جدول المحتويات
مساعد RAG لأدلة الصيانة يسترجع المقاطع ذات الصلة من وثائقك أنت، ثم يجعل نموذجًا لغويًا يجيب اعتمادًا عليها مع ذكر الصفحة المصدر. معظم العمل يقع على الوثائق لا على النموذج: OCR للوثائق الممسوحة، وتقطيع يحترم بنية الوثيقة، وبحث هجين لأرقام القطع، وضبط المراجعات، والتحكم في الوصول، ومجموعة اختبار مبنية على أسئلة حقيقية من الفنيين.
أهم النقاط
- جودة الاسترجاع هي سقف جودة الإجابة. في اختبارات نشرتها Anthropic، أدى الجمع بين embeddings سياقية والبحث بالكلمات المفتاحية (BM25) وإعادة الترتيب إلى خفض معدل فشل الاسترجاع ضمن أول 20 مقطعًا من 5.7% إلى 1.9% (Anthropic).
- البحث المتجهي وحده يُخفق في السلاسل الدقيقة مثل أرقام القطع ورموز الأعطال، فاقرنه بالبحث بالكلمات المفتاحية.
- ما زالت قراءة الوثائق العربية الممسوحة آليًا صعبة: في معيار KITAB-Bench لم يتجاوز أفضل نموذج مختبَر دقة 65% في تحويل ملفات PDF العربية إلى Markdown (Heakl وآخرون، 2025).
- المراجعات الملغاة مشكلة سلامة وليست مشكلة بحث فقط. فهرس حالة المراجعة واستبعد الوثائق المتقادمة افتراضيًا.
- يجب تطبيق التحكم في الوصول لحظة الاسترجاع، قبل أن يصل أي نص إلى النموذج (OWASP LLM08:2025).
ما هو RAG في فقرة واحدة؟
التوليد المعزز بالاسترجاع (RAG) يجمع بين نموذج لغوي وفهرس وثائق قابل للبحث. يعود المصطلح إلى ورقة بحثية نشرها Lewis وزملاؤه عام 2020 ربطت مولّد نصوص بفهرس متجهي كثيف لموسوعة ويكيبيديا. في المصنع يضم الفهرس الأدلة وإجراءات العمل وسجل أوامر العمل وتقارير التفتيش. عندما يطرح الفني سؤالًا، يسترجع النظام أكثر المقاطع صلة ويطلب من النموذج أن يجيب منها فقط مع الاستشهاد بها. لا يُعاد تدريب النموذج، بل يقرأ وثائقك لحظة السؤال، فيصبح التحديث مجرد إعادة فهرسة، ويمكن التحقق من كل إجابة بالرجوع إلى الصفحة.
كيف تبدو مراحل النظام؟
يتكون النظام الإنتاجي من ثماني مراحل. ابنِ كل مرحلة واختبرها على حدة.
| المرحلة | وظيفتها | الخلل المعتاد في وثائق الصيانة |
|---|---|---|
| الاستيعاب | جمع الملفات من نظام إدارة الوثائق ومجلدات الشبكة وصادرات نظام إدارة الصيانة (CMMS) | نسخ مكررة، وغياب بيانات المراجعة |
| OCR | تحويل الصفحات الممسوحة إلى نص | سوء قراءة الحروف العربية والأرقام، وتسطيح الجداول |
| التحليل والتقطيع | تقسيم الوثائق إلى مقاطع وفق بنيتها | جدول عزوم شدّ مقسوم إلى نصفين، أو تحذير منفصل عن خطوته |
| الـ Embeddings | تحويل كل مقطع إلى متجه | نموذج ضعيف في العربية أو الفرنسية أو المصطلحات التقنية |
| الاسترجاع | إيجاد المقاطع المرشحة للسؤال | ضياع أرقام القطع ورموز الأعطال الدقيقة |
| إعادة الترتيب | ترتيب المرشحين حسب الصلة | حذفها لتوفير زمن الاستجابة فيصل التشويش إلى النموذج |
| التوليد | كتابة الإجابة من المقاطع المسترجعة | خلط المصادر أو سد الفراغات من ذاكرة النموذج |
| الاستشهادات | ربط كل معلومة بالوثيقة والمراجعة والصفحة | الإحالة إلى وثيقة كاملة بدل المقطع |
الاستيعاب: ابدأ بجرد
اجرد المصادر ومالكيها: أدلة المصنّعين، وإجراءات العمل الداخلية، ومخططات P&ID، وتقارير الصيانة، وتعليمات الصحة والسلامة والبيئة (HSE). وسجّل لكل مصدر صيغته (PDF أصلي، أو ممسوح، أو Word، أو جدول بيانات)، ولغته، ومن يقرر أي مراجعة هي السارية.
