جدول المحتويات
لمساعد صناعي خاص يجيب انطلاقًا من الأدلة وإجراءات العمل والتقارير، ابدؤوا بالتوليد المعزز بالاسترجاع (RAG). فهو يقدّم وثائقكم للنموذج لحظة طرح السؤال مع الاستشهادات، ويُحدَّث بإعادة الفهرسة. أما الضبط الدقيق (fine-tuning) فيغيّر سلوك النموذج أكثر مما يغيّر معرفته. استخدموه لاحقًا للصيغة أو الأسلوب أو لمهمة محددة، وغالبًا فوق RAG.
أهم النقاط
- في اختبارات مضبوطة، تفوّق RAG على الضبط الدقيق غير الموجّه في إضافة المعرفة إلى النموذج، سواء للحقائق التي رآها أثناء التدريب المسبق أو للحقائق الجديدة كليًا (Ovadia et al., 2023).
- تتعلم النماذج الحقائق الجديدة عبر الضبط الدقيق ببطء، وعندما تتعلمها يزداد ميلها إلى الهلوسة (Gekhman et al., 2024).
- الضبط الدقيق هو الأداة المناسبة عندما تكون المشكلة في السلوك: صيغة أو نبرة أو استدلال غير ثابت في مهمة محددة (OpenAI).
- يمكن الجمع بين الطريقتين. ففي إحدى الدراسات أضاف الضبط الدقيق أكثر من 6 نقاط مئوية إلى الدقة، وأضاف RAG فوقها 5 نقاط أخرى (Balaguer et al., 2024).
- ما يدخل في أوزان النموذج لا يمكن تصفيته حسب المستخدم ويصعب حذفه، وهذا مهم لبيانات المصنع السرية.
ما الفرق بين الضبط الدقيق وRAG؟
RAG يترك النموذج كما هو. تبحث طبقة استرجاع في وثائقكم عن المقاطع ذات الصلة بالسؤال، ويُطلب من النموذج أن يجيب اعتمادًا عليها. قدّم هذا النهج Lewis et al. عام 2020، وتشير ورقتهم إلى أن المعرفة المخزّنة في أوزان النموذج وحدها تطرح مسألتين ما زالتا مفتوحتين: بيان مصدر الإجابات، وتحديث تلك المعرفة. ويعالج RAG المسألتين معًا: يمكن للإجابة أن تستشهد بمقطعها، والمراجعة الجديدة للوثيقة تُفهرس بدل أن يُعاد التدريب عليها.
الضبط الدقيق يواصل تدريب النموذج على أمثلتكم الخاصة، فتتغير أوزانه. الضبط الدقيق الكامل يحدّث جميع المعاملات. أما الطرائق الموفّرة للمعاملات فلا تدرّب إلا عددًا صغيرًا من المعاملات الإضافية، مما يخفّض كثيرًا تكاليف الحوسبة والتخزين مع أداء مماثل للضبط الكامل، بحسب توثيق PEFT من Hugging Face. وأشهرها LoRA، التي تجمّد الأوزان الأصلية وتضيف إلى كل طبقة مصفوفات صغيرة منخفضة الرتبة قابلة للتدريب (Hu et al., 2021).
باختصار، RAG يغيّر ما يقرؤه النموذج، والضبط الدقيق يغيّر طريقة إجابته. وللاطلاع على سلسلة الاسترجاع الكاملة على الوثائق التقنية، راجعوا دليلنا حول RAG على أدلة الصيانة.
هل يستطيع الضبط الدقيق أن يعلّم النموذج وثائق مصنعكم؟
هذا هو التوقع الأكثر شيوعًا، والأبحاث لا تؤيده.
قارن Ovadia et al. (2023) بين الضبط الدقيق غير الموجّه وRAG في مهام كثيفة المعرفة. حقق الضبط الدقيق بعض التحسن، لكن RAG تفوّق عليه باستمرار، سواء في المعرفة التي صادفها النموذج أثناء التدريب المسبق أو في المعرفة الجديدة كليًا. ويخلص الباحثون إلى أن النماذج تجد صعوبة في تعلّم حقائق جديدة عبر الضبط الدقيق غير الموجّه، ويقترحون أن تعريض النموذج لصيغ متعددة للحقيقة نفسها قد يساعد.
