الضبط الدقيق أم RAG: تدريب نموذج ذكاء اصطناعي على بيانات شركتك أم تركه يبحث في مستنداتك

إذا أردت أن يجيب نموذج ذكاء اصطناعي عن الأسئلة من مستندات شركتك، فأنت في العادة لا تحتاج إلى تدريبه عليها. فالتوليد المعزَّز بالاسترجاع (RAG) يبحث في مستنداتك كلما ورد سؤال، ويمرّر المقاطع المطابقة إلى النموذج مع السؤال. أما الضبط الدقيق (fine-tuning) فيعني مواصلة تدريب نموذج قائم على أمثلة تُعدّها أنت. وتقول الأوراق البحثية وأدلة المورّدين إنه أنجع في تعليم النموذج تنسيقًا أو نبرة منه في تعليمه حقائق جديدة. واختبار بأسئلة حقيقية من عملك يبيّن أيّهما تحتاج، أو هل تحتاج إلى الاثنين معًا.

ما الفرق بين الضبط الدقيق وRAG؟

يتعلّم النموذج اللغوي الكبير (LLM)، وهو نوع الذكاء الاصطناعي الذي يقف وراء ChatGPT، ما يعرفه من النصوص التي دُرِّب عليها. والمستندات التي لم تغادر شركتك قط لم تكن جزءًا من تلك النصوص، لذا يجب أن يحصل عليها النموذج بطريقة أخرى.

في RAG، تبقى مستنداتك خارج النموذج في فهرس بحث، أي كتالوج للمقاطع مبني من ملفاتك. وحين يطرح أحدهم سؤالًا، يعثر النظام على المقاطع المطابقة ويضيفها إلى الموجّه، أي النص الذي يتلقاه النموذج. ولأن النظام يعرف المقاطع التي استخدمها، يستطيع أن يعرض المستند المصدر بجوار كل إجابة.

أما الضبط الدقيق فيواصل تدريب النموذج على أمثلة، يقرن كل منها سؤالًا أو مهمة بالإجابة التي تريدها. والنتيجة نسخة جديدة من النموذج. وما تعلّمه يتوزع على الأرقام الداخلية للنموذج، ولا يوجد ملف يبيّن من أين جاءت حقيقة بعينها.

يشرح دليل OpenAI «Optimizing LLM Accuracy»، الذي جرى الاطلاع عليه في 23 أكتوبر 2026، الفرق من خلال تشبيهه بامتحان. فـ RAG أشبه بأن يكون «الكتاب المدرسي معك» لتبحث فيه عن المعلومات. أما الضبط الدقيق فأشبه بحضور الدروس شهورًا والتعلّم من «أمثلة كثيرة متكررة».

ويضيف الدليل أن الطريقتين «تُضاف إحداهما إلى الأخرى، ولا تستبعد إحداهما الأخرى». ويقول أيضًا إن «كثيرًا من أكبر عمليات النشر لدى عملائنا في OpenAI أُنجزت باستخدام هندسة الموجّهات وRAG فقط». وهندسة الموجّهات تعني كتابة تعليمات وأمثلة أفضل للنموذج.

هل يمكننا ضبط نموذج ضبطًا دقيقًا على مستنداتنا ليعرف عملنا؟

تقول الأبحاث المنشورة إن تدريب نموذج على مستنداتك لا يعلّمه حقائق عملك على نحو موثوق. ففي دراسة نُشرت أول مرة في ديسمبر 2023، قارن Oded Ovadia وثلاثة مؤلفين مشاركين بين RAG والضبط الدقيق لنموذج على النص العادي للمستندات. ويقول ملخص الدراسة إن «RAG يتفوق عليه باستمرار»، وإن النماذج «تجد صعوبة في تعلّم معلومات واقعية جديدة» بهذه الطريقة. ويضيف أن عرض «تنويعات عديدة للحقيقة نفسها» على النموذج أثناء التدريب قد يساعد.

اختبرت ورقة بحثية صدرت عام 2024 لـ Zorik Gekhman وستة مؤلفين مشاركين الضبطَ الدقيق على أسئلة مقرونة بإجاباتها. فالأمثلة التي تتضمن حقائق جديدة «يجري تعلّمها أبطأ بكثير» من الأمثلة التي تتوافق مع ما يعرفه النموذج أصلًا. وحين تعلّمها النموذج فعلًا، أصبح أكثر ميلًا إلى تقديم إجابات خاطئة من حيث الوقائع. ويكتب المؤلفون أن نتائجهم تدعم الرأي القائل إن النماذج «تكتسب المعرفة بالحقائق في الغالب عبر التدريب المسبق»، أي التدريب الأصلي الذي يجريه صانع النموذج، وإن الضبط الدقيق «يعلّمها أن تستخدمها بكفاءة أكبر».

