في عالم الذكاء الاصطناعي وتوليد اللغة، يُعتبر استرجاع البيانات المدعوم بالتوليد (RAG) نموذجًا رائدًا يُستخدم لتطبيق نماذج اللغة الضخمة (LLMs) على مجموعات الوثائق المؤسسية. لكن مع نمو حجم البيانات وتعقيد الاستعلامات، تواجه التطبيقات البسيطة حدودًا صارخة.

تناقش هذه الدراسة التي أجريت في شركة أونتاريو لتوليد الطاقة (OPG) كيف يمكن تطوير أنظمة استرجاع بيانات متقدمة لضمان التوافق مع متطلبات هيئة الطاقة في أونتاريو (OEB). تسلط الدراسة الضوء على مختلف المراحل التي مرت بها الأنظمة: من نظام استرجاع بسيط إلى استرجاع هجين مع إعادة ترتيب النتائج، ثم الاسترجاع القائم على وظائف الوكيل، وأخيرًا تقديم بنية معقدة متعددة الوكلاء مع توليف الأدوات القائمة على الكود والتخطيط الصريح.

تحدد الدراسة أوجه الفشل والمقايضات التي دفعت كل انتقال، وتُقدم مفهوم "الحصول على الأدلة المتدرجة مع التصعيد المستند إلى التكلفة" (PEA-CAE) حيث يبدأ الاسترجاع بتكلفة منخفضة ودقة عالية، ويتصاعد إلى قراءة كاملة للوثائق عندما تبرر المكاسب المتوقعة في الأدلة التأخير والتكلفة.

تشير النتائج إلى أن تصميم السياق هو طريقة أكثر قابلية للتطبيق اقتصاديًا مقارنةً بعمليات التخصيص المحدد للنطاق لمجموعات البيانات التنظيمية الكبيرة والمتحولة. إن الانتقال نحو استرجاع عميق متفاعل يعكس الأفكار الكلاسيكية لاسترجاع المعلومات، من خلال تقديم إعادة صياغة استعلامات تكيفية، واكتشاف تدريجي للوثائق، وتلخيصات فرعية هرمية كوحدات نظام عملية.

تؤكد الآثار التشغيلية على الطبيعة البحثية للأنظمة الحديثة، حيث تُستبدل عمليات الاسترجاع ذات المرور الواحد تدريجياً بالحصول على الأدلة بشكل تكراري والتخطيط التكيفي كأساس للإجابة على الأسئلة على نطاق الشركات.