باختصار
استخدموا الاسترجاع حين يحتاج النموذج إلى حقائق متغيرة أو خاصة بكم: ضعوها في فهرس قابل للبحث واجلبوا المقاطع ذات الصلة فقط. واستخدموا الضبط الدقيق حين يحتاج النموذج إلى مهارة أو صيغة أو أسلوب يفتقر إليه. فإعادة التدريب لتحديث الحقائق تكرر تكاليف التدريب، بينما يهدر لصق مستندات كاملة في كل طلب طاقة الاستدلال، ولكل نهج موضعه.
الخطوات
- اكتبوا ما ينقص النموذج: حقائق، أم مهارة، أم صيغة، أم نبرة.
- ضعوا الحقائق المتغيرة أو الخاصة في فهرس قابل للبحث واسترجعوا المقاطع ذات الصلة فقط.
- اضبطوا محوّلًا صغيرًا ضبطًا دقيقًا فقط للمهارات أو الصيغ أو الأساليب التي لا تتحقق بصياغة الطلب.
- حدّثوا الفهرس حين يتغير المحتوى، معالجين ما تغيّر فقط.
- قيسوا الرموز (tokens) لكل طلب والجودة لكل خيار قبل أن تقرروا.
استرجعوا الحقائق؛ واضبطوا المهارات ضبطًا دقيقًا. فاختيار النهج الخطأ يعني الدفع مرارًا وتكرارًا، إما لإعادة التدريب وإما لطلبات متضخمة.
ما الفرق؟
- التوليد المعزَّز بالاسترجاع (RAG) يبحث عن المقاطع ذات الصلة في محتواكم الخاص ويقدّمها إلى النموذج مع السؤال. وقد قدّم Lewis وزملاؤه هذا النهج عام 2020 للمهام كثيفة المعرفة. ولا تتغير أوزان النموذج، لذا فتحديث المعرفة يعني تحديث فهرس.
- الضبط الدقيق يغيّر أوزان النموذج، أو محوّلًا صغيرًا مثل LoRA، حتى يتعلم سلوكًا: صيغة، أو مخطط تصنيف، أو أسلوبًا خاصًا بالمؤسسة.
أيهما يستهلك طاقة أقل؟
يعتمد ذلك على مدى تكرار تغيّر الأشياء ومقدار النص الذي يحمله كل طلب.
| الحالة | الأفضل في العادة |
|---|---|
| الحقائق تتغير أسبوعيًا أو شهريًا | الاسترجاع |
| مستندات خاصة، سياسات، بيانات منتجات | الاسترجاع |
| صيغة إخراج ثابتة أو مخطط وسم | الضبط الدقيق لنموذج صغير |
| حجم كبير جدًا ومهمة ضيقة | الضبط الدقيق، حتى تكون الطلبات قصيرة |
ويصف GreenCode، وهو مشروع بحثي ضمن ITEA، استخدامه الاسترجاع حتى لا يقرأ الذكاء الاصطناعي الخاص به إلا البيانات التي يحتاج إليها، ومعالجة ما تغيّر فقط بين التشغيلات.
أخطاء شائعة
- إعادة التدريب لإضافة حقائق. فكل تحديث يكرر كلفة التدريب.
- استرجاع من نوع "احشوا كل شيء في الطلب". فاسترجاع عشرين مقطعًا طويلًا حين يكفي مقطعان يضاعف رموز الإدخال. انظروا كيف تجعلون البحث المتجهي وRAG أكثر كفاءة.
- الضبط الدقيق لنموذج كبير حين يكفي نموذج صغير مضبوط.
للاطلاع على المبدأ الأوسع، اقرؤوا التنسيق بدلًا من التوليد.
المصادر
- Retrieval-augmented generation for knowledge-intensive NLP tasks, Lewis et al., NeurIPS (2020)
- Green AI and energy-aware computing, GreenCode (2026)
- LoRA: low-rank adaptation of large language models, Hu et al. (2021)
ذو صلة
كيف أجعل البحث المتجهي وRAG أكثر كفاءة؟
طرق لخفض حوسبة التوليد المعزّز بالاسترجاع: فهارس تقريبية، ومقاطع أقل وأقصر، وفهرسة تدريجية، ونماذج أصغر.
كيف أضبط نموذجًا ضبطًا دقيقًا من دون حوسبة ضخمة؟
كيف تكيّفون نموذجًا مدرَّبًا مسبقًا بالضبط الدقيق الموفّر للمعاملات مثل LoRA وQLoRA، ليتسع على GPU واحدة ويستهلك طاقة أقل بكثير.
التنسيق بدل التوليد
لماذا يمكن لإعادة استخدام مكوّنات مُراجَعة وتوجيه الطلبات إلى أصغر نموذج قادر أن يخفّضا استهلاك الذكاء الاصطناعي للطاقة، وماذا تقول الأدلة حتى الآن.
اختاروا النموذج المناسب للمهمة
كيف تختارون ذكاءً اصطناعيًا بالحجم المناسب: متى تستخدمون نماذج صغيرة أو متخصصة، ومتى يستحق نموذج متقدم كلفته، وكيف يعمل التوجيه، ومتى لا تستخدمون الذكاء الاصطناعي.