بالنسبة إلى الشركة، مكان الحقائق التي تتغير، مثل الأسعار أو صياغة السياسات، هو المستندات التي يبحث فيها النظام. فالنموذج المضبوط ضبطًا دقيقًا يحتفظ بما تعلّمه يوم دُرِّب، وتغيير ذلك يتطلب جولة تدريب أخرى.

متى يستحق الضبط الدقيق العناء؟

يقول دليل OpenAI إن العمل ينبغي أن ينصبّ على سلوك النموذج، لا على المعلومات التي يُزوَّد بها، حين «يُنتج نتائج غير متسقة بتنسيق غير صحيح»، أو حين تكون نبرته أو أسلوب كلامه «غير صحيح». وتأتي أولًا تعليمات وأمثلة أفضل في الموجّه، ثم يأتي الضبط الدقيق خطوةً تالية. ويذكر الدليل أيضًا الكفاءة سببًا للضبط الدقيق، أي الحصول على الدقة نفسها بنموذج أصغر أو بعدد أقل من الـ tokens. والـ token جزء من كلمة، ومزوّدو النماذج يتقاضون رسومهم لكل token.

فعلى سبيل المثال، يجب أن يعيد النموذج الذي يقرأ الفواتير بياناتها بالتنسيق نفسه تمامًا الذي يقبله نظامك المحاسبي. وقد تحتاج الردود التي تُصاغ للعملاء إلى أن تبدو كأنها صادرة عن فريق الدعم لديك. كما أن نموذجًا أصغر مضبوطًا ضبطًا دقيقًا قد يكلّف تشغيله أقل من نموذج عام كبير، إن بلغ الدقة التي تحتاجها.

يجب أن تشبه أمثلة التدريب العمل الحقيقي تمامًا. وينصح الدليل بالبدء بـ «50 مثالًا أو أكثر»، ثم الاختبار، وعدم إضافة المزيد إلا إذا كانت الأخطاء المتبقية تتعلق بسلوك النموذج. ويجب أن يكتب هذه الأمثلة أو يراجعها شخص يؤدي هذا العمل كل يوم، لذا أدرج ساعات عمله في الميزانية إلى جانب وقت العمل الهندسي.

مجموعة مستنداتنا صغيرة. هل نحتاج إلى RAG أصلًا؟

مع مجموعة صغيرة من المستندات، قد لا تحتاج إلى RAG أصلًا. فقد كتبت Anthropic، الشركة التي تقف وراء نماذج Claude، في تدوينة مؤرخة في 19 سبتمبر 2024: «إذا كانت قاعدة معارفك أصغر من 200,000 token (نحو 500 صفحة من المواد)، فيمكنك ببساطة أن تُدرج قاعدة المعارف بأكملها في الموجّه الذي تعطيه للنموذج، من دون حاجة إلى RAG أو أساليب مشابهة».

لكل نموذج حدّ لعدد الـ tokens التي يستطيع قراءتها دفعة واحدة. ويتيح التخزين المؤقت للموجّهات (prompt caching) للتطبيق أن يعيد استخدام نص أرسله في طلبات سابقة، مثل المجموعة نفسها من المستندات. وتقول التدوينة، التي جرى الاطلاع عليها في اليوم نفسه الذي جرى فيه الاطلاع على الدليل، إن التخزين المؤقت للموجّهات يخفض التكاليف «بنسبة تصل إلى 90%» مع Claude. ويحذّر دليل OpenAI من أن النماذج «قد تجد صعوبة في الحفاظ على الانتباه عبر الموجّهات الكبيرة جدًا»، لذا اختبر بالحجم الذي تخطط لاستخدامه.

ومع ذلك، يظل إرسال كل المستندات مع كل سؤال أكثر تكلفة من إرسال بضعة مقاطع، وتزداد التكلفة مع كل صفحة تضيفها. ويمكن أن يبدأ المشروع التجريبي بمجموعة صغيرة، مثل أدلة خط منتجات واحد، ثم ينتقل إلى RAG حين لا يعود الموجّه يتسع للمستندات.

ما الذي يمكن أن يسوء في RAG؟

قد يخفق نظام RAG قبل أن يكتب النموذج كلمة واحدة، حين يعيد البحث المقاطع الخطأ أو عددًا أكبر من اللازم منها. ويصف دليل OpenAI الحالتين كلتيهما. فقد يقدّم النظام «السياق الخطأ، فلا يستطيع النموذج الإجابة بأي حال من الأحوال». والخطر الآخر هو كثرة النص غير ذي الصلة، لأنه «يُغرق المعلومات الحقيقية ويتسبب في الهلوسات»، أي إجابات تبدو صحيحة لكنها خاطئة.

كثير من أنظمة RAG تبحث بالمعنى لا بالكلمات الحرفية، وهذا قد يُفوّت الرموز الدقيقة. وتضرب تدوينة Anthropic مثالًا بسؤال دعم عن رمز الخطأ TS-999. فقد يعثر بحث كهذا على صفحات عن رموز الأخطاء عمومًا ويُفوّت الصفحة الخاصة بـ TS-999. وتقترح التدوينة الجمع بينه وبين البحث بالكلمات المفتاحية، الذي يبحث عن النص الحرفي.

لذا اختبر البحث وحده. ففي كل سؤال اختبار، تحقّق مما إذا كان المقطع الصحيح قد عاد قبل أن تحكم على الإجابة. وإن لم يعد، فدليل OpenAI يشير إلى البحث بوصفه ما ينبغي إصلاحه.

أيهما يُبقي بياناتنا تحت السيطرة، RAG أم الضبط الدقيق؟

يمكن تشغيل الاثنين على خوادمك أنت. ففي RAG، تبقى مستنداتك في فهرس تتحكم فيه، ولا يرى النموذج إلا المقاطع المختارة لكل سؤال. أما الضبط الدقيق فيُدمج أمثلة التدريب في ملفات النموذج نفسها، وما تعلّمه النموذج منها قد يظهر مجددًا في إجاباته.

يسهّل RAG فرض صلاحيات الوصول، لأن البحث يستطيع أن يستبعد المستندات التي لا يحق للسائل رؤيتها. وتصف Microsoft إحدى طرق القيام بذلك في خدمتها Azure AI Search. فصفحتها عن نمط مرشّح الأمان (security filter)، التي جرى الاطلاع عليها في اليوم نفسه، تصف مرشّحًا «يقلّص نتائج البحث استنادًا إلى سلسلة نصية تتضمن هوية مجموعة أو مستخدم». وتقترح الصفحة هذا المرشّح للأنظمة التي لا تستطيع استخدام قوائم التحكم في الوصول المدمجة في الخدمة.

وتقول الصفحة نفسها إنه «لا توجد مصادقة ولا تفويض» في ذلك المرشّح نفسه، لذا يجب أن يمرّر تطبيقك المستخدم أو المجموعة الصحيحة مع كل عملية بحث. والنموذج المضبوط ضبطًا دقيقًا ليس فيه ما يعادل ذلك. فما تعلّمه من أمثلة قسم واحد قد يظهر في إجاباته لأي مستخدم لذلك النموذج.

اعتمد المجلس الأوروبي لحماية البيانات (EDPB)، الذي يتألف من ممثلين عن سلطات حماية البيانات الوطنية وعن المشرف الأوروبي على حماية البيانات، الرأي 28/2024 في 17 ديسمبر 2024. ويقول الرأي إن «نماذج الذكاء الاصطناعي المدرَّبة على بيانات شخصية لا يمكن، في جميع الحالات، اعتبارها مجهولة الهوية»، لأن البيانات الشخصية «قد تظل “ممتصّة” في معاملات النموذج». والمعاملات (parameters) هي الأرقام الداخلية التي يخزّن فيها النموذج ما تعلّمه. ويضيف الرأي أن تحديد ما إذا كان نموذج بعينه مجهول الهوية يجب أن يُقيَّم حالةً بحالة.

إذا أجريت الضبط الدقيق على تذاكر الدعم أو ملفات العملاء، فافترض أن النموذج نفسه قد يحمل بيانات شخصية. واسأل كيف ستتعامل مع طلب حذف سجلات شخص واحد. ففي RAG، بمجرد حذف المستند وتحديث الفهرس، لا يعثر عليه البحث بعد ذلك عند الأسئلة الجديدة. أما النسخ المحفوظة في سجلات التشغيل أو ذاكرات التخزين المؤقت أو سجلّات المحادثات المحفوظة، فتحتاج إلى تنظيف خاص بها. وتختلف القواعد من بلد إلى آخر، وهذه المقالة ليست استشارة قانونية، لذا تحقّق من حالتك مع محامٍ.

إلى متى يظل النموذج المضبوط ضبطًا دقيقًا يعمل؟

يُبنى النموذج المضبوط ضبطًا دقيقًا على نموذج أساسي، أي النموذج العام الذي بدأت منه. وإذا أجريت الضبط الدقيق عبر خدمة سحابية، فالمزوّد هو من يقرر إلى متى يبقى ذلك النموذج الأساسي متاحًا، ومعه نسختك منه. وتقول صفحة أسعار API لدى OpenAI، التي جرى الاطلاع عليها في اليوم نفسه: «OpenAI بصدد الإيقاف التدريجي لمنصة الضبط الدقيق». وتضيف أن النماذج المضبوطة ضبطًا دقيقًا تبقى متاحة إلى أن تُعلَن نماذجها الأساسية متقادمة (deprecated)، وهو المصطلح الذي تطلقه OpenAI على النماذج التي تعتزم إيقافها.

وتذكر صفحة إيقاف النماذج لدى OpenAI التواريخ. فمنذ 7 مايو 2026، لم يعد بإمكان المؤسسات التي لم تُجرِ ضبطًا دقيقًا قط أن تبدأ. ومنذ 2 يوليو 2026، انطبق الأمر نفسه على المؤسسات التي لم تستخدم نموذجًا مضبوطًا ضبطًا دقيقًا خلال الـ 60 يومًا السابقة. وفي 6 يناير 2027، «لن يتمكن العملاء الحاليون النشطون من إنشاء مهام ضبط دقيق جديدة».

وتحدد الصفحة نفسها أيضًا تواريخ انتهاء للنماذج ذاتها. فهي تُدرج 23 أكتوبر 2026 تاريخًا لإيقاف النسخ المضبوطة ضبطًا دقيقًا من gpt-4.1-nano وخمسة نماذج أخرى. وتليها في 14 يناير 2027 نماذج GPT-4o وGPT-4o mini وGPT-4.1 وGPT-4.1 mini، و«تتبع النسخ المضبوطة ضبطًا دقيقًا من هذه النماذج جدول الإيقاف نفسه الذي تتبعه نماذجها الأساسية».

أما النماذج مفتوحة الأوزان، التي ينشر صانعوها ملفاتها ليشغّلها أي شخص بموجب ترخيص، فلا يزال بالإمكان ضبطها ضبطًا دقيقًا على عتادك أنت. ونموذج gpt-oss-120b من OpenAI واحد منها، وصفحته على موقع النماذج Hugging Face، التي جرى الاطلاع عليها في اليوم نفسه، تذكر ترخيص Apache 2.0. وتقول الصفحة إن النموذج «يمكن ضبطه ضبطًا دقيقًا على عقدة H100 واحدة»، أي خادم واحد مزوّد بوحدات GPU من طراز Nvidia H100، وهو نوع الرقائق الذي تذكره الصفحة لتشغيل النموذج.

وسواء أكان النموذج يعمل في سحابة المزوّد أم على عتادك أنت، فإن النموذج الأساسي الجديد يعني جولة أخرى من الضبط الدقيق والاختبار. ونظام RAG يحتاج هو أيضًا إلى إعادة الاختبار حين يتغير النموذج الذي يكتب الإجابات، لكن الفهرس ومستنداتك تبقى كما هي.

كم يكلّف بناء RAG والضبط الدقيق وتشغيلهما؟

لا تُذكر هنا أرقام، لأنها تتوقف على أحجامك وإعدادك. غير أن بنود الفاتورة تختلف بين الحالتين.

في RAG، يتمثل عمل البناء في تجهيز المستندات بحيث يمكن البحث فيها جيدًا، وبناء الفهرس، واختبار البحث. وتشمل تكاليف التشغيل خدمة البحث والموجّهات الأطول، لأن كل سؤال يحمل معه المقاطع التي عُثر عليها له. ويمكن أن تجري إعادة الفهرسة تلقائيًا حين يُضاف ملف أو يتغير.