OCR: تعامل مع الوثائق الممسوحة كمشروع قائم بذاته
تحتفظ مواقع كثيرة بأدلتها في شكل ملفات PDF ممسوحة. توفر محركات مفتوحة المصدر مثل Tesseract نماذج للعربية والفرنسية والإنجليزية (توثيق Tesseract)، لكن العربية تبقى صعبة. يرجع مؤلفو KITAB-Bench ذلك إلى الخط المتصل، والكتابة من اليمين إلى اليسار، والطباعة المعقدة، ويذكرون من بين الأخطاء المتكررة سوء التعرف على الأرقام واكتشاف بنية الجداول (Heakl وآخرون، 2025). والأرقام والجداول هي بالضبط موضع قيم الصيانة، لذا راجع عينات من مخرجات OCR يدويًا واربط كل مقطع بصورة صفحته.
التقطيع: اتبع بنية الوثيقة
التقطيع إلى كتل ثابتة الحجم يشق الجداول والإجراءات. الأدوات التي تستغل البنية تعمل أفضل. فأداة Docling، التي انطلقت من IBM Research، تستعيد تخطيط الصفحة وترتيب القراءة وبنية الجداول، وتوفر OCR للوثائق الممسوحة، ويمكن تشغيلها محليًا بما في ذلك في البيئات المعزولة عن الشبكة (air-gapped)، وهي منشورة برخصة MIT. ويقطّع مقطّعها الهجين النص وفق عناصر الوثيقة، ويدمج الأجزاء الصغيرة المتجاورة التي تشترك في العناوين نفسها، ويكرر افتراضيًا ترويسة الجدول في كل جزء عندما يجب تقسيم الجدول (توثيق Docling حول التقطيع).
أبقِ كذلك كل تحذير في المقطع نفسه مع الخطوة التي يخصها، وخزّن مسار العناوين (مثل "Pump P-101 / Bearing replacement") كبيانات وصفية. وتوصي Anthropic بمقاطع "لا تتجاوز عادة بضع مئات من الـ tokens"، وتشير إلى أن حجم المقاطع وحدودها وتداخلها تؤثر كلها في الاسترجاع (Anthropic). تعامل مع حجم المقطع كمعامل تضبطه على مجموعة الاختبار.
الـ Embeddings والاسترجاع: استخدم البحث الهجين
تلتقط الـ embeddings المعنى (فسؤال عن "سخونة المحمل" يجد مقطعًا عن "ارتفاع حرارة المحمل")، لكنها أضعف في السلاسل الدقيقة. تضرب Anthropic مثالًا باستعلام عن رمز الخطأ "TS-999": قد تعيد الـ embeddings نصًا عامًا عن رموز الأخطاء، بينما يجد البحث بالكلمات المفتاحية BM25 التطابق الدقيق (Anthropic). وأرقام القطع ورموز المعدات ورموز الإنذار تتصرف بالطريقة نفسها، فشغّل البحثين وادمج النتائج.
في المجموعات متعددة اللغات، اختر نموذج embeddings يغطي لغاتك. يعلن النموذج المفتوح BGE-M3 دعمه لأكثر من 100 لغة، وينتج تمثيلات كثيفة ومتناثرة (معجمية) ومتعددة المتجهات من نموذج واحد، ويقبل مدخلات تصل إلى 8192 token، ويوصي مطوروه باسترجاع هجين يليه نموذج لإعادة الترتيب (بطاقة نموذج BAAI). اختبر النماذج المرشحة على أسئلتك أنت بالعربية والفرنسية، لا على لوائح التصنيف العامة.
إعادة الترتيب: صفِّ قبل أن تولّد
نموذج إعادة الترتيب (reranker)، وهو عادة cross-encoder يقرأ السؤال وكل مقطع مرشح معًا، يعيد ترتيب المقاطع المسترجعة بحيث لا يصل إلى النموذج إلا أفضلها. في تجارب Anthropic، رفعت إضافة إعادة الترتيب فوق الـ embeddings السياقية والـ BM25 السياقي نسبة خفض فشل الاسترجاع من 49% إلى 67% (Anthropic). كما أن إرسال مقاطع أقل وأجود يساعد التوليد: فقد وجدت أبحاث حول السياقات الطويلة أن النماذج تستفيد من المعلومات الواقعة في بداية المدخل أو نهايته بموثوقية أكبر من تلك الواقعة في وسطه (Liu وآخرون، "Lost in the Middle").
