25 يوليو 2026 · ISZ.AI Solution Architecture Team

لماذا يستمر هلوسة RAG المؤسسي في الشبكة الخاصة

“فريق الأمن رصد استخدامنا لـChatGPT العام، فانتقلنا إلى نسخة على شبكة خاصة — والآن يشتكي فريق العمل من أن الإجابات خارج الموضوع، أو الأسوأ، خاطئة بثقة.” نسمع نسخة من هذه الشكوى باستمرار.

مشكلة هلوسة RAG المؤسسي ليست ناتجة عن تشغيل الذكاء الاصطناعي على شبكة خاصة. كان ذلك القرار صحيحًا. المشكلة الحقيقية أنه في كل حالة تقريبًا، لم تحظَ جودة الاسترجاع بالاهتمام نفسه الذي حظي به الأمن. إلقاء النصوص في قاعدة بيانات متجهية واعتبار المهمة منتهية لم يكن ليلبّي المتطلبات المؤسسية أبدًا.

يغطي هذا المقال إلى أي مدى يمكنك فعليًا خفض معدلات الهلوسة داخل بيئة مغلقة — من التنفيذ التقني إلى العادات التشغيلية التي تُبقيه فعالًا.

لماذا تقول الفرق إنه “لا يعمل”

التفسير الافتراضي هو “النموذج ليس جيدًا بما يكفي”، لكن الشكوى الحقيقية تعود دائمًا تقريبًا إلى البيانات، لا النموذج.

الأدلة الداخلية وسجلات الموافقات التاريخية موزعة بين ملفات PDF ومستندات Word وجداول بيانات، غالبًا بتنسيقات مكسورة وجداول لم تنجُ سليمة من عملية الفهرسة. لا يمكن لأي نموذج أن يجيب بدقة انطلاقًا من أساس كهذا.

نمط فشل أقل وضوحًا هو ما يمكن تسميته جدار الإحالات المتقاطعة. المستندات السياساتية الداخلية مليئة بهياكل مثل “افعل أ افتراضيًا، إلا في حال انطباق ب فطبّق ج (راجع الملحق للتفاصيل)”. لا تستطيع تطبيقات RAG القياسية تتبّع هذه السلسلة، فتنتج إجابة عبر خياطة أجزاء منفصلة — بثقة، وغالبًا بشكل خاطئ.

فوق ذلك، فهرس واحد على مستوى الشركة بضوابط وصول ضعيفة يخلق مشكلتين في آن واحد: خطر تسرّب البيانات، وتجربة بحث لا يزال فيها الناس عاجزين عن العثور على الإجابة التي يحتاجونها.

ثلاثة تغييرات تحرّك الدقة فعليًا

1. إعادة عمل استخراج النصوص والتقسيم

إدخال ملف PDF كاملًا مباشرة إلى نموذج تضمين هو الأسهل وينتج أسوأ النتائج.

الانتقال إلى التقسيم الدلالي — تقسيم المستندات وفق حدود الأقسام والعناوين بدلًا من عدد أحرف عشوائي — ينتج قفزة ملحوظة في معدل إصابة الاسترجاع وحده. يجب أن تمر الجداول عبر AI-OCR وتحليل التخطيط لتصبح جداول Markdown سليمة قبل الفهرسة. تخطَّ هذه الخطوة وسيصبح كل سؤال يتعلق بالأرقام غير موثوق.

2. التوقف عن الاعتماد على البحث المتجهي وحده

البحث المتجهي جيد في التقاط القصد، لكنه ضعيف مع المصطلحات المطابقة تمامًا — أرقام الأصناف، أرقام اللوائح التنظيمية، المصطلحات الداخلية — حيث التشابه الدلالي ليس ما تحتاجه فعليًا.

البحث الهجين، الذي يجمع البحث المتجهي مع البحث بالكلمات المفتاحية (BM25 أو ما شابه)، يسد هذه الفجوة. كل أسلوب قوي في فئة مختلفة من الاستعلامات، ودمج نتائج الاثنين هو ما ينتج إجابات موثوقة باستمرار.

3. تنقية الضجيج قبل وصوله إلى النموذج

ما يستخرجه الاسترجاع الأولي لا ينبغي أن يذهب مباشرة إلى نافذة سياق النموذج. تمريره عبر مُعيد ترتيب (reranker) (نموذج ترميز متقاطع، على سبيل المثال) يعيد تقييم الصلة الحقيقية بالسؤال المحدد أولًا هو ما يهم فعليًا.

كلما زاد الضجيج في نافذة السياق، زاد ملء النموذج للفجوات باختلاق يبدو معقولًا. تضييق ما تغذّيه للنموذج من أعلى الطرق فعالية لخفض معدلات الهلوسة.

