يستخدم الاسترجاع المُراعي للسياق معلوماتٍ محيطة، مثل سجل الاستعلامات، ونية المستخدم، وعلاقات المستندات، لتقديم نتائج أكثر صلة، بينما يتعامل الاسترجاع غير المُراعي للسياق مع كل استعلام على حدة. يُشغّل النوع الأول الذكاء الاصطناعي التفاعلي الحديث والبحث المُخصّص، بينما يظل النوع الثاني مفيدًا لعمليات البحث البسيطة والعابرة.
نهج استرجاع يأخذ في الاعتبار سجل الاستعلام وسلوك المستخدم وسياق المستند لإرجاع نتائج أكثر صلة.
نهج استرجاع يعالج كل استعلام بشكل مستقل دون مراعاة التفاعلات السابقة أو الإشارات الخاصة بالمستخدم.
| الميزة | الاسترجاع الواعي بالسياق | الاسترجاع الأعمى للسياق |
|---|---|---|
| معالجة الاستعلامات | يستخدم سجل الجلسة وإشارات المستخدم | يعالج كل استعلام بشكل مستقل |
| أهمية ذلك في المحادثات | مستوى عالٍ - يحافظ على تماسك الحوار | منخفض - يواجه صعوبة في المتابعة |
| التكلفة الحسابية | أعلى بسبب معالجة السياق | أقل وأسرع لكل استعلام |
| التخصيص | يدعم التخصيص على مستوى المستخدم | لا توجد تخصيصات افتراضياً |
| تعقيد التنفيذ | يتطلب ذلك ذاكرة، وإعادة كتابة، وبيانات وصفية | فهرس معكوس بسيط أو بحث متجهي |
| أفضل حالات الاستخدام | روبوتات الدردشة، والمساعدون، والبحث المخصص | استفسارات واقعية لمرة واحدة، البحث عن المستندات |
| تقنيات نموذجية | HyDE، إعادة كتابة الاستعلام، التضمينات السياقية | BM25، استرجاع كثيف أساسي، بحث بالكلمات المفتاحية |
| متطلبات التخزين | يحتاج إلى تخزين الجلسة والبيانات الوصفية | الحد الأدنى - مجرد الفهرس |
يُفسّر الاسترجاع المُراعي للسياق الاستعلام كجزء من تفاعل مستمر، معتمدًا على المحادثات السابقة وملفات تعريف المستخدمين، وحتى البيانات الوصفية المحيطة بالمستند، لفهم المقصود الحقيقي. في المقابل، ينظر الاسترجاع غير المُراعي للسياق إلى الاستعلام بمعزل عن السياق، حيث تُعدّ الكلمات التي تكتبها الإشارة الوحيدة التي يستخدمها. هذا يجعل الأنظمة غير المُراعية للسياق قابلة للتنبؤ وسهلة التصحيح، لكنها غالبًا ما تُخطئ الهدف عندما يعتمد السؤال على ما سبقه.
عندما يتحدث المستخدمون مع مساعد ذكاء اصطناعي، نادرًا ما تكون أسئلة المتابعة مستقلة. عبارات مثل "ماذا عن الثاني؟" أو "كيف يقارن هذا؟" لا معنى لها إلا في سياق سابق. تعالج خاصية الاسترجاع المُراعي للسياق هذه الحالات تلقائيًا عن طريق إعادة صياغة الاستفسارات الغامضة إلى استفسارات مكتملة قبل البحث. أما الاسترجاع غير المُراعي للسياق، فيميل إلى إرجاع نتائج غير ذات صلة في مثل هذه الحالات، ولهذا السبب تستخدم معظم روبوتات الدردشة المستخدمة حاليًا نوعًا من آلية الاسترجاع المُراعية للسياق.
لأن الاسترجاع غير المعتمد على السياق يتجاوز الجهد الإضافي المطلوب لإدارة الذاكرة وإعادة كتابة الاستعلامات، فإنه يعمل بشكل أسرع وبتكلفة أقل عند التشغيل على نطاق واسع. أما الاسترجاع المعتمد على السياق فيضيف عبئًا إضافيًا، إذ يتطلب تخزين حالة الجلسة، وتشغيل نماذج إعادة كتابة الاستعلامات، وغالبًا تصفية نتائج المتجهات بناءً على البيانات الوصفية. بالنسبة لأحمال العمل ذات الحجم الكبير والتعقيد المنخفض، مثل فهرسة ملايين المستندات الثابتة، لا تزال الطرق غير المعتمدة على السياق فعّالة.
تُظهر الأبحاث المتعلقة باسترجاع النصوص الكثيفة في المحادثات، بما في ذلك أعمال Meta AI ومايكروسوفت على مجموعات بيانات مثل QReCC وTopiOCQA، باستمرار أن الأساليب المُراعية للسياق تتفوق على الأساليب غير المُراعية للسياق بنسبة 10-20% في نتائج MRR وnDCG. وتتسع الفجوة في الاستفسارات متعددة الأدوار حيث تهيمن الضمائر والإحالات. ومع ذلك، بالنسبة للأسئلة الواقعية أحادية الدور، يتقلص الفارق بشكل ملحوظ.
لا تحتاج جميع التطبيقات إلى مراعاة السياق. فغالباً ما تعمل قواعد المعرفة الداخلية، والبحث في المستندات القانونية، والبحث عن منتجات التجارة الإلكترونية بكفاءة مع استرجاع المعلومات دون مراعاة السياق، لأن الاستعلامات عادةً ما تكون محددة ومكتفية ذاتياً. في هذه الحالات، تجعل بساطة وسرعة وانخفاض تكلفة البنية التحتية لاسترجاع المعلومات دون مراعاة السياق منه الخيار الأمثل.