وذهب Gekhman et al. (2024) أبعد من ذلك. ففي تجارب مضبوطة، تعلّمت النماذج ببطء أمثلة الضبط الدقيق التي تحمل معرفة جديدة، وبعد أن تعلّمتها ازداد ميلها إلى الهلوسة بشكل خطي. ويستنتج الباحثون أن النماذج تكتسب معظم معرفتها الواقعية أثناء التدريب المسبق، وأن الضبط الدقيق يعلّمها أساسًا استخدام ما تعرفه أصلًا بكفاءة أكبر.
وفي المصنع، المعرفة الجديدة هي بالضبط ما يهم: رموز المعدات، وعزوم الشد، ورموز الإنذارات، ومراجعات إجراءات العمل. والقيمة التي امتصها النموذج أثناء التدريب لا تأتي بأي مرجع صفحة يستطيع المهندس التحقق منه.
كيف يقارن RAG بالضبط الدقيق؟
| المعيار | RAG | الضبط الدقيق |
|---|---|---|
| ما الذي يتغير | السياق الذي يقرؤه النموذج | أوزان النموذج |
| نقطة القوة | المعرفة الخاصة بالمؤسسة أو المحدَّثة | صيغة أو نبرة أو استدلال ثابت في مهمة محددة |
| مراجعة جديدة لوثيقة | إعادة فهرسة الوثيقة | إعادة بناء بيانات التدريب وإعادة التدريب |
| الاستشهاد بصفحات المصدر | نعم، من المقاطع المسترجعة | لا |
| التحكم في الوصول لكل مستخدم | تصفية المقاطع لحظة الاسترجاع | غير ممكن داخل الأوزان |
| حذف وثيقة | حذفها من الفهرس | إعادة التدريب من دونها |
| البيانات اللازمة | الوثائق ومجموعة أسئلة اختبار | أمثلة مدخلات ومخرجات منتقاة |
| حوسبة إضافية داخل المنشأة | نموذج embeddings وفهرس بحث | جلسات تدريب على وحدات GPU |
| الخلل المعتاد | الاسترجاع يخطئ المقطع الصحيح | إجابات واثقة بلا مصدر؛ فقدان مهارات عامة |
يتبع سطر «نقطة القوة» دليل OpenAI لتحسين الدقة، الذي يوجّه إلى الاسترجاع عندما تكون المعرفة متقادمة أو خاصة بالمؤسسة، وإلى الضبط الدقيق عندما يكون السلوك غير ثابت، ويؤكد أن الطريقتين تتراكمان ولا تُلغي إحداهما الأخرى.
متى يكون الضبط الدقيق منطقيًا لمساعد صناعي؟
يستحق الضبط الدقيق مكانه عندما يمكنكم عرض السلوك المطلوب بأمثلة، ولا تنجح تعليمات جيدة الصياغة في تحقيقه بشكل موثوق:
- صيغة مخرجات ثابتة. مسودات أوامر العمل، أو ملاحظات تسليم الوردية، أو نتائج التفتيش التي يجب أن تتبع النموذج الذي يتوقعه نظام إدارة الصيانة (CMMS) أو أداة التقارير لديكم.
- التصنيف. فرز تقارير الصيانة المكتوبة بنص حر حسب نمط العطل أو فئة المعدة أو درجة الحرجية.
- أسلوب الإجابة. ذكر رقم الوثيقة والمراجعة والصفحة دائمًا بالطريقة نفسها، أو الاعتذار بصيغة محددة عندما لا تتضمن الوثائق الإجابة.
- الكفاءة. تذكر OpenAI من بين أسباب الضبط الدقيق بلوغ الدقة نفسها بعدد أقل من الرموز (tokens) أو بنموذج أصغر (OpenAI). وعلى وحدات GPU الخاصة بكم، يعني النموذج الأصغر عددًا أكبر من المستخدمين لكل خادم.
- استفادة أفضل من المقاطع المسترجعة. تدرّب طريقة RAFT النموذج على تجاهل الوثائق المسترجعة التي لا تساعد في الإجابة، وعلى اقتباس المقطع الذي يجيب عن السؤال. وقد حسّنت نتائج RAG المتخصص على مجموعات بيانات PubMed وHotpotQA وGorilla (Zhang et al., 2024).
وتحتاجون إلى أمثلة أقل مما تتوقعه فرق كثيرة. يحدد دليل الضبط الدقيق من OpenAI حدًا أدنى من 10 أمثلة، ويوصي بالبدء بـ 50 مثالًا متقنًا ثم التقييم؛ وإذا لم يكن لـ 50 مثالًا أي أثر، ينصح بإعادة النظر في المهمة أو التعليمات قبل إضافة مزيد من البيانات (OpenAI). تخص هذه الأرقام خدمة OpenAI المستضافة، لكن المبدأ ينطبق أيضًا على النماذج مفتوحة الأوزان (open-weight).