RAG القياسي مقابل RAG المرتكز على الدقة

البُعد التطبيق الأساسي المعتاد التطبيق المرتكز على الدقة
طريقة الاسترجاع بحث متجهي فقط هجين (متجهي + كلمات مفتاحية)
تحليل المستندات استخراج نص عادي تحليل بنية دلالية + تحويل الجداول
تقليل الضجيج لا يوجد إعادة تقييم عبر مُعيد ترتيب
ضوابط الوصول فهرس واحد على مستوى الشركة تصفية واعية بقوائم التحكم بالوصول حسب الدور/القسم
الهلوسات تحدث بشكل روتيني لا تزال تحدث أحيانًا، لكن مع الإشارة إلى صفحة المصدر

أنماط معمارية للبيئات المغلقة

حتى حيث لا يمكن للبيانات مغادرة شبكتك، هناك مساران عمليان.

خدمة Azure OpenAI، اتصال شبكة خاصة. متصلة عبر VNet ضمن اتفاقية مؤسسية، مع بند تعاقدي يضمن عدم استخدام بياناتك للتدريب. لهذا النمط سجل قوي في القطاع المالي والتأمين، وينطبق الأمر ذاته على المؤسسات المالية والحكومية في منطقة الخليج التي تتبع أطر امتثال مماثلة.

نموذج لغوي محلي / داخل المقر. للبيئات — الدفاع، الحكومة، بعض المؤسسات المالية — التي تتطلب صفر اتصالات خارجية، تعمل نماذج مفتوحة الأوزان مثل Llama 3 أو Qwen على بنية GPU داخلية. المفاضلة هي زمن الاستجابة والتكلفة مقابل العزل الكامل للبيانات.

[ العميل الداخلي ]
       │ (TLS)
[ بوابة مصادقة / ضوابط وصول ]
       │
[ محرك RAG (بحث هجين + مُعيد ترتيب) ]
       ├──► [ قاعدة بيانات متجهية خاصة / مخزن معرفة ]
       ▼
[ نموذج لغوي مؤسسي (Azure OpenAI / نموذج محلي) ]

إعادة تشغيل ذكاء اصطناعي داخلي متعثر

“نشرنا ChatGPT ولا أحد يستخدمه”، أو “الانتقال إلى شبكة خاصة جعله أسوأ” — هذه حالات شائعة، لا نادرة. في معظم الحالات، إصلاح خط أنابيب البيانات وبنية RAG يوصلك أبعد، وأسرع، وبتكلفة أقل من استبدال النماذج.

تتعامل ISZ.AI مع هذا من طرف إلى طرف: هيكلة البيانات ومعالجتها الأولية، وبناء RAG عالي الدقة، وتكامل ضوابط الوصول، ومراقبة الدقة بعد الإطلاق. عادة ما نبدأ بتشخيص لمدة أسبوع إلى أسبوعين، فمن المقبول التواصل حتى لو لم تكن متأكدًا بعد من مكان المشكلة فعليًا.

أسئلة متكررة

هل يمكن التخلص من الهلوسات تمامًا؟ ليس واقعيًا — النماذج الأساسية احتمالية بطبيعتها. الهدف الواقعي هو خفض معدل الهلوسة إلى مستوى قابل للاستخدام عمليًا، والتأكد من أن النظام يستشهد بمصدره عند حدوثها ليتحقق شخص منها. الاسترجاع الأفضل وإعادة الترتيب يخفضان المعدل بشكل كبير.

نُشغّل بالفعل ذكاء اصطناعي داخليًا على قاعدة بيانات متجهية. هل يجب إعادة البناء من الصفر؟ عادة لا. في معظم الحالات تبقى قاعدة البيانات المتجهية القائمة، وتضيف التحسينات تدريجيًا: تقسيم أفضل، بحث بالكلمات المفتاحية مضاف، مُعيد ترتيب. ابدأ بفحص بنية فهرسك الحالية وقياس دقة الإجابة الفعلية على أسئلة حقيقية.

أي نموذج لغوي منطقي داخل شبكة خاصة؟ إذا كان الاتصال الخارجي المحدود مسموحًا به، فاتصال Azure OpenAI Service عبر الشبكة الخاصة خيار عملي. إذا لم يُسمح بأي حركة خارجية على الإطلاق، فالنماذج مفتوحة الأوزان مثل Llama 3 أو Qwen العاملة على خوادم GPU داخلية هي المسار الواقعي. كلاهما ينطوي على مفاضلة زمن استجابة/تكلفة، لذا يعتمد الاختيار على متطلباتك المحددة.

كم تكلف إضافة البحث الهجين وإعادة الترتيب، وكم يستغرق ذلك؟ يعتمد ذلك بشكل كبير على إعداد RAG الحالي لديك، لكن من إعادة عمل المعالجة الأولية للبيانات والتقسيم إلى تنفيذ البحث الهجين ومُعيد الترتيب، توقع نطاقًا من بضعة أسابيع إلى شهرين أو ثلاثة. نبدأ بمراجعة فهرسك الحالي وأنماط الاستعلام المعتادة لتحديد مكان الاختناق الفعلي.

الخطوات التالية

ضع الذكاء الاصطناعي في الإنتاج، لا في العروض التقديمية فقط.

أخبرنا بالمشكلة، ونحن نجهز الاستراتيجية والبرمجيات، وإن لزم الأمر، المصنع أيضًا.

تحدث إلى خبير