الفرق بين RAG والضبط الدقيق للنماذج: متى تختارون كلاً منهما؟
الاسترجاع يغيّر ما يراه النموذج، والضبط الدقيق يغيّر سلوكه. نقارن بينهما في الكلفة والتحديث وذكر المصادر والصيانة، مع جدول للاختيار واختبار للتعليمات قبل البدء.
لفهم الفرق بين RAG والضبط الدقيق للنماذج، لا تنظروا إليهما على أنهما طريقتان لتعليم النموذج معلوماتكم، وإلا فقد تختارون الطريقة الخطأ. فالتوليد المعزز بالاسترجاع (RAG) يغيّر ما يراه النموذج وقت الإجابة: يبحث النظام في مستنداتكم ويضع المقاطع المناسبة أمام النموذج قبل أن يجيب. أما الضبط الدقيق (fine-tuning) فيغيّر سلوك النموذج نفسه، إذ يعيد تدريبه على أمثلة من عملكم حتى يصبح شكل معيّن للإجابة أو أسلوب أو تصنيف عادة ثابتة لديه. إذا كانت المشكلة معلومات ناقصة أو متغيرة فاختاروا الاسترجاع. وإذا كانت المشكلة سلوكاً غير ثابت في مهمة تتكرر بكثرة ففكّروا في الضبط الدقيق. وقبل أن تدفعوا كلفة أيّ منهما، جرّبوا تعليمات أفضل للنموذج.
الفرق بين RAG والضبط الدقيق للنماذج: ماذا يغيّر كل منهما؟
جاء مصطلح RAG من ورقة بحثية نشرها باتريك لويس وزملاؤه عام 2020 بعنوان Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. جمعت الورقة بين نموذج لغوي يحفظ معرفته داخل أوزانه، أي القيم التي تعلّمها أثناء التدريب، وفهرس قابل للبحث من ويكيبيديا يقرأ منه النموذج عند الإجابة. وتطبّق أنظمة RAG في الشركات الفكرة نفسها على سياساتكم وعقودكم وأدلة العمل لديكم.
أما الضبط الدقيق فيعمل على الأوزان نفسها. تقدّمون أمثلة لمدخلات مع الإجابات التي تريدونها، فيعدّل التدريب النموذج ليقترب منها. ويقارن الجدول التالي بين الطريقتين وبين الخيار الأرخص، أي تحسين التعليمات المكتوبة للنموذج (prompt).
| السؤال | تعليمات أفضل | RAG | الضبط الدقيق |
|---|---|---|---|
| ما الذي يتغيّر؟ | التعليمات والأمثلة التي يقرؤها النموذج | المستندات التي يقرؤها النموذج وقت الإجابة | أوزان النموذج نفسه |
| تحديث معلومة | تعديل التعليمات | استبدال المستند وإعادة فهرسته | إعادة التدريب على أمثلة جديدة |
| هل تُظهر الإجابة مصدرها؟ | لا، إلا إذا كان المصدر داخل التعليمات | نعم، إذا كان النظام يعرض المقاطع التي استرجعها | لا، فالمعرفة لا ترتبط بمستند يمكن الرجوع إليه |
| حذف معلومة | حذفها من التعليمات | حذفها من الفهرس | إعادة التدريب من دونها |
| العمل المطلوب في البداية | كتابة التعليمات واختبارها | تنظيف المستندات وفهرستها وتحديد صلاحيات الوصول والاختبار | جمع الأمثلة وتصنيفها وجولات التدريب والاختبار |
| الكلفة الأساسية أثناء التشغيل | طول التعليمات | البحث مع تعليمات أطول | استضافة النموذج المخصص أو استخدامه |
| المهارات المطلوبة | مسؤول عن سير العمل يكتب تعليمات واضحة | هندسة البيانات وتحسين نتائج البحث | تعلّم الآلة والتقييم |
يوضّح الجدول أن الدقة ليست المعيار الوحيد. فالاسترجاع يُبقي المعرفة خارج النموذج، حيث تستطيعون قراءتها وتعديلها وحذفها. أما الضبط الدقيق فينقل المعرفة إلى داخل النموذج، ولا تستطيعون فعل أيّ من ذلك بعدها إلا بجولة تدريب جديدة.
لماذا ننصح بتحسين التعليمات أولاً
ننصح بإعداد مجموعة أسئلة للتقييم وكتابة تعليمات متقنة قبل بناء أيّ من الطريقتين. ويقترح دليل تحسين النماذج من OpenAI الترتيب نفسه: يبدأ باختبارات تقيس جودة الإجابات، ثم بتحسين التعليمات، ويرى أن الضبط الدقيق مفيد في بعض الحالات. فتعديل التعليمات قليل الكلفة، ويكشف بسرعة هل يستطيع النموذج أداء المهمة أصلاً.
