. وكانت النتائج مذهلة؛ فقد حقق النظام الجديد مستوى يقارب نفس دقة العثور على المعلومات الصحيحة التي حققها النهج الثقيل والمستهلك للطاقة، ولكنه فعل ذلك بجزء ضئيل من الجهد. وتحديداً، قلل النهج الجديد الطاقة المطلوبة لتوليد الإجابات بنسبة 87.6 بالمائة. ومن الناحية العملية، فإن مهمة كانت تستغرق سابقاً قرابة ساعة وتستهلك أكثر من 100 واط/ساعة من الكهرباء، اكتملت في أقل من تسع دقائق باستخدام 13.2 واط/ساعة فقط. كما أدى هذا الانخفاض أيضاً إلى انخفاض هائل في انبعاثات الكربون، حيث خفض الناتج من 21.8 جراماً من مكافئ ثاني أكسيد الكربون إلى 2.8 جراماً فقط.

وتتمثل إحدى النتائج الرئيسية للدراسة في أن وكيل التوجيه "الذكي" لم يوفر الطاقة فحسب، بل حسن أيضاً جودة البحث في بعض الجوانب. فمن خلال تخطي تلخيص الأجزاء التي كانت واضحة بالفعل، تجنب النظام إضافة "ضجيج" غير ضروري إلى عملية البحث، مما سمح للحاسوب بالعثور على المعلومات الأكثر صلة بشكل أسرع وأكثر دقة. وقد قاس الباحثون ذلك باستخدام اختبار قياسي لـ 250 سؤالاً صعباً تتطلب ربط المعلومات من أجزاء متعددة من الوثيقة. ووجد نظامهم الجديد الإجابات الصحيحة في 95.2 بالمائ المائة من الحالات، وهو رقم يكاد يتطابق مع نسبة 95.4 بالمائ المائ التي حققها النهج الأبطأ والأكثر استهلاكاً للطاقة. علاوة على ذلك، نجح النظام في العمل على بطاقة رسوميات لجهاز كمبيوتر محمول قياسي بذاكرة 8 جيجابايت فقط، وهو جهاز كان سينهار تحت وطأة النهج التقليدي.

إن تداعيات هذا العمل تمتد إلى ما هو أبعد من مجرد توفير الكهرباء. فبالنسبة لصناعات مثل حوكمة الطاقة، حيث تفرض قوانين صارمة بقاء البيانات محلياً وتحت سيطرة المؤسسة، تجعل هذه التقنية الذكاء الاصطناعي المتقدم أمراً ممكناً. فهي تثبت أن الذكاء الاصطناعي عالي الأداء لا يتطلب مراكز بيانات ضخمة ومركزية، بل يمكن تنفيذه محلياً على أجهزة عادية، مما يجعل التكنولوجيا متاحة للمؤسسات الأصغر ويضمن عدم خروج البيانات الحساسة من المقر أبداً. ويصف الباحثون نهجهم بأنه "الذكاء الاصطناعي الأخضر" (Green AI)، مؤكدين على أن الكفاءة يجب أن تكون هدفاً أساسياً جنباً إلى جنب مع الذكاء. ومن خلال جعل العملية دقيقة، وقابلة للتفسير، وقابلة للإثبات، فقد خلقوا مساراً للمؤسسات لتدقيق امتثالها وإدارة أنظمة الطاقة الخاصة بها بأدوات قوية ومستدامة في آن واحد. وتؤكد الدراسة أنه مع التصميم الصحيح، يمكننا الحصول على أفضل ما في العالمين: الفهم العميق لنماذج الذكاء الاصطناعي الضخمة دون التكاليف البيئية والعتادية الهائلة التي تصاحبها عادةً.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →