سناریو آشناست: دستیار هوشمندی راه انداخته‌اید و کارمندی از آن دربارهٔ شرایط مرجوعی کالا می‌پرسد. پاسخ روان و مطمئن است و کاملاً اشتباه، چون سیاست شرکت شش ماه پیش عوض شده و مدل هرگز آن را ندیده است. از اینجا دو راه باز می‌شود: دانش سازمان را در لحظهٔ پاسخ به مدل بدهیم، یا خودِ مدل را با داده‌های خودمان بازآموزی کنیم.

این دو اغلب هم‌رده معرفی می‌شوند، حال آنکه به دو پرسش متفاوت پاسخ می‌دهند: بازیابی‌افزوده مسئلهٔ «مدل چه می‌داند» را حل می‌کند و تنظیم دقیق مسئلهٔ «مدل چگونه رفتار می‌کند». اشتباه‌گرفتن این دو، رایج‌ترین دلیل هدررفت بودجه در پروژه‌های هوش مصنوعی سازمانی است.

دو مسیر، دو منطق

در بازیابی‌افزوده، اسناد سازمان در پایگاهی جست‌وجوپذیر می‌نشینند و با رسیدن هر پرسش، مرتبط‌ترین بخش‌ها همراه آن به مدل داده می‌شوند؛ مدل دست‌نخورده می‌ماند و تنها دانشِ در دسترسش تغییر می‌کند. در تنظیم دقیق، وزن‌های خود مدل با نمونه‌های آموزشی به‌روز می‌شود و نتیجه مدلی است که سبک یا واژگان تخصصی شما را درونی کرده است.

کجا بازیابی‌افزوده انتخاب درست است

• دانش شما مرتب تغییر می‌کند؛ قیمت، بخشنامه و قرارداد در چند هفته عوض می‌شوند.
• باید منبع هر پاسخ را نشان دهید؛ ارجاع به سند هم اعتماد می‌سازد هم بازرسی را ممکن می‌کند.
• داده برای آموزش کافی نیست، اما اسناد پراکندهٔ فراوان دارید.
• نتیجه را در روزهای آینده می‌خواهید، نه در فصل‌های آینده.

کجا تنظیم دقیق ارزش دارد

• مسئله سبک است نه دانش؛ خروجی باید همیشه در قالبی مشخص و با لحن حقوقی یا فنی ثابت نوشته شود.
• واژگان حوزهٔ شما آن‌قدر تخصصی است که مدل عمومی آن را درست نمی‌فهمد.
• مجموعهٔ باکیفیت و برچسب‌خوردهٔ بزرگی از نمونه‌های درست در اختیار دارید.
• تأخیر و هزینهٔ هر پاسخ بحرانی است و می‌خواهید بار زمینهٔ ورودی را کم کنید.

چارچوب تصمیم در چهار پرسش

• دانش یا رفتار؟ اگر مدل «نمی‌داند»، سراغ بازیابی‌افزوده بروید؛ اگر «بلد نیست چطور بگوید»، تنظیم دقیق را بسنجید.
• عمر داده چقدر است؟ هر چه داده زودتر کهنه شود، آموزش دوباره گران‌تر و بی‌فایده‌تر می‌شود.
• به ارجاع نیاز دارید؟ در حوزه‌های تنظیم‌شده مثل مالی و درمان، پاسخ بدون منبع عملاً قابل استفاده نیست.
• هزینهٔ نگه‌داری با کیست؟ مدل تنظیم‌شده با هر تغییر سیاست بازآموزی می‌خواهد؛ پایگاه اسناد فقط به‌روزرسانی.

واقعیت داده در شرکت‌های ایرانی

در بیشتر سازمان‌های ایرانی، دانش ارزشمند در فایل‌های ورد، بخشنامه‌های پی‌دی‌اف، صورت‌جلسه‌ها و گفت‌وگوهای پشتیبانی پخش است؛ نه برچسب خورده و نه یکدست. همین وضعیت، تنظیم دقیق را دشوار می‌کند، چون آموزش به مجموعه‌ای تمیز و همگون نیاز دارد. بازیابی‌افزوده افزون بر این اجازه می‌دهد داده در زیرساخت داخلی بماند و دسترسی سطح‌بندی شود؛ ملاحظه‌ای که برای بانک‌ها و بیمه‌ها فقط ترجیح فنی نیست.

یک نمونهٔ عملی

شرکتی با انبوهی از دستورالعمل‌های داخلی، به‌جای سفارش یک مدل اختصاصی، اسنادش را در پایگاهی جست‌وجوپذیر مرتب کرد و دستیاری ساخت که پاسخ‌ها را همراه با ارجاع به بند و سند ارائه می‌داد. زمان پاسخ‌گویی داخلی کوتاه شد و مهم‌تر از آن، با هر تغییر بخشنامه، به‌روزرسانی یک فایل کافی بود.