في الضبط الدقيق، قد يكون جزء كبير من التكلفة وقتَ الموظفين، لأن الأشخاص الذين يعرفون المهمة هم من يكتبون أمثلة التدريب ويراجعونها. ثم تأتي جولات التدريب، والخوادم أو الخدمة التي تستضيف النموذج الجديد. ونموذج أساسي جديد أو مهمة جديدة يعني دفع ثمن هذا العمل مرة أخرى.

وبعض الأنظمة يحتاج إلى الاثنين. فإذا أظهرت الاختبارات الأولى مشكلات في الحقائق وفي التنسيق معًا، يقول دليل OpenAI إنه «من المرجّح أن ينتهي بك الأمر إلى الضبط الدقيق + RAG». وعندها تدفع تكلفة كل منهما.

هل نختار RAG أم الضبط الدقيق، وماذا ينبغي أن نسأل شركةً تعرض بناء النظام؟

ابدأ بمجموعة اختبار مكوّنة من أسئلة أو مستندات حقيقية من عملك، لكلٍّ منها إجابة تحقّق منها شخص. ويقول دليل OpenAI إن مجموعة من «20 سؤالًا وإجابة أو أكثر»، بعد أن تنظر في أسباب الإخفاقات، تمنحك «خط الأساس الصحيح» للأساليب الأكثر تقدمًا. وتشرح المقالة عن مشروع الذكاء الاصطناعي التجريبي المتعثر كيف تُبنى هذه المجموعة.

ثم جرّب موجّهًا مكتوبًا جيدًا مع RAG، وصنّف الإخفاقات حسب أسبابها. فالمقطع الغائب يعني أن البحث يحتاج إلى عمل. وأحيانًا يعود المقطع الصحيح ومع ذلك يسيء النموذج فهمه أو يجيب بتنسيق خاطئ. وفي هذه الحالة، يقترح الدليل تعليمات أفضل أولًا، ثم الضبط الدقيق إذا تحسّنت الإجابات بإضافة بضعة أمثلة محلولة إلى الموجّه.

اطرح الأسئلة نفسها على كل شركة تقترح تصميمًا:

• ما النتائج على مجموعة الاختبار لدينا التي دفعتكم إلى اقتراح الضبط الدقيق؟
• كيف سيمنع النظام الموظفين من رؤية مستندات لا يحق لهم فتحها؟
• إذا أجريتم الضبط الدقيق، فمن يكتب أمثلة التدريب، وماذا يحدث حين يُوقَف النموذج الأساسي؟
• بعد الإطلاق، كيف نحذف مستندًا أو بيانات شخص واحد؟

أين موقع amBrain من ذلك؟

مشروع النماذج اللغوية الوحيد الذي تصفه amBrain علنًا هو التالي: «أوصلنا تكاملًا مع LLM إلى الإنتاج داخل محيط FinTech لدى أحد العملاء: استخراج إشعارات غير مهيكلة من الوسطاء ومنصات التداول وتطبيعها — إجراءات الشركات، وتغييرات الأدوات المالية والهامش — إلى سجلات مهيكلة يستهلكها نظام التداول».

هذه المقالة ليست دراسة حالة، ولا تصف أي عمل لعميل. ولا يقول السطر المقتبس هل يستخدم ذلك النظام RAG أم الضبط الدقيق أم لا هذا ولا ذاك، ولا أي نموذج يستخدم، ولا أين يعمل ذلك النموذج. والأمثلة في هذه المقالة عامة، وليست مأخوذة من ذلك المشروع ولا من أي عمل آخر لـ amBrain.

الشركات والهيئات العامة والنماذج والأوراق البحثية المذكورة هنا مستشهَد بها من صفحاتها المنشورة، ولا تدّعي المقالة أي علاقة بين amBrain وأي منها. ولا تذكر المقالة أسعارًا أو جداول زمنية أو شروطًا لـ amBrain.

تبني amBrain البرمجيات منذ عام 2019. وتعمل بثلاث صيغ: تسليم كامل، أو فريق مخصّص، أو مهندسون مدمجون في فريقك. أما في الملكية فسطرها هو: «يحتفظ العميل بالملكية الكاملة للمنتج وللكود، باستثناء مكوّناتنا القابلة لإعادة الاستخدام». وإن كانت amBrain في قائمتك المختصرة، فأعطها الأسئلة نفسها التي تعطيها لأي شركة أخرى.