قواعد البيانات المتجهية Vector Databases: كيف يجد الذكاء الاصطناعي المعلومة التي تقصدها لا التي كتبتها؟

 قواعد البيانات المتجهية Vector Databases: كيف يجد الذكاء الاصطناعي المعلومة التي تقصدها لا التي كتبتها؟

عندما تبحثين في قاعدة بيانات تقليدية عن كلمة معينة، تتوقعين عادة أن يبحث النظام عن كلمات أو قيم مطابقة لما كتبته.

لكن ماذا لو كتبتِ:

«أريد هاتفًا بطاريته تستمر طوال اليوم.»

بينما وصف المنتج الموجود في قاعدة البيانات يقول:

«جهاز بعمر بطارية طويل.»

الكلمات ليست متطابقة، لكن المعنى متقارب جدًا.

كيف يستطيع نظام ذكاء اصطناعي اكتشاف ذلك؟

هنا تظهر واحدة من التقنيات المهمة خلف كثير من تطبيقات الذكاء الاصطناعي الحديثة: قواعد البيانات المتجهية Vector Databases.

أولًا: ما المقصود بالـ Vector؟

الذكاء الاصطناعي لا يحتاج دائمًا إلى التعامل مع النصوص بالطريقة التي نقرأها نحن.

يمكن لنماذج تسمى Embedding Models تحويل النصوص والصور وغيرها إلى مجموعات من الأرقام تسمى Vectors أو المتجهات.

هذه الأرقام تمثل خصائص المحتوى بطريقة رياضية تساعد النظام على مقارنة التشابه في المعنى.

فمثلًا قد تكون عبارتا:

«سيارة اقتصادية في استهلاك الوقود»

و

«مركبة لا تستهلك الكثير من البنزين»

مختلفتين لغويًا، لكن تمثيلهما الرياضي قد يكون متقاربًا لأن معناهما متشابه.

ومن هنا تبدأ الفكرة.

إذًا ما قاعدة البيانات المتجهية؟

هي قاعدة بيانات مصممة لتخزين هذه المتجهات والبحث بينها بكفاءة.

بدل أن تسأل فقط:

أين توجد هذه الكلمة؟

يمكن للنظام البحث عن:

ما المحتوى الأقرب في المعنى إلى هذا السؤال؟

وهذا يسمى غالبًا البحث بالتشابه Similarity Search.

وهذا اختلاف مهم جدًا عن البحث التقليدي.

ماذا يحدث عندما تكتب سؤالًا؟

لنفترض أن شركة لديها عشرات الآلاف من المستندات، وتسألين مساعدها الذكي:

«كيف أسترجع منتجًا وصلني تالفًا؟»

يمكن للنظام تحويل السؤال إلى Vector.

ثم يبحث في قاعدة البيانات المتجهية عن الأجزاء الأقرب إلى معنى السؤال، مثل سياسة استرجاع المنتجات التالفة، حتى لو لم تستخدم الوثيقة الكلمات نفسها الموجودة في سؤالك.

بعد العثور على المعلومات المناسبة، يمكن إرسالها إلى نموذج الذكاء الاصطناعي ليكوّن الإجابة.

وهكذا يصبح البحث مبنيًا بدرجة أكبر على المعنى والسياق وليس مجرد تطابق الكلمات.

وهنا تظهر علاقتها بـ RAG

وهذه النقطة تربط الموضوع بأحد المفاهيم المهمة التي تحدثنا عنها سابقًا: RAG – Retrieval-Augmented Generation.

في كثير من تطبيقات RAG، تُقسَّم المستندات إلى أجزاء صغيرة، ثم تُحوَّل هذه الأجزاء إلى Embeddings.

بعد ذلك يمكن تخزين المتجهات في نظام يدعم البحث المتجهي.

عندما يسأل المستخدم سؤالًا، يبحث النظام عن الأجزاء الأكثر ارتباطًا بالسؤال ثم يقدمها إلى نموذج اللغة كسياق يساعده على الإجابة.

