# ما هو RAG؟ شرح توليد النصوص المعزز بالاسترجاع في الذكاء الاصطناعي

Original title: What is RAG? (Retrieval-Augmented Generation Explained)

Page: https://dubljly.skaigroup.tech/v/5a27abe3-9b49-4a86-8acc-8611103235bb

Video: https://www.youtube.com/watch?v=UZJ4J_m3Hlc

## الملخص

تعاني نماذج الذكاء الاصطناعي من محدودية تاريخ انتهاء التدريب واختلاق المعلومات عند سؤالها عن بيانات خاصة أو حديثة. تقنية RAG تحل هذه المشكلة عن طريق استرجاع المعلومات الدقيقة ودمجها مع السؤال مباشرةً قبل توليد الإجابة. يضمن هذا النهج تقديم إجابات دقيقة ومحدثة مستندة إلى مصادرك الخاصة بدلاً من الاعتماد على ذاكرة النموذج فقط.

## الفصول

- 00:00 مشكلة انقطاع التدريب في نماذج الذكاء الاصطناعي
  - نماذج مثل GPT وClaude وGemini مجمدة عند تاريخ تدريب معين.
  - عند سؤال النماذج عن أحداث جديدة أو وثائق خاصة، فإنها إما تختلق الإجابات أو تعجز عن الرد.
  - تقنية RAG هي الحل الأساسي لسد هذه الفجوة المعرفية.
- 00:22 خطوات عمل تقنية RAG
  - تقسيم البيانات إلى أجزاء صغيرة (Chunks) وتحويلها إلى متجهات تضمين (Embeddings).
  - تخزين المتجهات في قاعدة بيانات متجهة والبحث فيها دلالياً عند وصول سؤال المستخدم.
  - تزويد النموذج بالأجزاء الأكثر صلة بجانب السؤال ليجيب بناءً على معلومات موثوقة.
- 01:11 مثال عملي: تطبيق My Camino Guide
  - استخدام بنية RAG لبناء تطبيق دليل سياحي للمسافرين.
  - البحث في قاعدة بيانات مخصصة عن نزل معينة واسترجاعها بدقة.
  - تمرير النتائج للنموذج لتقديم إجابة حقيقية ومحدثة بدلاً من التخمين.

## المصطلحات

- **Training cutoff** — تاريخ انقطاع التدريب: النقطة الزمنية التي يتوقف عندها تدريب النموذج، مما يجعله جاهلاً بأي أحداث أو معلومات بعدها.
- **Hallucinate** — الهلوسة (توليد معلومات غير صحيحة): قيام نموذج الذكاء الاصطناعي باختلاق وتوليد إجابات ومعلومات غير حقيقية أو غير دقيقة بثقة.
- **Retrieval-Augmented Generation** — التوليد المعزز بالاسترجاع: تقنية تعتمد على استرجاع بيانات مخصصة ودمجها في السياق لمساعدة النموذج على التوليد بدقة.
- **Prompt** — المطالبة / الأمر المدخل: النص أو التعليمات المدخلة إلى نموذج اللغة لتوجيهه لتوليد استجابة محددة.
- **Chunks** — أجزاء / مقاطع نصية: وحدات نصية صغيرة يتم تقسيم المستندات الطويلة إليها لمعالجتها وتضمينها بكفاءة.
- **Vector embedding** — التضمين المتجهي: تمثيل رقمي دلالي للنص في شكل مصفوفة أرقام تعكس معناه الحقيقي.
- **Vector database** — قاعدة بيانات متجهة: قاعدة بيانات مخصصة لتخزين المتجهات والبحث السريع عن البيانات بناءً على تشابه المعنى.
- **Context** — سياق النموذج: نافذة المعلومات والبيانات المعطاة للنموذج ليقرأها ويعتمد عليها مباشرة أثناء تقديم الإجابة.
- **Grounding** — التثبيت بمصادر موثوقة: ربط إجابات النموذج ببيانات وحقائق مسترجعة موثوقة لمنعه من التخمين واختلاق الكلام.