للاختبار العادل أربعة أجزاء: دور النموذج، والقواعد، وثلاثة إلى خمسة أمثلة محلولة، وعيّنة من المستندات الحقيقية داخل التعليمات. شغّلوه على 30 إلى 50 سؤالاً حقيقياً متفقاً على إجاباتها. إذا نجح، فقد لا تحتاجون إلى أيّ من الطريقتين، بل إلى تعليمات موحّدة يستخدمها الفريق. وإذا فشل لأن المعلومات ناقصة أو قديمة، فالحل الأقرب هو الاسترجاع. وإذا فشل لأن شكل الإجابة أو التصنيف لا يثبت، فالحل الأقرب هو الضبط الدقيق.
يشرح مقالنا عن اختبار النماذج اللغوية بالعربية طريقة إعداد هذه الأسئلة للعمل بالعربية أو بالعربية والإنجليزية معاً. والأسئلة نفسها تخبركم لاحقاً هل حسّن RAG أو الضبط الدقيق النتائج فعلاً. وتساعدكم خدمة اختبارات تقييم الوكلاء على إعداد أسئلة بإجابات متوقعة تتحقق من أداء المساعد قبل إطلاقه وبعد كل تغيير.
متى يكون الاسترجاع هو الحل
اختاروا RAG عندما تعتمد الإجابات على مستندات تتغيّر، أو عندما يحتاج المستخدمون إلى معرفة مصدر الإجابة، أو عندما يحق لموظفين مختلفين رؤية مستندات مختلفة. وتنطبق هذه الشروط على السياسات والإجراءات وشروط المنتجات وتعاميم الجهات الرقابية.
مثال توضيحي: شركة تأمين أردنية تريد أن يجيب موظفو مركز الاتصال بالعربية عن أسئلة حول نصوص وثائق التأمين. تتغيّر شروط الوثائق في كل موسم تجديد، ويحتاج المشرفون إلى معرفة البند الذي استندت إليه كل إجابة. لو اختارت الشركة الضبط الدقيق لثبّتت نصوص الموسم الماضي داخل النموذج. أما الاسترجاع فيسمح لها باستبدال المستندات، وعرض البند بجانب كل إجابة، وحصر ما يراه كل موظف في المنتجات التي يبيعها.
وللاسترجاع كلفته أيضاً. فالمستندات العربية الممسوحة ضوئياً تحتاج إلى فحص جودة التعرّف الضوئي على النصوص (OCR)، واختلافات الإملاء تحتاج إلى توحيد، ولا بد من شخص يحدّث الفهرس ويُبقي صلاحيات الوصول متوافقة مع أنظمتكم. ويشرح مقالنا عن بناء مساعد يجيب من مستندات الشركة بالعربية هذه الخطوات. وحين تكون المعرفة محفوظة في أرشيف المستندات أو جداول البيانات، قد يكون الاسترجاع أول طبقة مفيدة فوق الأنظمة القديمة قبل استبدال أيّ شيء.
متى يستحق الضبط الدقيق كلفته
يفيد الضبط الدقيق عندما تكون المهمة محددة وتتكرر بكثرة، ولا تكفي التعليمات بعد اختبارها لتثبيت السلوك. ويذكر دليل OpenAI، الذي تنقله الشركة إلى الوثائق القديمة مع إيقاف منصة الضبط الدقيق لديها، فوائده: إجابات أكثر ثباتاً في شكلها، وأمثلة أكثر مما تتسع له التعليمات، وتعليمات أقصر، ونموذج أصغر وأرخص لمهمة واحدة. ومن المهام المناسبة له التصنيف، واستخراج البيانات في شكل ثابت، والالتزام بأسلوب كتابة خاص بالمؤسسة.
مثال توضيحي: شركة لوجستية إماراتية تفرز رسائل العملاء الواردة، المكتوبة بالعربية أو الإنجليزية أو بمزيج منهما، في عدد ثابت من أنواع الطلبات. الفئات لا تتغيّر، والرسائل كثيرة، والرسالة التي تذهب إلى القسم الخطأ تؤخّر شحنة. وبعد اختبار التعليمات، ظل التصنيف غير ثابت في الرسائل المختلطة. هنا قد يكون نموذج أصغر خضع للضبط الدقيق على رسائل مصنّفة أرخص في كل مرة يُستخدم فيها وأكثر ثباتاً من نموذج كبير بتعليمات طويلة. فالمعلومات لا تتغيّر، والمطلوب هو تحسين السلوك.