بمعنى مبسط:

السؤال ← Embedding ← بحث عن المعلومات المتشابهة ← استرجاع السياق ← النموذج يولد الإجابة.

لكن من المهم الانتباه إلى أن RAG لا يشترط دائمًا استخدام قاعدة بيانات متجهية مستقلة؛ فهناك طرق وتقنيات استرجاع أخرى أيضًا.

لماذا لا نستخدم قواعد البيانات العادية فقط؟

قواعد البيانات التقليدية ممتازة في أشياء كثيرة.

إذا أردنا معرفة:

«جميع الطلبات التي يزيد سعرها على 500 ريال»

فهذا استعلام منظم ومباشر، وقاعدة البيانات التقليدية مناسبة جدًا له.

لكن إذا كان السؤال:

«اعرض المنتجات المناسبة لشخص يريد جهازًا خفيفًا للسفر والعمل»

فالأمر أصبح أقرب إلى فهم المعنى.

وهنا يصبح البحث الدلالي Semantic Search مفيدًا.

لذلك لا تعني Vector Databases نهاية قواعد البيانات التقليدية، بل إنها أداة مناسبة لنوع مختلف من البحث.

ليست النصوص وحدها

الأمر يصبح أكثر إثارة عندما ندرك أن الـ Embeddings يمكن أن تمثل أنواعًا مختلفة من المحتوى.

مثل:

النصوص، والصور، والصوت، والمنتجات، والمستندات، وغيرها بحسب النموذج المستخدم.

تخيلي متجرًا إلكترونيًا يسمح لك بإرسال صورة لحقيبة ثم يبحث عن منتجات مشابهة بصريًا.

أو منصة تحتوي آلاف الصور وتريد العثور على صور قريبة من صورة معينة دون الاعتماد فقط على أسماء الملفات.

البحث المتجهي يجعل مثل هذه التطبيقات ممكنة.

هل تعرف قاعدة البيانات معنى الكلمات فعلًا؟

ليس بالطريقة البشرية.

هي لا «تفهم» الجملة كما يفهمها الإنسان، بل تتعامل مع تمثيلات رقمية تعلمها نموذج الـEmbedding من البيانات.

وعندما تكون المتجهات متقاربة وفق مقياس رياضي معين، يعتبر النظام المحتوى متشابهًا بدرجة ما.

لذلك تعتمد جودة النتائج بدرجة كبيرة على جودة نموذج Embedding والبيانات وطريقة البحث والإعدادات المستخدمة.

وهل نتائجها دائمًا صحيحة؟

أيضًا لا.

قد يعيد البحث محتوى يبدو قريبًا رياضيًا لكنه غير مناسب للسؤال الحقيقي.

وقد تكون المعلومات الصحيحة موجودة، لكن عملية الاسترجاع لا تضعها ضمن أفضل النتائج.

ولهذا تستخدم الأنظمة المتقدمة أحيانًا أكثر من طريقة معًا، مثل الجمع بين البحث بالكلمات المفتاحية والبحث المتجهي، ثم إعادة ترتيب النتائج قبل إرسالها إلى نموذج الذكاء الاصطناعي.

لماذا ستسمعين عن Vector Databases أكثر؟

لأن تطبيقات الذكاء الاصطناعي أصبحت بحاجة إلى التعامل مع كميات ضخمة من المعرفة الخارجية.

النموذج وحده لا يحتوي بالضرورة على أحدث مستندات شركة أو ملفات المستخدم أو كتالوج منتجات متغير باستمرار.

لذلك تحتاج التطبيقات إلى وسيلة لاسترجاع المعلومات المناسبة عند الحاجة.

وهنا أصبحت تقنيات Embeddings والبحث المتجهي جزءًا مهمًا من البنية التي تقف خلف كثير من أنظمة البحث الدلالي وRAG.

قد لا يراها المستخدم أبدًا على الشاشة.

لكنه يرى نتيجتها عندما يكتب سؤالًا بطريقة مختلفة تمامًا عن النص الموجود في قاعدة البيانات…

ومع ذلك يجد النظام ما كان يقصده.