كم يكلّف الضبط الدقيق على وحدات GPU الخاصة بكم؟
أقل مما كان. فمقارنة بالضبط الدقيق الكامل لنموذج GPT-3 175B، خفّضت LoRA عدد المعاملات القابلة للتدريب بمقدار 10,000 مرة واحتياج ذاكرة GPU بمقدار 3 مرات (Hu et al., 2021). وأتاحت QLoRA، التي تدرّب محوّلات LoRA فوق نموذج مكمّم إلى 4 بتات، ضبط نموذج من 65 مليار معامل على وحدة GPU واحدة بذاكرة 48 غيغابايت (Dettmers et al., 2023).
لكن هناك مفاضلة. فقد وجدت دراسة أن LoRA، في إعدادات الرتبة المنخفضة المعتادة، أضعف بكثير من الضبط الدقيق الكامل في البرمجة والرياضيات، لكنها تحافظ بشكل أفضل على أداء النموذج الأساسي خارج المجال المستهدف (Biderman et al., 2024). وبالنسبة إلى مساعد يجب أن يواصل قراءة وثائق بالفرنسية والعربية والاستدلال بشكل عام، كثيرًا ما يكون نسيان أقل أهم من تعلّم أكثر.
أما تشغيل النتيجة فبسيط. يستطيع vLLM تقديم محوّلات LoRA عبر خادمه المتوافق مع واجهة OpenAI، ويمكن لعدة محوّلات أن تتشارك نموذجًا أساسيًا واحدًا، ويختار كل طلب محوّله عبر المعامل model (توثيق vLLM). ويحذّر التوثيق نفسه من أن تحميل المحوّلات ديناميكيًا أثناء التشغيل ينطوي على مخاطر أمنية، ولا ينبغي استخدامه في الإنتاج إلا في بيئة معزولة وموثوقة بالكامل.
والكلفة الأكبر بشرية: بناء الأمثلة، وإجراء التقييمات، وتكرار الأمرين كلما تغيّر النموذج الأساسي. وللعتاد، راجعوا تحديد العتاد ووحدات GPU لنموذج LLM داخل المنشأة، وللميزانية الكاملة، كم يكلّف مشروع ذكاء اصطناعي صناعي.
ما مخاطر الضبط الدقيق على بيانات المصنع؟
يمكن استخراج بيانات التدريب. استعاد Carlini et al. (2020) مئات المقاطع الحرفية من بيانات تدريب GPT-2، منها أسماء وأرقام هواتف وعناوين بريد إلكتروني، حتى عندما لم يظهر المقطع إلا في وثيقة تدريب واحدة، ووجدوا أن النماذج الأكبر أكثر عرضة لذلك من الأصغر. اعتبروا كل ما يدخل في الأوزان قابلًا للقراءة من أي مستخدم للنموذج.
لا صلاحيات لكل مستخدم. مع RAG، الفني الذي لا يحق له فتح ملف تحقيق في حادث HSE لا يتلقى أي مقطع منه، لأن الاسترجاع يصفّي النتائج حسب المستخدم. أما النموذج المضبوط فلا يملك هذا الحاجز. لا تجروا الضبط الدقيق إلا على بيانات يحق لكل مستخدمي ذلك النموذج الاطلاع عليها.
أمثلة مسمومة أو خاطئة. تصنّف OWASP تسميم البيانات والنماذج تحت LLM04 في قائمتها Top 10 لعام 2025، وتذكر الضبط الدقيق ضمن المراحل التي يمكن أن تُدخل فيها بيانات متلاعب بها ثغرات أو أبوابًا خلفية. وتوصي بتتبّع مصدر البيانات، وإدارة إصدارات مجموعات البيانات، وإجراء اختبارات الفريق الأحمر (red teaming) (OWASP LLM04:2025). وإجراء عمل ملغى بقي في بيانات التدريب هو صورة أهدأ من المشكلة نفسها.
البيانات الشخصية. سجلات الصيانة وتقارير الورديات تذكر أشخاصًا بأسمائهم. وفي الجزائر، يُخضع القانون 18-07، المعدَّل بالقانون 25-11 المؤرخ في 24 يوليو 2025، نقل البيانات الشخصية إلى الخارج لترخيص السلطة الوطنية، ويفرض تقييم أثر للمعالجات التي يُرجَّح أن تنطوي على خطر مرتفع، بحسب دليل CMS. وإرسال مثل هذه البيانات إلى خدمة ضبط دقيق أجنبية يطرح مسألة النقل مباشرة. تحققوا من انطباق هذه القواعد على حالتكم مع مستشار قانوني.
