يُتيح تعزيز الذاكرة الخارجية لأنظمة الذكاء الاصطناعي مخزنًا معرفيًا منفصلاً وقابلاً للبحث، يمكنها الاستعانة به أثناء الاستدلال، بينما تُدمج ذاكرة النموذج الداخلية المعرفة مباشرةً في أوزان الشبكة العصبية أثناء التدريب. ويُوازن كل نهج بين المرونة وسرعة الاستجابة وعمق الاستدلال بطرق مختلفة.
نهج قائم على الاسترجاع حيث تصل نماذج الذكاء الاصطناعي إلى المعلومات المخزنة من مصادر خارجية أثناء الاستدلال بدلاً من الاعتماد فقط على المعلمات المتعلمة.
المعرفة المشفرة مباشرة داخل معلمات الشبكة العصبية من خلال التدريب، مما يسمح للنموذج باسترجاع المعلومات دون الحاجة إلى عمليات بحث خارجية.
| الميزة | زيادة الذاكرة الخارجية | ذاكرة النموذج الداخلية |
|---|---|---|
| موقع تخزين المعرفة | قاعدة بيانات متجهة منفصلة أو مخزن مستندات | مُشفّرة ضمن معلمات النموذج (الأوزان) |
| طريقة التحديث | إضافة أو تعديل المستندات في المخزن الخارجي | أعد تدريب النموذج أو اضبطه بدقة |
| زمن استدلال البيانات | أعلى بسبب خطوة الاسترجاع | تمريرة أمامية واحدة منخفضة |
| قابلية توسيع المعرفة | غير محدود عمليًا، ويتوسع مع سعة التخزين | محدود بحجم النموذج وبيانات التدريب |
| خطر الهلوسة | انخفاض عندما تكون عملية الاسترجاع دقيقة | أعلى، خاصة بالنسبة للحقائق الغامضة أو الحديثة |
| التكلفة الحسابية | انخفاض تكلفة التدريب، وارتفاع تكلفة الاستعلام الواحد | تكلفة تدريب عالية، تكلفة منخفضة لكل استعلام |
| الشفافية | يمكن الاستشهاد بالمصادر مباشرة | المعرفة مبهمة، وتتوزع على أوزان مختلفة |
| الأنسب لـ | المعرفة الديناميكية، البحث المؤسسي، أسئلة وأجوبة واقعية | التفكير المنطقي العام، والمهام الإبداعية، وطلاقة المحادثة |
تعتمد تقنية تعزيز الذاكرة الخارجية على بناء المعرفة خارج النموذج، وذلك عادةً عن طريق تضمين المستندات في متجهات وتخزينها في قاعدة بيانات يستعلم عنها النموذج عند الحاجة. أما ذاكرة النموذج الداخلية فتعمل بطريقة معاكسة: حيث تُدمج الحقائق في مليارات الأوزان الرقمية أثناء التدريب، لتصبح جزءًا من النسيج العصبي للنموذج. يتعامل النهج الأول مع الذاكرة كمكتبة يزورها النموذج، بينما يتعامل معها النهج الثاني كخبرة عملية يحملها النموذج معه.
عند ظهور معلومات جديدة، يمكن تحديث أنظمة الذاكرة الخارجية في غضون دقائق بتحديث قاعدة البيانات. أما نماذج الذاكرة الداخلية فتتطلب عمليات إعادة تدريب أو ضبط دقيقة مكلفة قد تستغرق أسابيع وتكلف ملايين الدولارات. وهذا يجعل التوسع الخارجي أكثر جدوى في المجالات التي تتغير فيها المعلومات بسرعة، مثل قواعد البيانات القانونية، والإرشادات الطبية، وقوائم المنتجات.
تميل الذاكرة الخارجية إلى ربط الإجابات بمصادر موثوقة، مما يقلل بشكل كبير من الإجابات الملفقة عندما تُعيد خطوة الاسترجاع مقاطع ذات صلة. أما نماذج الذاكرة الداخلية، فتستطيع إنتاج حقائق تبدو معقولة ولكنها غير صحيحة، خاصةً في المواضيع المتخصصة أو أي شيء ظهر بعد انتهاء فترة تدريبها. غالبًا ما تتفوق الأنظمة الهجينة التي تجمع بين كلا النهجين على أي منهما على حدة في المعايير الواقعية.
