من البيانات إلى المعرفة: كيف تبني المؤسسة رأس مال معرفيًّا؟

قد تمتلك مؤسسة آلاف الوثائق والتقارير وسنوات من الخبرة المتراكمة، ومع ذلك يعجز موظف جديد عن العثور على إجابة لسؤال بسيط. المعلومات موجودة، لكنها موزّعة بين الملفات والأنظمة والبريد الإلكتروني، وربما في ذاكرة موظف غادر المؤسسة.

هنا تظهر مفارقة العصر الرقمي: امتلاك البيانات لا يعني امتلاك المعرفة. ومع توسّع استخدام الذكاء الاصطناعي، لم يعد التحدّي مجرد جمع المزيد من البيانات، بل تحويل ما تمتلكه المؤسسة إلى معرفة منظّمة، قابلة للوصول والتحقّق والاستفادة منها.

من الملفات المتفرّقة إلى المعرفة القابلة للاستخدام

تخيّل موظفًا يبحث عن إجراء داخلي محدّد. قد يجد ثلاث نسخ من السياسة نفسها، دون أن يعرف أيّها الأحدث. وإذا استعان بنظام ذكاء اصطناعي يعتمد على هذه الملفات، فقد يحصل على إجابة تبدو مقنعة لكنها تستند إلى نسخة قديمة. المشكلة هنا ليست بالضرورة في النموذج الذكي، بل في المعرفة التي أُتيحت له.

فتنظيم المعرفة ليس مهمة إدارية منفصلة عن الذكاء الاصطناعي، بل جزء من بناء نظام يمكن الاعتماد عليه.

كيف يجعل الذكاء الاصطناعي المعرفة متاحة؟

تتيح تقنية الاسترجاع المعزّز (RAG) ربط النموذج اللغوي بمصادر معلومات خارجية، مثل وثائق المؤسسة وسياساتها، لاسترجاع المحتوى ذي الصلة قبل صياغة الإجابة. ويمكن أن تتضمّن الإجابة إحالات إلى مصادرها، بما يسمح للمستخدم بالتحقّق منها.

عمليًّا، لا يبحث نظام RAG داخل «معرفة المؤسسة» بوصفها كتلة واحدة. تبدأ العملية بإعداد المحتوى بحيث يصبح قابلًا للاسترجاع، ثم يبحث النظام عند وصول السؤال عن أجزاء مرتبطة به ويقدّمها للنموذج ضمن سياق الإجابة. الورقة الأصلية التي قدّمت RAG وصفت الجمع بين ذاكرة النموذج البارامترية وذاكرة خارجية غير بارامترية يمكن استرجاع المعلومات منها، وهو ما يتيح ربط التوليد بمصادر خارج النموذج نفسه. (arxiv.org)

وهذا يفسّر لماذا لا يحلّ RAG مشكلة المعرفة المؤسسية وحده. إذا كانت السياسة القديمة والجديدة موجودتين معًا دون تمييز، فقد يسترجع النظام النصّ القديم. وإذا كانت الوثيقة الصحيحة غير قابلة للوصول بسبب صلاحيات أو فهرسة غير مناسبة، فلن يستفيد النموذج من وجودها أصلًا. وهنا تصبح إدارة المصدر جزءًا من جودة الإجابة: من يملك الوثيقة؟ هل ما زالت معتمدة؟ وما النسخة التي يجب أن تظهر للمستخدم؟

وتشير IBM إلى أن قواعد المعرفة المستخدمة في RAG تحتاج إلى تحديث مستمر للحفاظ على الجودة والملاءمة، وأن تصميم تقسيم الوثائق نفسه يؤثّر في الاسترجاع؛ فالجزء الكبير جدًّا قد يصبح عامًّا، بينما قد يفقد الجزء الصغير جدًّا تماسكه الدلالي. (ibm.com)

لكن هذه التقنية لا تضمن صحة كل إجابة؛ فقد يفشل النظام في استرجاع المعلومة المناسبة أو يعتمد على محتوى غير دقيق. لذلك، لا يكفي أن ترفع المؤسسة ملفاتها إلى منصة ذكية. عليها أيضًا تحديد الوثائق المعتمدة، وتحديثها، وضبط صلاحيات الوصول إليها، واختبار جودة الإجابات باستمرار.

الاسترجاع والتوليد مشكلتان مختلفتان

من الأخطاء الشائعة تقييم النظام من خلال مدى إقناع الإجابة فقط. فقد يصوغ النموذج إجابة جيدة لغويًّا استنادًا إلى مقطع غير مناسب، أو قد يفشل المسترجِع في إحضار الوثيقة الصحيحة أصلًا. لذلك من المفيد فصل سؤالين: هل استُرجعت المعرفة الصحيحة؟ ثم هل صيغت الإجابة بما يتّفق معها؟

هذا التفريق يظهر أيضًا في أنظمة تقييم RAG الحديثة؛ فالتقييم يمكن أن يفحص مرحلة الاسترجاع منفصلة، أو يفحص الاسترجاع والتوليد معًا. والهدف ليس افتراض أن إضافة قاعدة معرفة تجعل الإجابة صحيحة تلقائيًّا، بل قياس قدرة النظام على جلب المصدر المناسب ثم استخدامه بصورة صحيحة. (learn.microsoft.com)

القيمة ليست في كمية البيانات

يمكن النظر إلى المعرفة المؤسسية بوصفها أصلًا تتزايد قيمته عندما يصبح قابلًا للاستخدام، لا عندما يتضخّم حجمه فقط. فالمؤسسة التي توثّق خبراتها وتربط معلوماتها بمصادر واضحة تستطيع تقليل الاعتماد على الذاكرة الفردية، وتسهيل وصول الموظفين إلى الإجراءات، والاستفادة من المعرفة المتراكمة عند تطوير خدماتها.