التدريب داخل المنشأة، أو في بيئة معزولة عن الشبكة (air-gapped)، يزيل مسألة النقل لكنه لا يزيل المخاطر الأخرى.
هل يمكن الجمع بين RAG والضبط الدقيق؟
نعم، ويمكن للمكاسب أن تتراكم. ففي دراسة على أسئلة زراعية، رفع الضبط الدقيق الدقة بأكثر من 6 نقاط مئوية، وأضاف RAG فوقها 5 نقاط أخرى (Balaguer et al., 2024). والتقسيم المعتاد للأدوار: يوفّر الاسترجاع الحقائق والاستشهادات، ويجعل ضبط دقيق خفيف، إن لزم أصلًا، النموذج موثوقًا في الصيغة والمهمة.
وعندما يحرّر المساعد أوامر العمل أو يستعلم نظام ERP بدل أن يكتفي بالإجابة، يجب أن يوافق شخص على كل إجراء. راجعوا Chatbot أم Copilot أم وكيل ذكاء اصطناعي ووكلاء الذكاء الاصطناعي مع الإشراف البشري.
كيف تتخذون القرار خطوة بخطوة؟
- اكتبوا مجموعة التقييم أولًا. اجمعوا أسئلة ومهام حقيقية من الفنيين والمهندسين، مع الإجابات الصحيحة والمقاطع المصدر. ينطلق دليل OpenAI من قاعدة لا تقل عن 20 سؤالًا معروفة الإجابة، وينصح بعدم الاستثمار في الضبط الدقيق إلا بعد وضع التقييمات (دليل الدقة؛ دليل الضبط الدقيق). وفي المصنع، أدرجوا أسئلة بكل لغة تستخدمها فرقكم، وأسئلة لا تجيب عنها الوثائق.
- ابدؤوا بتعليمات جيدة على نموذج مفتوح الأوزان قوي. فبحسب OpenAI، هندسة التعليمات (prompt engineering) هي عادة أفضل نقطة للبدء.
- أضيفوا RAG على مجموعة وثائق تجريبية، مع بحث هجين واستشهادات وتصفية حسب الصلاحيات.
- صنّفوا كل إخفاق متبقٍّ. الحقائق الخاطئة أو الناقصة مشكلة سياق: أصلحوا OCR أو التقطيع أو الاسترجاع أو الوثائق نفسها. والحقائق الصحيحة بصيغة خاطئة مشكلة سلوك.
- لا تجروا الضبط الدقيق إلا لمشكلات السلوك التي تستمر. ابدؤوا بنحو 50 مثالًا نظيفًا ومحوّل LoRA، وقارنوا النتيجة بمجموعة التقييم.
- أخضعوا المحوّل لإدارة التغيير. أديروا إصدارات بيانات التدريب، وأعيدوا التقييمات كلما تغيّر النموذج الأساسي أو المحوّل، وسجّلوا أي محوّل أنتج أي إجابة.
ما الذي لاحظناه في KABAS AI
DALILE، مساعدنا المحلي للمعرفة الصناعية، مبني كنظام متعدد الوكلاء يحلّل الوثائق التقنية ويتصل بأنظمة ERP وCRM وإدارة الوثائق (DMS) وقواعد البيانات، مع نشر كامل داخل المنشأة وبيانات تبقى تحت سيطرة العميل. ويتبع هذا التصميم المنطق المعروض أعلاه: معرفة المصنع تعيش في وثائق وأنظمة تتغير باستمرار، لذلك يقرؤها المساعد لحظة السؤال بدل أن يحمل نسخة مجمّدة منها في أوزانه.
نصائحنا عند تحديد نطاق مساعد خاص:
- خصصوا الأسابيع الأولى للوثائق والاسترجاع ومجموعة الاختبار، لا للتدريب.
- لا تنتظروا من الضبط الدقيق أن يعوّض وثائق ناقصة أو غير منظمة. فهو لن يصلح دليلًا لم يُمسح ضوئيًا قط، ولا إجراءً تتداول منه ثلاث مراجعات.
- عندما تُطلب مخرجات محددة، مثل نموذج تقرير، جرّبوا أولًا التعليمات والأمثلة داخل الـ prompt، ولا تدرّبوا محوّلًا إلا إذا أظهر التقييم فجوة مستمرة.
