حساب السياق بدل استرجاعه: كيف يكسر «ريكاست» اختناق أنظمة البحث التوليدي؟

تفشل منظومات البحث التوليدي التقليدية حين لا توجد الإجابة كاملة داخل وثيقة واحدة. لعقود من الممارسة البرمجية الحديثة، اعتمدت تقنيات توليد النصوص المدعومة بالاسترجاع على مطابقة التشابه اللفظي أو المتجهي لسحب المقاطع الجاهزة وحشوها في نافذة السياق، غير أن المسائل الهندسية المعقدة لا تحتفظ بأدلتها في فقرة مسبقة الصنع. حل المشكلات المركبة يتطلب اشتقاق الدليل عبر التصفية، والتجميع، والحساب المباشر بين مصادر متباينة، وهو ما يضع المعماريات الحالية أمام حائط مسدود.

أمام هذا القصور، طرح باحثون إطار عمل تعلمي يحمل اسم «ريكاست»، يُعيد صياغة تشييد الأدلة بوصفه عملية اتخاذ قرار متسلسلة تمزج بين الاسترجاع والعمليات الحسابية المتنوعة. الفكرة المركزية هنا هي أن الدليل يُشتق اشتقاقًا نشطًا بدلاً من الاكتفاء باسترجاعه السلبي. يتولى نموذج توجيه خفيف الوزن، أُطلق عليه «روتر إل إم»، اختيار وصياغة العمليات الأولية بصورة تكرارية، أو تحديد عمليات مخصصة تُحال إلى نموذج مجمّع ومجمّد الشفرة البرمجية لترجمتها إلى كود تنفيذي حقيقي يفرز النتائج الحسابية بدقة.

وحين يتيقن نموذج التوجيه من اكتمال عناصر الدليل وكفايتها، يُمرر الحصيلة المقبولة إلى نموذج إجابة مجمّد لصياغة الحل النهائي. وقد دُرّب نموذج التوجيه عبر الضبط الدقيق الخاضع للإشراف، متبوعًا بتحسين السياسة النسبية الجماعية المعروف اختصارًا بـ GRPO. هذه المعمارية الموزعة تنقل العبء الإدراكي من نموذج توليد ضخم ومكلف إلى حلقة استدلال رشيقة تحتكم إلى التنفيذ البرمجي الصارم.

تكشف نتائج القياس المعياري فجوة حاسمة بين النماذج الضخمة الجاهزة ونماذج التوجيه المدربة على الحساب. عبر ست عائلات من الاختبارات المعيارية غير المتجانسة، حقق «ريكاست» متوسط نسبة نجاح بلغت 75.6%، متفوقًا بفارق 15.9% على أقوى خط أساس يستند إلى النماذج الكبيرة. والأهم من ذلك أن تدريب نموذج التوجيه المبني على «كوين 3.5» بحجم تسعة مليارات معامل مكنه من التفوق بنسبة 5.0% على نموذج «جيميني 3.5 فلاش» غير المدرب والمستخدم كموجّه للمهام، فضلاً عن تحقيقه قفزة بلغت 15.0% في المتوسط على ثلاثة اختبارات معيارية محجوبة، ما أثبت قدرة عالية على التعميم التلقائي.

هذا التحول التقني يحمل وزنًا تشغيليًا مباشرًا لمطوري الأنظمة والفرق الهندسية في الخليج ومصر والشام؛ فالمؤسسات الإقليمية، لا سيما في القطاعات المصرفية واللوجستية وخدمات المتعاملين، أنفقت ميزانيات ضخمة خلال العامين الأخيرين لبناء خطوط استرجاع تقليدية تصطدم يوميًا بعجزها عن معالجة البيانات الجدولية والتقارير المالية المركبة. إثبات أن نموذجًا مفتوحًا بحجم تسعة مليارات معامل، حين يُدرّب على توجيه الحسابات البرمجية، يتفوق على نماذج سحابية ضخمة ومغلقة، يمنح الفرق المحلية بديلاً تشغيليًا أقل تكلفة بمراحل وأعلى دقة في حفظ السيادة على البيانات الحساسة دون الاعتماد الكامل على استدعاءات واجهات برمجة التطبيقات باهظة الثمن.

إن مهارة بناء منظومات الذكاء الاصطناعي تنتقل فعليًا من هندسة الاستعلامات وحشو النوافذ النصية إلى مهارة هندسة المسارات الحسابية وتطويع النماذج الصغيرة للتحكم في الأكواد البرمجية المجمعة. الفرق التي تستوعب هذا الفارق اليوم ستوفر نفقات استدلال طائلة، وتتجنب هدر الوقت في تنقيح نتائج استرجاع مبتورة لا تسمن ولا تغني عن حساب دقيق.