يتفوق الاسترجاع الواعي بالسياق دائمًا على الاسترجاع غير الواعي بالسياق.
ليس بالضرورة. بالنسبة للاستعلامات المحددة بدقة والتي تتطلب خطوة واحدة، يمكن للأساليب غير المعتمدة على السياق أن تضاهي أو حتى تتفوق على الأساليب المعتمدة على السياق، لأنها تتجنب التشويش الذي قد يُدخله السياق الإضافي أحيانًا. وتبرز ميزة الاسترجاع المعتمد على السياق بشكل أوضح في السيناريوهات متعددة الخطوات أو المُخصصة.
إن استرجاع المعلومات دون مراعاة السياق أصبح قديماً ولم يعد مستخدماً.
على العكس تماماً. لا تزال خوارزمية BM25 وتقنية الاسترجاع الكثيف الأساسية تشكلان العمود الفقري للعديد من أنظمة البحث الإنتاجية، بما في ذلك البحث عن المستندات المؤسسية ومنصات التجارة الإلكترونية. وهما بمثابة أساس متين، وغالباً ما يتم دمجهما مع طبقات واعية بالسياق في البنى الهجينة.
يعني الاسترجاع الواعي بالسياق أن النموذج "يتذكر" كل شيء.
عملياً، تستخدم هذه الأنظمة نافذة محدودة من المحادثات الأخيرة، أو بيانات وصفية مُلخصة، أو استعلامات مُعاد صياغتها. ولا تزال الذاكرة طويلة الأمد الحقيقية مشكلة بحثية مفتوحة، وتنسى معظم الأنظمة المحادثات القديمة بمجرد خروجها من نافذة السياق.
البحث المتجهي يكون دائماً مدركاً للسياق.
يمكن أن يكون استرجاع المتجهات الكثيفة إما هذا أو ذاك. فالبحث البسيط عن متجه دون تصفية البيانات الوصفية أو إعادة كتابة الاستعلام يكون في جوهره غير مدرك للسياق. أما إضافة سجل الجلسة أو عوامل التصفية أو توسيع الاستعلام فهو ما يجعله مدركًا للسياق.
يؤدي الاسترجاع الواعي بالسياق إلى القضاء على الهلوسة في أنظمة RAG.
يقلل ذلك من هذه المشكلات، لكنه لا يقضي عليها تمامًا. فحتى مع جودة الاسترجاع، قد تُسيء نماذج اللغة تفسير النصوص أو تُدمج المعلومات بشكل خاطئ. جودة الاسترجاع جزءٌ من الحل، وسلوك التوليد لا يقل أهمية.
اختر الاسترجاع المُراعي للسياق عندما يتضمن تطبيقك محادثات متعددة المراحل، أو تخصيصًا، أو استفسارات متابعة غامضة - فهو المعيار لمساعدي الذكاء الاصطناعي ومساعدي RAG الحديثين. التزم بالاسترجاع غير المُراعي للسياق في عمليات البحث البسيطة ذات المرحلة الواحدة حيث تكون السرعة والتكلفة المنخفضة أهم من عمق المحادثة.
يُحسّن كلٌّ من RAG ونماذج LLM المُحسّنة جودة مخرجات الذكاء الاصطناعي، لكنهما يعملان بطرق مختلفة تمامًا. يستخلص RAG المعلومات الخارجية عند الاستعلام، بينما يُدمج التحسين المعرفة الجديدة مباشرةً في أوزان النموذج. ويعتمد الاختيار بينهما على مدى تكرار تغيّر البيانات ومستوى الدقة المطلوب.
تُعد آليات الانتباه الذاتي ونماذج فضاء الحالة من المناهج الأساسية لنمذجة التسلسلات في الذكاء الاصطناعي الحديث. يتفوق الانتباه الذاتي في التقاط العلاقات الغنية بين الرموز، ولكنه يصبح مكلفًا مع التسلسلات الطويلة، بينما تعالج نماذج فضاء الحالة التسلسلات بكفاءة أكبر مع التوسع الخطي، مما يجعلها جذابة للتطبيقات ذات السياق الطويل والتطبيقات الآنية.
تُعدّ آليات الانتباه أساسية في الذكاء الاصطناعي الحديث، سواءً في مجال رؤية الحاسوب أو معالجة اللغة الطبيعية، إلا أنها تخدم أغراضًا مختلفة وتطورت عبر مسارات متباينة. يساعد الانتباه في مجال الرؤية النماذج على التركيز على مناطق الصورة ذات الصلة، بينما يُمكّن الانتباه في معالجة اللغة الطبيعية من فهم العلاقات بين الكلمات في النصوص.
تجمع أساليب الممثل-الناقد بين تدرجات السياسة ودالة القيمة المُتعلمة لتقليل التباين وتسريع عملية التعلم، بينما تعتمد أساليب تدرج السياسة البحتة كليًا على السياسة وعوائد مونت كارلو. ويعتمد الاختيار بينهما على ما إذا كنت بحاجة إلى الاستقرار وكفاءة العينة أم إلى البساطة والتقديرات غير المتحيزة.
تُفصّل هذه المقارنة الاختلافات الهيكلية الأساسية، وحالات الاستخدام العملية، والمفاضلات في الأداء بين تعلّم الرسم البياني الزمني ونمذجة التسلسل التقليدية. فبينما تُجسّد نمذجة التسلسل التطورات الخطية كالنصوص أو بيانات السلاسل الزمنية، يُعالج تعلّم الرسم البياني الزمني تفاعلات الشبكة والعلاقات المتغيرة مع الزمن في آنٍ واحد، مما يُوفر لك مخططًا شاملاً لاختيار البنية المناسبة.