- احتفظوا بأي أوزان مضبوطة وبيانات تدريب ونتائج تقييم على البنية التحتية للعميل وتحت ملكيته.
إذا كنتم تبنون مساعدين يتصرفون على أنظمة المصنع، فإن خدماتنا في الذكاء الاصطناعي الوكيلي تغطي التصميم والنشر. ويغطي دليل الذكاء الاصطناعي السيادي داخل المنشأة جوانب البنية التحتية والحوكمة.
المصادر
- Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, 2020)
- Ovadia et al., Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs (arXiv, 2023)
- Gekhman et al., Does Fine-Tuning LLMs on New Knowledge Encourage Hallucinations? (arXiv, 2024)
- Balaguer et al., RAG vs Fine-tuning: Pipelines, Tradeoffs, and a Case Study on Agriculture (arXiv, 2024)
- Zhang et al., RAFT: Adapting Language Model to Domain Specific RAG (arXiv, 2024)
- Hu et al., LoRA: Low-Rank Adaptation of Large Language Models (arXiv, 2021)
- Dettmers et al., QLoRA: Efficient Finetuning of Quantized LLMs (arXiv, 2023)
- Biderman et al., LoRA Learns Less and Forgets Less (arXiv, 2024)
- Carlini et al., Extracting Training Data from Large Language Models (arXiv, 2020)
- Hugging Face, PEFT documentation
- OpenAI, Optimizing LLM accuracy
- OpenAI, Supervised fine-tuning
- vLLM documentation, LoRA adapters
- OWASP, LLM04:2025 Data and Model Poisoning
- CMS Expert Guide to data protection and cyber security laws: Algeria
الأسئلة الشائعة
هل يستطيع الضبط الدقيق أن يعلّم النموذج اللغوي محتوى وثائقنا التقنية؟
ليس بشكل موثوق. في المقارنات المنشورة، تفوّق التوليد المعزز بالاسترجاع (RAG) على الضبط الدقيق غير الموجّه في إضافة المعرفة، كما أن الضبط الدقيق على حقائق لم يكن النموذج يعرفها زاد من ميله إلى الهلوسة. ويتيح RAG أيضًا أن تستشهد كل إجابة بالصفحة التي جاءت منها، وهو ما لا يتيحه الضبط الدقيق.
متى يستحق الضبط الدقيق العناء في مساعد صناعي؟
عندما تكون المشكلة في السلوك لا في المعرفة: صيغة مخرجات ثابتة مثل نموذج أمر العمل، أو تصنيف تقارير مكتوبة بنص حر، أو أسلوب إجابة موحّد، أو جعل نموذج أصغر يؤدي مهمة محددة بإتقان. جرّبوا أولًا صياغة التعليمات (prompt) وRAG، ولا تلجؤوا إلى الضبط الدقيق إلا للإخفاقات التي تبقى قائمة في مجموعة التقييم.
هل يمكن الجمع بين RAG والضبط الدقيق؟
نعم. يوفّر الاسترجاع الحقائق والاستشهادات، ويمكن لضبط دقيق خفيف أن يجعل النموذج أكثر ثباتًا في الصيغة أو المهمة. وفي دراسة منشورة، تراكمت مكاسب الدقة الناتجة عن الضبط الدقيق وعن RAG.
هل نحتاج إلى خوادم GPU كبيرة لإجراء الضبط الدقيق داخل المنشأة؟
أقل مما كان في السابق. فالطرائق الموفّرة للمعاملات مثل LoRA لا تدرّب إلا مصفوفات صغيرة مضافة، وقد أتاحت QLoRA ضبط نموذج من 65 مليار معامل على وحدة GPU واحدة بذاكرة 48 غيغابايت. أما الكلفة الأكبر فهي عادة بشرية: بناء أمثلة التدريب وإجراء التقييمات.
هل من الآمن إجراء الضبط الدقيق على بيانات سرية أو شخصية؟
اعتبروا كل ما يدخل في بيانات التدريب قابلًا للقراءة من أي مستخدم للنموذج. فقد بيّنت أبحاث أنه يمكن استخراج نصوص حرفية من بيانات تدريب النماذج اللغوية، بما فيها بيانات شخصية، كما أن النموذج المضبوط لا يستطيع تطبيق صلاحيات وصول لكل مستخدم. أبقوا البيانات الشخصية والمقيّدة في فهرس RAG تُصفّى نتائجه حسب الصلاحيات، وتحققوا من التزامات حماية البيانات مع مستشار قانوني.