تتفوق الذاكرة الداخلية من حيث سرعة الاستدلال الخام لعدم حاجتها إلى خطوة استرجاع، مما يجعلها مثالية للتطبيقات الحساسة للتأخير مثل روبوتات المحادثة ومساعدي البرمجة. تضيف الذاكرة الخارجية خطوة استرجاع قد تزيد من وقت الاستعلام من 100 إلى 500 مللي ثانية، لكنها تقلل بشكل كبير من عدد المعلمات اللازمة لنطاق معرفي محدد. تستخدم العديد من أنظمة الإنتاج حاليًا نماذج أصغر حجمًا مع ذاكرة خارجية غنية بدلًا من النماذج الضخمة التي تحتوي على كل شيء مدمجًا.
تتفوق الذاكرة الداخلية في الاستدلال المجرد والقياس والتركيب الإبداعي، لأن المعرفة فيها مُدمجة بعمق مع دوائر الاستدلال في النموذج. أما الذاكرة الخارجية، فهي أشبه بأداة بحث، ممتازة للحقائق، لكنها أقل فعالية في دمج الأفكار بطرق مبتكرة. ويركز البحث العلمي في مجال الذكاء الاصطناعي بشكل متزايد على الأنظمة التي تجمع بين النوعين، مستخدمةً الذاكرة الداخلية للاستدلال والذاكرة الخارجية للربط بين المعلومات.
يؤدي تعزيز الذاكرة الخارجية إلى القضاء التام على الهلوسة في أنظمة الذكاء الاصطناعي.
على الرغم من أن ترسيخ الاسترجاع يقلل بشكل ملحوظ من الهلوسات، إلا أنه لا يقضي عليها تمامًا. فإذا أسفرت خطوة الاسترجاع عن مستندات غير ذات صلة أو ذات جودة منخفضة، فقد يُنتج النموذج إجابات خاطئة. وتعتمد فعالية النموذج بشكل كبير على جودة التضمينات، واستراتيجية التجزئة، وترتيب الصلة في أداة الاسترجاع.
تتذكر النماذج الأكبر حجماً حقائق أكثر بشكل موثوق من النماذج الأصغر حجماً.
يُحسّن التوسع متوسط الاستدعاء، لكنه لا يضمن الاتساق. وقد أظهرت الأبحاث أن حتى النماذج الكبيرة قد تفشل في استرجاع الحقائق التي صادفتها بوضوح أثناء التدريب، خاصةً عندما تُصاغ الأسئلة بشكل مختلف عن السياق الأصلي. يُعدّ الحفظ في الشبكات العصبية ترابطيًا وهشًا مقارنةً بالتخزين الصريح في قواعد البيانات.
لا تحتاج أنظمة RAG إلى أي تدريب أو ضبط دقيق.
مع أن قاعدة المعرفة نفسها لا تتطلب تدريبًا، إلا أن أنظمة RAG الإنتاجية تستفيد بشكل كبير من ضبط مُسترجع البيانات، ونموذج التضمين، وأحيانًا المُولِّد. غالبًا ما تكون أداء مسارات RAG الجاهزة أقل بكثير من أداء المسارات المُخصصة في المهام الخاصة بمجالات محددة.
يتم تثبيت ذاكرة النموذج الداخلية بشكل دائم بمجرد انتهاء التدريب.
تتيح التقنيات الحديثة، مثل التعلم المستمر، والضبط الدقيق لـ LoRA، وتعديل النموذج، إجراء تحديثات مُستهدفة للمعرفة الداخلية للنموذج دون الحاجة إلى إعادة تدريبه بالكامل. ويمكن لأساليب مثل ROME وMEMIT تعديل حقائق مُحددة في أوزان النموذج مباشرةً، إلا أن هذه الأساليب لا تزال أقل موثوقية من مجرد تحديث قاعدة بيانات خارجية.
الذاكرة الخارجية والذاكرة الداخلية هما نهجان متنافيان.
تستخدم معظم أنظمة الذكاء الاصطناعي الحديثة كلا الأسلوبين معًا. قد يعتمد النموذج على أوزان داخلية للاستدلال العام وطلاقة اللغة، بينما يستخلص حقائق محددة من قاعدة بيانات خارجية. صُممت أطر عمل مثل LangChain وLlamaIndex خصيصًا لتنسيق هذا السلوك الهجين.
اختر توسيع الذاكرة الخارجية عندما يتطلب تطبيقك معلومات محدّثة، وتحديد المصدر، والقدرة على تحديث المعرفة دون إعادة التدريب. اختر ذاكرة النموذج الداخلية عندما تحتاج إلى استدلال سريع، وقدرة استدلالية قوية، ونظام مكتفٍ ذاتيًا لا يعتمد على بنية تحتية خارجية. عمليًا، تجمع أنظمة الذكاء الاصطناعي الأكثر كفاءة اليوم بين الاثنين، حيث تستخدم الاسترجاع لتحديد الحقائق والأوزان الداخلية للاستدلال عليها.
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.