التوليد والاستشهادات: اجعل كل إجابة قابلة للتحقق
اطلب من النموذج أن يجيب من المقاطع المسترجعة فقط، وأن يصرّح بوضوح عندما لا تتضمن الوثائق الإجابة، وأن يذكر رقم الوثيقة والمراجعة والصفحة لكل قيمة. واعرض المقطع المستشهد به بجانب الإجابة. فقيمة عزم الشد المرفقة بدليلها ومراجعتها وصفحتها يمكن التحقق منها في ثوانٍ، أما الرقم المجرد فلا يُعتمد عليه.
لماذا تُفشل وثائق الصيانة نظام RAG بسيطًا؟
الجداول والمخططات. الخلوصات وعزوم الشد وجداول التزييت موجودة في جداول. وإذا سطّح التحليل جدولًا إلى سطر من الأرقام، فلن يعرف النموذج أي قيمة تخص أي برغي. أبقِ الجداول جداول وفهرس عنوانها معها. وفي المناظر التفصيلية المفككة، فهرس على الأقل عنوان الشكل وقائمة القطع المجاورة له، مع رابط إلى صورة الصفحة.
أرقام القطع والرموز. إلى جانب البحث بالكلمات المفتاحية، وحّد الصيغ المختلفة (بشرطات أو من دونها، والأصفار البادئة)، واستخرج المعرّفات في حقل بيانات وصفية ليتمكن المستخدمون من التصفية حسب المعدة أو القطعة.
خليط العربية والفرنسية والإنجليزية. قد يكون دليل المصنّع بالإنجليزية، وإجراء الموقع بالفرنسية، وتقرير المناوبة بالعربية. ويجب أن يعثر سؤال مطروح بالعربية على الإجراء الفرنسي، وهذا يتطلب نموذج embeddings عابرًا للغات، وبحثًا بالكلمات المفتاحية يتعامل مع الخطّين، وإجابات بلغة المستخدم تستشهد بالمصدر بلغته الأصلية. للمزيد حول الجانب اللغوي: بناء نماذج LLM تفهم المصطلحات الصناعية العربية.
المراجعات والوثائق الملغاة. هذا هو الخطأ ذو العواقب الفعلية على السلامة. إذا فُهرست المراجعتان B وD للإجراء نفسه، فقد يعيد الاسترجاع النسخة المتقادمة. خزّن لكل وثيقة رقمها ومراجعتها وتاريخ سريانها وحالتها (سارية، ملغاة، مسودة) كبيانات وصفية، وقيّد البحث افتراضيًا بالوثائق السارية، وعند اعتماد مراجعة جديدة علّم القديمة بأنها ملغاة في الخطوة نفسها. ولا تعرض المراجعات الملغاة إلا بطلب صريح، كما في التحقيق في حادث، مع تمييزها بوضوح.
كيف تقيّم الإجابات؟
ابنِ مجموعة الاختبار قبل بناء النظام. اجمع أسئلة حقيقية من الفنيين ومخططي الصيانة والمهندسين، وسجّل الإجابة الصحيحة والمقطع الذي يتضمنها، وأدرج أسئلة لا توجد إجابتها في أي وثيقة. ثم قِس الاسترجاع والتوليد كلًّا على حدة.
| ما نقيسه | السؤال الذي يجيب عنه | الطريقة |
|---|---|---|
| استدعاء الاسترجاع | هل ظهر المقطع الصحيح ضمن النتائج الأولى؟ | نسبة أسئلة الاختبار التي يقع مقطعها المصدر ضمن أول k نتيجة، وهو المقياس الذي تنشره Anthropic بصيغة الاستدعاء عند 20 |
| الأمانة (faithfulness) | هل كل ادعاء في الإجابة مدعوم بالنص المسترجع؟ | تقيسها Ragas من 0 إلى 1: الادعاءات المدعومة مقسومة على مجموع الادعاءات |
| دقة السياق واستدعاؤه | هل المقاطع المسترجعة ذات صلة وكاملة؟ | مقاييس Ragas بالاسم نفسه |
| سلوك الرفض | هل يقول النظام "غير موجود" عندما تسكت الوثائق؟ | أسئلة بلا إجابة ضمن مجموعة الاختبار |
| مراجعة خبير | هل القيم المتعلقة بالسلامة صحيحة؟ | مهندس صيانة يراجع عينة من الإجابات |
صُمّم إطار Ragas ليعمل دون الحاجة إلى تعليقات بشرية مرجعية، ويعرّف توثيقه الأمانة بأنها نسبة ادعاءات الإجابة التي يدعمها السياق المسترجع. الدرجات الآلية تساعد على مقارنة النسخ، لكنها لا تغني عن مهندس يتحقق من القيم المتعلقة بالسلامة. أعد تشغيل مجموعة الاختبار بعد كل تغيير في OCR أو التقطيع أو النماذج أو الـ prompts.
