پاسخ بسیاری از پرسش‌های روزمره سازمان جایی در فایل‌ها وجود دارد؛ مشکل این است که پیدا کردنش زمان می‌برد. آیین‌نامه در پورتال منابع انسانی است، جزئیات محصول در چند PDF پخش شده و تجربه حل یک خطا در تیکت سال قبل مانده است. پایگاه دانش هوشمند با RAG این منابع را قابل جست‌وجو می‌کند و پاسخ را همراه با سند مربوط در اختیار کاربر می‌گذارد.
RAG دقیقا چه کاری انجام می‌دهد؟
RAG کوتاه‌شده Retrieval-Augmented Generation است؛ یعنی تولید پاسخ با کمک بازیابی اطلاعات. وقتی کاربر سؤال می‌پرسد، سامانه ابتدا بخش‌های مرتبط را از منابع تأییدشده پیدا می‌کند. سپس مدل بر اساس همان بخش‌ها پاسخ می‌نویسد و می‌تواند لینک یا عنوان منبع را نشان دهد.
مدل قرار نیست همه دانش سازمان را حفظ کند. اسناد در مخزن شما می‌مانند و با اضافه یا اصلاح شدن آن‌ها، نمایه جست‌وجو به‌روز می‌شود. به همین دلیل، RAG برای اطلاعاتی که مرتب تغییر می‌کنند معمولا انتخاب عملی‌تری از آموزش مجدد مدل است.
مسیر یک پرسش تا پاسخ
- فایل‌ها و رکوردهای مجاز از منابع مشخص دریافت می‌شوند.
- متن به قطعه‌های معنادار تقسیم و همراه با مشخصات منبع ذخیره می‌شود.
- پرسش کاربر به شکل مناسب برای جست‌وجوی معنایی تبدیل می‌شود.
- مرتبط‌ترین قطعه‌ها با توجه به مجوز کاربر برگردانده می‌شوند.
- مدل پاسخ را فقط با تکیه بر همین زمینه می‌سازد و منبع را ارجاع می‌دهد.
کیفیت پاسخ از کیفیت آماده‌سازی اسناد می‌آید
بارگذاری یک پوشه پر از فایل، پایگاه دانش قابل اتکا نمی‌سازد. نسخه‌های قدیمی باید مشخص شوند، فایل‌های اسکن‌شده به متن تبدیل شوند و هر سند مالک داشته باشد. عنوان، تاریخ اعتبار، واحد سازمانی و سطح محرمانگی متادیتاهای ضروری‌اند. بدون این اطلاعات، سامانه ممکن است بخش درست را از نسخه منسوخ پیدا کند.
تقسیم متن هم یک تصمیم فنی ساده نیست. اگر قطعه‌ها خیلی کوتاه باشند، زمینه از دست می‌رود؛ اگر خیلی بلند باشند، نتایج جست‌وجو شلوغ و پرهزینه می‌شوند. ساختار واقعی سند، مثل فصل، بند و جدول، باید در قطعه‌بندی دیده شود.
دسترسی کاربر را پس از جست‌وجو فیلتر نکنید
سامانه باید پیش از بازیابی، مجوز کاربر را اعمال کند. اگر سند محرمانه وارد زمینه مدل شود و بعد فقط لینک آن پنهان شود، اطلاعات ممکن است در متن پاسخ باقی بماند. اتصال به سامانه هویت، گروه‌های سازمانی و سطح دسترسی هر منبع از اجزای اصلی معماری است.
همچنین باید روشن باشد پرسش و پاسخ کاربران کجا ذخیره می‌شود، چه مدت می‌ماند و چه کسانی آن را می‌بینند. این تصمیم‌ها در چارچوب حاکمیت و امنیت AI ثبت می‌شوند.
چگونه بفهمیم پایگاه دانش خوب کار می‌کند؟
بیست پرسش نمایشی کافی نیست. از کاربران واحدهای مختلف، پرسش‌های واقعی و با بیان‌های متفاوت جمع کنید. مجموعه آزمون باید پاسخ مرجع، منبع درست و وضعیت «اطلاعات کافی نیست» را هم داشته باشد. سپس سه بخش را جدا بسنجید:
- بازیابی: آیا سند درست میان نتایج بالاست؟
- پاسخ: آیا متن با سند سازگار، روشن و کامل است؟
- رفتار: آیا سامانه در نبود مدرک، صادقانه توقف می‌کند؟
ثبت بازخورد «منبع اشتباه بود» از پسندیدن کلی پاسخ مفیدتر است؛ چون تیم می‌فهمد مشکل در نمایه، دسترسی یا تولید متن رخ داده است.
RAG یا Fine-tuning؟
اگر می‌خواهید مدل آیین‌نامه‌ها، کاتالوگ‌ها یا دانش متغیر را بداند و منبع ارائه کند، RAG نقطه شروع مناسبی است. اگر می‌خواهید لحن، قالب خروجی یا یک رفتار تخصصی پایدار را در مدل تثبیت کنید، Fine-tuning ممکن است کمک کند. این دو رقیب هم نیستند و گاهی کنار هم به‌کار می‌روند. برای انتخاب دقیق‌تر، راهنمای مقایسه RAG و Fine-tuning را ببینید.
نسخه اول را به یک حوزه محدود کنید
به جای «همه دانش سازمان»، با یک مجموعه مشخص مانند دستورالعمل پشتیبانی یک محصول یا آیین‌نامه منابع انسانی شروع کنید. مالک محتوا را تعیین کنید، تاریخ اعتبار اسناد را ثبت کنید و معیار پاسخ را پیش از توسعه بنویسید. مسیر اجرای پایلوت هوش مصنوعی سازمانی کمک می‌کند محدوده و شاخص‌ها واقعی بمانند.
اگر اسناد شما پراکنده‌اند و می‌خواهید امکان جست‌وجو و پاسخ مستند را روی داده واقعی بررسی کنید، از مرکز پشتیبانی سوهاب AI درخواست ارزیابی پایگاه دانش ثبت کنید.