مع تزايد اعتماد الشركات على نماذج اللغات الضخمة (Large Language Models)، أصبحت الحاجة إلى تفصيل هذه النماذج لتلائم المعرفة الخاصة بالمجالات الصناعية أكثر إلحاحاً. في مقدمة هذا السياق، تبرز طريقتان رئيسيتان: الجيل المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG) والتعديل الدقيق (Fine-Tuning - FT). لكن السؤال الذي يطرح نفسه هو: أي من هذه الطرق تقدم الأفضل من حيث التوازن بين التكلفة والدقة في البيئة الصناعية؟

دراسة حديثة تناولت هذا الموضوع من خلال اختبار تأثير RAG وFT على مجموعتين بيانات مغلقة تركزان على صناعة السيارات، سعت إلى تقييم جودة الإجابات وتكاليف التشغيل. اعتمدت الدراسة على إطار عمل تكلفة التمرير (Cost-of-Pass) الذي اقترحه Erol وآخرون، لتقديم تقييم شامل للجودة والإنتاج والتكاليف المرتبطة بتفاعل المستخدم.

النتائج التي توصلت إليها الدراسة تشير إلى أن النماذج ذات الأداء العالي تعطي أفضل النتائج مباشرة دون تعديل، بينما يمكن للنماذج مفتوحة المصدر أن تحقق جودة مماثلة عند تعزيزها عن طريق RAG. مما يجعل RAG الخيار الأكثر فعالية من حيث التكلفة للتكيف مع كل من النماذج المغلقة والمفتوحة.

في ختام هذا التحليل، أصبح من الواضح أن اعتماد استراتيجيات متطورة مثل RAG يمكن أن يحدث فرقاً كبيراً في كيفية استجابة أنظمة الذكاء الاصطناعي لمتطلبات الصناعة، مما يفتح الطريق نحو تحسينات مستقبلية مثيرة.