كيف تتحكم في من يرى ماذا؟
تصنّف OWASP نقاط ضعف المتجهات والـ embeddings تحت البند LLM08 في قائمتها لعام 2025 لأهم عشرة مخاطر في تطبيقات LLM. وتحذر من أن ضوابط الوصول غير الكافية أو غير المتسقة قد تكشف embeddings تحتوي على معلومات حساسة، وتوصي بضوابط وصول دقيقة، وقواعد بيانات متجهية تراعي الصلاحيات، وفصل صارم بين مجموعات البيانات (OWASP LLM08:2025).
النمط الشائع: عند الاستيعاب، انسخ إلى كل مقطع قائمة المجموعات المسموح لها بقراءة الوثيقة كما هي في النظام المصدر، وعند الاستعلام، صفِّ الاسترجاع حسب مجموعات المستخدم الموثَّق. توثّق Microsoft هذا النمط تحت اسم "مرشح الأمان" في Azure AI Search، وتوضح أن هوية المستخدم فيه مجرد سلسلة نصية داخل مرشح، دون أي مصادقة أو تفويض خلفها (Microsoft Learn). وينطبق ذلك على أي قاعدة بيانات متجهية: يجب أن تأتي الهوية من المصادقة على الخادم، لا من العميل أبدًا، وأن تُعاد مزامنة الصلاحيات عند تغيرها في المصدر.
تحتوي سجلات الأسئلة وتقارير الصيانة أيضًا على بيانات شخصية، مثل أسماء الفنيين. في الجزائر، ينظم القانون 18-07 المؤرخ في 10 يونيو 2018، المعدَّل والمتمَّم بالقانون 25-11 المؤرخ في 24 يوليو 2025، معالجة المعطيات ذات الطابع الشخصي. ووفقًا لمكتب المحاماة Gide، يجب التصريح المسبق بكل معالجة لدى السلطة الوطنية (ANPDP)، ويتطلب نقل المعطيات الشخصية إلى الخارج من حيث المبدأ ترخيصها المسبق (Gide). وهذه إحدى الحجج لإبقاء النظام كاملًا، بما فيه السجلات، على بنيتك التحتية. تحقق من كيفية انطباق هذه القواعد على حالتك مع مستشار قانوني. ويتناول دليلنا للذكاء الاصطناعي السيادي المحلي جانب النشر.
قائمة التحقق للتنفيذ
- اجرد مصادر الوثائق ومالكيها وصيغها ولغاتها ومن يعتمد المراجعات.
- اختر عائلة معدات واحدة أو وحدة واحدة للمشروع التجريبي، لا المصنع كله.
- اكتب مجموعة الاختبار من أسئلة حقيقية قبل بناء أي شيء.
- شغّل OCR على عينة من الوثائق الممسوحة وراجع الأرقام والجداول يدويًا.
- حلّل الوثائق بأداة تستغل البنية، وحافظ على الجداول والتحذيرات سليمة.
- وسم كل مقطع برقم الوثيقة والمراجعة والحالة واللغة ورموز المعدات والصفحة ومجموعات الوصول.
- فهرس بالبحث المتجهي وبالكلمات المفتاحية معًا، واختبر أسئلة تعبر من لغة إلى أخرى.
- أضف نموذجًا لإعادة الترتيب ولا ترسل إلى النموذج إلا أفضل المقاطع.
- اشترط الاستشهادات وإجابة "غير موجود" عندما تسكت الوثائق.
- صفِّ حسب صلاحيات المستخدم لحظة الاسترجاع، بهوية مصدرها الخادم.
- استبعد المراجعات الملغاة افتراضيًا واربط إعادة الفهرسة باعتماد الوثائق.
- أعد تشغيل مجموعة الاختبار عند كل تغيير، واجعل مهندسًا يراجع عينة من الإجابات بانتظام.
