التوجيه بأمثلة قليلة: تعليم الذكاء الاصطناعي بالأمثلة والأمثلة المضادة
توضح أمثلة التوجيه القليل الفئات والمدخلات وصيغة المخرج. تعرّف إلى دور الأمثلة المضادة وترتيب الأمثلة وتقييم الطلب على حالات جديدة.
AI / الذكاء الاصطناعي
تساعد التضمينات في العثور على مقاطع مترابطة، لكن أقرب جار ليس بالضرورة ذا صلة. تعرّف إلى تفسير التشابه وتقييم الاسترجاع.

يمثل التضمين النص في صورة متجه، أي قائمة من الأعداد ينتجها نموذج. يضمّن نظام البحث الدلالي المقاطع المخزنة والاستعلام، ثم يسترجع المقاطع التي تقع متجهاتها بالقرب من متجه الاستعلام. وهذا قد يعثر على صياغات مترابطة حتى عندما لا تشترك النصوص في كثير من الكلمات. لكنه لا يثبت أن المقطع يجيب عن السؤال.
بيّن بحث Sentence-BERT طريقة لمقارنة تضمينات الجمل بكفاءة باستخدام التشابه الجيبي. واستخدم بحث Dense Passage Retrieval مُرمّزين منفصلين للاستعلام والمقطع من أجل استرجاع مقاطع مرشحة للإجابة عن أسئلة مفتوحة المجال. تجعل هذه التصاميم الاسترجاع واسع النطاق عملياً، لكن المتجهات لا تكون مفيدة إلا داخل فضاء التمثيل الذي دُرّبت عليه. لا تقارن متجهات من نماذج أو إصدارات أو مسارات معالجة مختلفة كما لو كانت إحداثياتها مشتركة.
عندما تكون المتجهات مطبّعة، يساوي التشابه الجيبي حاصل الضرب النقطي؛ وغالباً ما تُعرّف المسافة الجيبية بأنها واحد ناقص ذلك التشابه. لنأخذ مثالاً هندسياً صغيراً للتوضيح: متجه استعلام q = [1, 0]، ومتجه مقطع a = [0.9, 0.1]، ومتجه b = [0, 1]. يرتب التشابه الجيبي المتجه a أقرب إلى q من b. هذه الأعداد لتوضيح الهندسة فقط؛ ليست ناتج نموذج أو درجة صلة أو دليلاً على فائدة المقطع.
يجيب الترتيب عن سؤال: «ما المرشحات الأقرب وفق هذا التمثيل والمقياس؟» ولا يجيب عن سؤال: «هل النتيجة صحيحة أو حديثة أو مصرّحاً بها أو كافية؟». فقد يشارك أقرب جار الموضوع العام لكنه يفوّت رمز منتج أو إصداراً أو تاريخاً أو نفياً أو استثناءً محدداً.
لا تمثّل درجة التشابه تلقائياً احتمال الصلة. فهي تعتمد على النموذج والمجموعة والمقياس والتطبيع وتنفيذ البحث. وقد تحوّل بعض الخدمات المقياس الخام قبل إرجاع درجة الترتيب. ولا تحمل عتبة عامة مثل «اقبل كل نتيجة فوق 0.8» معنى موثوقاً من دون تقييم ومعايرة للمهمة.
احتفظ بالفلاتر الوصفية للقيود الصارمة: المستأجر والصلاحيات واللغة وحالة المستند وإصداره وتاريخه. واستخدم البحث المعجمي للأسماء الدقيقة والمعرّفات ورموز الأخطاء والعبارات المنقولة حرفياً. يمكن لنظام هجين أن يجمع المطابقات المعجمية والجيران المتجهيين ثم يعيد ترتيب المرشحات. وتشرح وثائق Microsoft للبحث المتجهي الاستعلامات المتجهية والهجينة وسلوك درجات نتائجها؛ لذا تحقّق من تعريف الخدمة المستخدمة بدلاً من افتراض أن كل درجة هي التشابه الجيبي الخام.
أُنشئ معيار BEIR لتقييم نماذج استرجاع المعلومات عبر مجموعات بيانات متنوعة وإعدادات صفرية. وفكرته مفيدة عملياً: الأداء على مجموعة مألوفة لا يثبت التعميم إلى مجال آخر. أنشئ مجموعة مراجعة من الاستعلامات المأخوذة من المواد التي يبحث فيها تطبيقك فعلياً. سجّل المقاطع ذات الصلة لكل استعلام، وقيّم مقاييس مثل Recall@k ومتوسط الرتبة التبادلي أو nDCG، إلى جانب احتواء النص المسترجع على الدليل الكامل المطلوب.
افحص حالات الإخفاق، لا المتوسطات فقط: أخطاء المطابقة الدقيقة، والنسخ القديمة، والعبارات المتشابهة المضللة، وعدم تطابق اللغة، والمقاطع التي أسقطت جملة مقيّدة. قارن نموذج التضمين والمقياس على مجموعة الاختبار نفسها. وأعد التقييم عند تغيير النموذج أو التقسيم أو الفلاتر أو المجموعة أو مسار الاستعلام.
يتعامل نظام البحث الدلالي الموثوق مع تشابه التضمينات على أنه توليد للمرشحين. ويحفظ معرّفات المصادر وإصداراتها، ويطبّق ضوابط الوصول بصورة مستقلة، ويتيح الأدلة للمراجعة اللاحقة. تساعد قيمة التشابه في ترتيب الاحتمالات، أما الصلة فيجب قياسها وفق مهمة الاسترجاع.
النسخة الإنجليزية: https://basharmodallal.com/blog/embeddings-semantic-search-limits
رأيك يهمنا
اختر تفاعلًا واحدًا لهذا المقال.
تُستخدم ملفات تعريف الارتباط للحد من تكرار الردود. ملاحظاتك خاصة.