لن تتحوّل البيانات إلى ميزة مؤسسية لمجرد امتلاكها أو ربطها بنموذج ذكاء اصطناعي. قيمتها الحقيقية تبدأ عندما تصبح معرفة موثوقة، محدَّثة، متاحة لمن يحتاجها، وقابلة للتحقّق. فالسؤال الذي ينبغي أن تطرحه المؤسسات ليس: كم بيانات نملك؟ بل: كم من هذه البيانات نستطيع تحويله إلى معرفة تساعدنا على العمل واتخاذ قرارات أفضل؟

متى تتحوّل البيانات إلى معرفة قابلة للاستخدام؟

يكون هذا الطرح مفيدًا عندما تمتلك المؤسسة محتوى تحتاج الفرق إلى الرجوع إليه بصورة متكرّرة: سياسات، إجراءات، أدلّة تشغيل أو معرفة متخصّصة، بشرط وجود طريقة لتحديد النسخ المعتمدة ومُلّاك المحتوى والصلاحيات ومواعيد التحديث.

أما إذا كانت الوثائق نفسها متناقضة أو غير محدَّثة أو مجهولة الملكية، فإن إضافة RAG قد تجعل الوصول إلى هذه الفوضى أسرع دون أن تجعلها معرفة موثوقة. وفي هذه الحالة يجب أن يسبق تحسينَ النموذج عملٌ على المحتوى نفسه: الاعتماد، والتحديث، وتنظيم الوصول، ثم اختبار الاسترجاع والإجابة.

الأسئلة الشائعة

هل يكفي رفع ملفات المؤسسة إلى نظام RAG؟

لا. وجود الملفات لا يضمن أن المسترجِع سيصل إلى الوثيقة الصحيحة، ولا أن المحتوى نفسه معتمد ومحدَّث. جودة قاعدة المعرفة وطريقة تنظيمها وتحديثها تؤثّر مباشرة في قيمة النظام.

هل يمنع RAG الهلوسة تمامًا؟

لا. يوفّر RAG للنموذج معلومات خارجية تساعد في تأصيل الإجابة، لكنه لا يضمن أن الاسترجاع سيكون صحيحًا، ولا أن النموذج سيستخدم السياق دون خطأ. ولهذا تتعامل مسارات التقييم البحثية مع جودة الاسترجاع وجودة التوليد باعتبارهما مشكلتين تحتاجان إلى قياس منفصل. (pages.nist.gov)

ما فائدة إظهار المصادر مع الإجابة؟

المصادر تسمح للمستخدم بالرجوع إلى الوثيقة والتحقّق من أن الإجابة تستند فعلًا إلى المحتوى المناسب. وكانت مشكلة إسناد المعلومات وتحديث المعرفة من الدوافع التي ناقشتها ورقة RAG الأصلية.

ماذا يحدث إذا كانت هناك نسختان متعارضتان من الوثيقة؟

قد تصبح كلتاهما مرشّحتين للاسترجاع ما لم توجد آلية تحدّد النسخة الصحيحة أو تستبعد القديمة. لذلك فإدارة دورة حياة الوثائق ليست منفصلة عن أداء نظام المعرفة.

كيف نعرف أن نظام RAG يعمل جيدًا؟

لا يكفي اختبار بعض الأسئلة يدويًّا. يجب فحص ما إذا كانت الوثائق الصحيحة تُسترجَع للأسئلة المقصودة، ثم فحص مدى توافق الإجابات معها. وأنظمة التقييم الحالية تفصل بالفعل بين تقييم الاسترجاع وتقييم الاسترجاع مع التوليد.

المراجع

1. Patrick Lewis وآخرون — Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv، ٢٠٢٠؛ نُشرت لاحقًا ضمن NeurIPS 2020). arxiv.org
2. IBM — What Is Retrieval-Augmented Generation (RAG)? (IBM، أكتوبر ٢٠٢٤ وحُدِّثت ٢٠٢٦) — جهة تجارية تبيع منتجات وخدمات في المجال نفسه. ibm.com
3. Microsoft — RAG evaluators (توثيق Azure AI Foundry) — جهة تجارية توثّق أدواتها الخاصة. learn.microsoft.com
4. NIST — TREC RAG Track Proceedings (المعهد الوطني الأمريكي للمعايير والتقنية). pages.nist.gov

ملاحظة تحريرية: وصف البيانات بأنها «رأس مال معرفي»، ومثال النسخ الثلاث من السياسة، إطار تحليلي وتوضيحي للمقال لا نتيجة واردة في المراجع أعلاه.