أين يقع DALILE من كل هذا؟
DALILE هو النموذج اللغوي الكبير المحلي (on-premise) من KABAS AI للمؤسسات الصناعية. يعمل بالكامل داخل الموقع ويدعم العربية والفرنسية والإنجليزية، فتبقى الوثائق والـ embeddings والسجلات على بنيتك التحتية. وتدرس ADFC (مجمع سوناطراك) وENAD Shymeca، وهما عميلان يستخدمان Virtual Lab، التكامل مع DALILE لاكتشاف المعرفة والتوثيق التقني. ولفهم الفرق بين مساعد للوثائق ووكيل يتصرف في الأنظمة، اقرأ روبوت المحادثة أم المساعد أم وكيل الذكاء الاصطناعي، وللتعرف على المنتج راجع دليل DALILE. وإذا كنت تدير مواقع في النفط والغاز أو الصناعة التحويلية وتريد تحديد نطاق مشروع تجريبي على أدلتك، فابدأ من صفحة DALILE.
المصادر
- Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, 2020)
- Anthropic, Introducing Contextual Retrieval (سبتمبر 2024)
- Heakl et al., KITAB-Bench: A Comprehensive Multi-Domain Benchmark for Arabic OCR and Document Understanding (arXiv, 2025)
- توثيق Tesseract، ملفات traineddata حسب الإصدارات
- Docling على GitHub
- توثيق Docling، التقطيع (Chunking)
- BAAI، بطاقة نموذج BGE-M3 (Hugging Face)
- Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv, 2023)
- Es et al., Ragas: Automated Evaluation of Retrieval Augmented Generation (arXiv, 2023)
- توثيق Ragas، مقياس Faithfulness
- OWASP, LLM08:2025 Vector and Embedding Weaknesses
- Microsoft Learn, Security filter pattern in Azure AI Search
- Gide, Protection of personal data: focus on Algerian regulations
الأسئلة الشائعة
ما هو RAG المطبق على الوثائق التقنية؟
التوليد المعزز بالاسترجاع (RAG) هو نظام يجيب فيه نموذج لغوي اعتمادًا على مقاطع مسترجعة من وثائقك أنت، لا على ما حفظه أثناء التدريب. في الوثائق التقنية يضم الفهرس أدلة المعدات وإجراءات العمل وتقارير الصيانة، وتستشهد كل إجابة بالوثيقة والمراجعة والصفحة التي جاءت منها.
هل نحتاج إلى ضبط دقيق (fine-tuning) لنموذج على أدلة الصيانة لدينا؟
في الغالب ليس كخطوة أولى. يقرأ RAG وثائقك لحظة طرح السؤال، فتحديث المعرفة يعني إعادة فهرسة المراجعة الجديدة لا إعادة تدريب النموذج. قد يفيد الضبط الدقيق لاحقًا في المصطلحات أو أسلوب الإجابة، لكنه لا يوفر استشهادات ولا تحكمًا في المراجعات.
لماذا لا يجد نظام RAG أرقام القطع ورموز الأعطال؟
البحث القائم على embeddings يلتقط المعنى لكنه ضعيف في السلاسل النصية الدقيقة مثل أرقام القطع ورموز المعدات ورموز الأخطاء. أضف بحثًا بالكلمات المفتاحية (BM25) إلى جانب البحث المتجهي وادمج النتائج، واستخرج المعرّفات في حقل بيانات وصفية يمكن التصفية به.
هل يعمل RAG مع أدلة ممسوحة ضوئيًا بالعربية والفرنسية؟
نعم، لكن جودة OCR هي التي تحدد النتيجة. ما زال التعرف الضوئي على النص العربي صعبًا، خاصة في الأرقام والجداول. راجع عينة من مخرجات OCR يدويًا قبل الفهرسة، واربط كل مقطع بصورة الصفحة الأصلية ليتمكن المستخدم من التحقق من القيم.
كيف نمنع المساعد من الاستشهاد بإجراء ملغى؟
خزّن لكل وثيقة رقمها ومراجعتها وتاريخ سريانها وحالتها كبيانات وصفية، وقيّد الاسترجاع افتراضيًا بالوثائق السارية. عند اعتماد مراجعة جديدة، فهرسها وعلّم القديمة بأنها ملغاة في الخطوة نفسها.
هل يجب تشغيل نظام RAG لوثائق الصيانة محليًا (on-premise)؟
يتوقف ذلك على حساسية الوثائق والسجلات وعلى القواعد التي تخضع لها. إبقاء النظام كاملًا على بنيتك التحتية يعني أن الوثائق والـ embeddings والطلبات والسجلات تبقى تحت سيطرتك، مما يبسّط مسائل التحكم في الوصول وحماية البيانات.