ولا يعني الضبط الدقيق دائماً إعادة تدريب النموذج كله. فبعض الطرق، مثل LoRA التي نشرها الباحث إدوارد هو (Edward Hu) وزملاؤه عام 2021، تدرّب أجزاء صغيرة تُضاف إلى النموذج بدلاً من تدريبه كله. وتذكر ورقة LoRA أنها، مقارنةً بالضبط الدقيق الكامل لنموذج GPT-3 175B، يمكن أن تخفّض عدد القيم التي تحتاج إلى تدريب إلى جزء من 10,000، وأن تخفّض ذاكرة معالجات الرسوميات (GPU) المطلوبة إلى الثلث. هذا يقلّل كلفة التدريب، لكنه لا يقلّل كلفة جمع أمثلة جيدة أو إعادة الاختبار مع كل إصدار.
كلفة صيانة النموذج بعد الضبط الدقيق
يرتبط النموذج الذي خضع للضبط الدقيق بالنموذج الأساسي وبالمنصة التي درّبته. وإذا تغيّر أيّ منهما، فإما أن تعيدوا التدريب أو تخسروا النموذج. وهناك مثالان حاليان على ذلك.
- تذكر صفحة إيقاف الخدمات في OpenAI أن المؤسسات التي لم تستخدم الضبط الدقيق من قبل لم تعد تستطيع البدء به منذ 7 مايو 2026. ومنذ 2 يوليو 2026 توقف إنشاء مهام التدريب للمؤسسات التي لم تستخدم نموذجاً خضع للضبط الدقيق خلال آخر 60 يوماً. وابتداءً من 6 يناير 2027 لن يستطيع العملاء الحاليون النشطون إنشاء مهام ضبط دقيق جديدة. أما النماذج الحالية التي خضعت للضبط الدقيق فتبقى تعمل حتى يتوقف نموذجها الأساسي. وقد حددت OpenAI يوم 14 يناير 2027 لإيقاف النماذج الأساسية GPT-4o وGPT-4o mini وGPT-4.1 وGPT-4.1 mini.
- تذكر صفحة الضبط الدقيق في Amazon Bedrock، التي راجعناها في 31 أكتوبر 2026، أن Claude 3 Haiku ما زال نموذج Anthropic الوحيد في قائمة النماذج التي تقبل الضبط الدقيق هناك، في منطقة غرب الولايات المتحدة (أوريغون). لكن صفحة مواعيد إيقاف النماذج في Bedrock تبيّن أن هذا النموذج توقف عن العمل في تلك المنطقة يوم 10 سبتمبر 2026، أي أن الخيار الوحيد من Anthropic في تلك القائمة لم يعد متاحاً. أما بقية النماذج في تلك القائمة فهي من Amazon (Nova وTitan) وMeta (Llama). وكل المناطق المذكورة في صفحة الضبط الدقيق تقع في الولايات المتحدة. وهذا مهم لأي مؤسسة سعودية أو إماراتية لديها قواعد تحدد مكان معالجة بياناتها، قبل أن تخرج بيانات التدريب من البلد.
كيف يتقادم نظام الاسترجاع
أما الاسترجاع فيتقادم بطريقة مختلفة. فعندما يظهر نموذج أفضل، يستطيع نظام RAG أن يغيّر النموذج الذي يكتب الإجابات ويعيد تشغيل أسئلة التقييم، وتبقى المستندات والفهرس كما هي. أما تغيير نموذج التضمين، أي النموذج الذي يحوّل النصوص إلى صيغة قابلة للبحث، فمهمة أكبر لأن الفهرس يجب أن يُبنى من جديد.
وينطبق المنطق نفسه على حذف البيانات. فإذا كانت بيانات شخصية ضمن أمثلة التدريب، فحذفها يتطلب جولة تدريب جديدة. أما في نظام RAG فتحذفون المستند من الفهرس ومن أي نسخ أو سجلات محفوظة، فيتوقف ظهوره في الإجابات. هذه معلومات عامة وليست استشارة قانونية، والتزاماتكم تتوقف على قطاعكم وطبيعة بياناتكم.