مسیر ۹۰ روزه

• ماه نخست: پرتکرارترین دستهٔ پرسش‌ها را مشخص و اسناد مرجع همان دسته را جمع، پاک‌سازی و نسخه‌بندی کنید.
• ماه دوم: نمونهٔ اولیهٔ بازیابی‌افزوده را روی همان دامنه بسازید و با پرسش‌های واقعی کاربران بسنجید، نه با نمونه‌های ساختگی.
• ماه سوم: اگر دقت پاسخ قابل قبول بود، دامنه را بازتر کنید؛ اگر خطاها ریشه در سبک داشت نه در دانش، آن‌گاه تنظیم دقیق را بررسی کنید.

خطاهای رایج

• رفتن سراغ آموزش مدل پیش از آنکه ثابت شود مسئله واقعاً دانشی نیست.
• ریختن همهٔ اسناد در یک پایگاه بدون پاک‌سازی؛ محتوای تکراری و منسوخ، پاسخ متناقض می‌سازد.
• ندیدن هزینهٔ نگه‌داری؛ هر مدل تنظیم‌شده یک بدهی فنی است که با هر تغییر سیاست سررسید می‌شود.
• نداشتن مجموعهٔ آزمون؛ بدون فهرستی از پرسش‌ها و پاسخ‌های درست، افت کیفیت اصلاً دیده نمی‌شود.

پرسش‌های پرتکرار

• می‌توان هر دو را به کار برد؟
  بله و در سامانه‌های بالغ همین می‌شود: تنظیم دقیق برای سبک، بازیابی‌افزوده برای دانش روزآمد. اما ترتیب مهم است؛ ابتدا بازیابی‌افزوده.
• هزینهٔ شروع چقدر است؟
  نمونه‌ای اولیه روی دامنه‌ای محدود با اسناد موجود، در حد یک پروژهٔ نرم‌افزاری کوچک هزینه دارد.
• دقت را چگونه بسنجیم؟
  با مجموعه‌ای ثابت از پرسش‌های واقعی و داوری انسانی روی درستی پاسخ و صحت ارجاع؛ همین دو عدد برای تصمیم کافی است.

جمع‌بندی

انتخاب میان این دو رویکرد، پیش از آنکه فنی باشد، تشخیص درست صورت مسئله است. برای سازمان‌هایی که دانششان پراکنده و متغیر است، بازیابی‌افزوده شروعی ارزان‌تر، سریع‌تر و قابل‌بازرسی‌تر است و تنظیم دقیق ابزاری برای مسائل خاص‌تر.

واژه‌نامه

• مدل زبانی بزرگ: موتوری که متن را می‌فهمد و متن تولید می‌کند؛ پایهٔ دستیارهای گفت‌وگومحور.
• بازیابی‌افزوده: روشی که در آن مدل پاسخ را از اسناد سازمان می‌خواند، نه فقط از حافظهٔ آموزشی خود.
• تنظیم دقیق: آموزش دوبارهٔ یک مدل آماده با داده‌های اختصاصی، برای درونی‌کردن سبک یا تخصص.
• پایگاه برداری: انباره‌ای که متن‌ها را بر پایهٔ معنا جست‌وجوپذیر می‌کند، نه صرفاً بر پایهٔ واژه.
• توهم مدل: پاسخ روان و مطمئنی که پشتوانهٔ واقعی ندارد.
• مجموعهٔ آزمون: فهرستی ثابت از پرسش‌ها و پاسخ‌های درست، برای سنجش کیفیت در طول زمان.

اقدام این هفته

این هفته، یک «آزمون دانش در برابر رفتار» برای دستیار خود طراحی کنید. ده پرسش واقعی از پرتکرارترین موضوعات پشتیبانی را بردارید و پاسخ فعلی مدل را ثبت کنید. سپس برای هر پاسخ، دو سؤال بپرسید: «آیا مدل اطلاعات درست را می‌داند؟» و «آیا مدل آن را درست بیان می‌کند؟». پاسخ‌هایی که مشکلشان «ندانستن» است را فهرست کنید و برای هر مورد، سند مرجع قابل استناد را پیدا و نسخه‌بندی کنید. در پایان هفته، یک نمونهٔ اولیهٔ ساده از بازیابی‌افزوده با همین اسناد بسازید و همان ده پرسش را دوباره آزمایش کنید. نتیجه را در یک جدول مقایسه‌ای ثبت کنید: کدام خطاها رفع شدند و کدام‌ها باقی ماندند. این آزمایش کوچک، مرز بین «دانش» و «رفتار» را در سازمان شما روشن می‌کند و تصمیم هفتهٔ بعد را بر اساس داده، نه شهود، می‌گیرد.

منابع

• «بازیابی‌افزوده (RAG) چیست و چه تفاوتی با تنظیم دقیق دارد؟» — وبلاگ هوش مصنوعی دیجیاتو https://digiato.com/tag/retrieval-augmented-generation
• «راهنمای عملی پیاده‌سازی RAG در سازمان‌ها» — ویرگول https://virgool.io/topic/ai-and-ml
• «تفاوت Fine-tuning و RAG برای مدل‌های زبانی بزرگ» — وبلاگ پارس‌آی‌تی https://parsit.ir/blog/ai
• «Retrieval-Augmented Generation for Large Language Models: A Survey» — arXiv https://arxiv.org/abs/2312.10997
• «A Survey of Techniques for Maximizing LLM Performance» — OpenAI Cookbook https://cookbook.openai.com/articles/techniques_to_improve_reliability