جدول للاختيار بين الطريقتين
| ما تحتاجونه | ابدؤوا بـ |
|---|---|
| إجابات تتبع مستندات تتغيّر كل شهر أو أسرع | RAG |
| المستخدمون أو المدققون يحتاجون إلى رؤية مصدر كل إجابة | RAG |
| يحق لموظفين مختلفين رؤية مستندات مختلفة | RAG، مع تطبيق صلاحيات الوصول وقت البحث |
| شكل إجابة أو تصنيفات محددة لا يلتزم بها النموذج رغم اختبار التعليمات | الضبط الدقيق |
| مهمة واحدة محددة تتكرر بكثرة، وكلفة كل استخدام تهمّكم | الضبط الدقيق لنموذج أصغر |
| أسلوب كتابة خاص لا تحافظ عليه التعليمات | الضبط الدقيق، بعد اختبار التعليمات |
| بيانات شخصية قد يُطلب منكم حذفها | RAG، مع إبقاء هذه البيانات خارج أمثلة التدريب |
| النموذج يؤدي المهمة جيداً بتعليمات جيدة | لا هذا ولا ذاك، بل وحّدوا التعليمات |
بعض الأنظمة تحتاج إلى الطريقتين معاً: نموذج خضع للضبط الدقيق يحافظ على شكل الإجابة، ويغذّيه الاسترجاع بالمعلومات الحديثة. ولا ننصح بإضافة الطريقة الثانية إلا بعد قياس نتائج الأولى، حتى تعرفوا أيّهما حسّن النتائج. وإذا كنتم تدرسون الفرق بين RAG والضبط الدقيق للنماذج من أجل مساعد واحد، فابدؤوا بالاسترجاع لأنه أسهل في الفحص وفي التراجع عنه.
كيف تبدؤون
اختاروا حالة استخدام واحدة، واكتبوا 30 إلى 50 سؤالاً حقيقياً متفقاً على إجاباتها. شغّلوا عليها تعليمات متقنة، ثم قرّروا بناءً على مواضع الفشل لا على عرض تجريبي من شركة مورّدة. يبني مختبر التحوّل منصات الاسترجاع والتطبيقات المخصصة ضمن خدمة تطبيقات الذكاء الاصطناعي المخصصة وتحديث الأنظمة القديمة. وإذا لم تكونوا متأكدين من جاهزية حالة الاستخدام، فإن مسح مخاطر الذكاء الاصطناعي محادثة مجانية مدتها 45 دقيقة تنتهي بخطوة تالية مكتوبة.
أسئلة شائعة
هل RAG أرخص من الضبط الدقيق؟
يتوقف ذلك على نوع الكلفة التي تهمّكم. يحتاج RAG إلى تنظيف المستندات وبناء فهرس وشخص يحدّثه، وكل استخدام يحمل تعليمات أطول. ويحتاج الضبط الدقيق إلى أمثلة مصنّفة وجولات تدريب وإعادة تدريب عند تغيّر النموذج الأساسي، لكن النموذج الأصغر الذي خضع للضبط الدقيق قد يكون أرخص في كل استخدام. وعندما تعتمد الإجابات على مستندات تتغيّر، يميل RAG إلى أن يكون أقل كلفة مع الوقت لأن التحديث لا يحتاج إلى تدريب.
هل يمكن استخدام RAG والضبط الدقيق معاً؟
نعم. يمكن لنموذج خضع للضبط الدقيق أن يحافظ على شكل ثابت للإجابة أو أسلوب كتابة خاص، بينما يقدّم الاسترجاع المعلومات الحديثة من مستنداتكم. وننصح ببناء طريقة واحدة أولاً وقياسها على مجموعة أسئلة حقيقية متفق على إجاباتها، ثم إضافة الثانية إذا أظهرت النتائج نقصاً تستطيع سدّه، لا قبل ذلك. وإلا فلن تعرفوا أيّ تغيير حسّن الإجابات.
هل يمنع الضبط الدقيق النموذج من اختلاق الإجابات؟
لا. يغيّر الضبط الدقيق سلوك النموذج، لكنه لا يربط الإجابة بمستند يمكن الرجوع إليه. أما نظام RAG فيستطيع عرض المقطع الذي استندت إليه كل إجابة، ويمكن توجيهه إلى الاعتذار عن الإجابة عندما لا يجد مقطعاً مناسباً. ولا تزيل أيّ من الطريقتين الأخطاء تماماً، لذلك اختبروهما على أسئلة حقيقية متفق على إجاباتها قبل أن يعتمد الموظفون على النتائج.
أيهما أفضل للمستندات العربية: RAG أم الضبط الدقيق؟
للأسئلة التي تجدون إجاباتها في سياسات أو أدلة عمل أو تعاميم بالعربية، ابدؤوا بـ RAG، لأن المستندات تتغيّر والمستخدمين يحتاجون إلى رؤية المصدر. والعمل الأصعب في المراحل المحيطة بالنموذج: جودة التعرّف الضوئي على النصوص في الصفحات الممسوحة، وتوحيد الإملاء، وبحث يتعامل مع العربية والإنجليزية معاً. ويناسب الضبط الدقيق مهام عربية أضيق، مثل فرز الرسائل في فئات ثابتة، بعد فشل اختبار التعليمات.
تصلكم مقالاتنا الجديدة بالبريد
رسالة واحدة عند نشر ما يفيدكم، بلا إزعاج، ويمكنكم إلغاء الاشتراك في أي وقت.
الخدمات في هذا المقال
المختبر المرتبط: مختبر التحوّل ↖
