اسأل روبوت محادثة ذكاء اصطناعي عام سؤالاً عن مستند رفعته، وستحصل على إجابة واثقة وحسنة الصياغة. تظهر المشكلة عندما تحتاج فعلاً إلى الوثوق بتلك الإجابة في أمر مهم — لا توجد طريقة للتحقق من مصدرها دون إعادة قراءة المستند كاملاً بنفسك، وهذا بالضبط ما كان يُفترض أن يوفره عليك السؤال أصلاً.
البحث الدلالي يجد المعنى لا الكلمات المفتاحية فقط
البحث بالكلمات المفتاحية يفوّت الأسئلة المصاغة بكلمات مختلفة عن النص الأصلي. يفهرس EnergyFile المستندات باستخدام تضمينات متجهية (vector embeddings) بدلاً من ذلك — يُرمّز كل جزء من ملف PDF أو جدول بيانات أو عرض تقديمي بحيث يمكن للسؤال أن يطابق فقرة حتى لو لم تستخدم أياً من الكلمات نفسها. هذا ما يجعل سؤال «ما مدى تعرضنا لخط الأنابيب الشمالي» يجد فقرة لا تذكر كلمة «تعرض» إطلاقاً.
في الأرشيفات الكبيرة تبدأ المشكلة مبكرًا: أرشيف من آلاف المستندات لا يمكن البحث فيه غير قابل للاستخدام فعليًا، مهما كان تخزينه منظّمًا.
الإجابة بلا استشهاد مجرد تخمين بصياغة جيدة
الجزء المهم فعلاً: كل إجابة تأتي مع استشهاد على مستوى الصفحة يشير إلى المستند المصدر. لا تأخذ كلام الذكاء الاصطناعي على محمل الثقة — تنقر على الاستشهاد وتقرأ الفقرة الدقيقة التي استُخرجت منها. إذا لم يقل الاستشهاد ما تدّعيه الإجابة، تعرف ذلك فوراً، لا بعد ثلاثة قرارات لاحقة.
والوجه الآخر لا يقل أهمية: عندما لا تغطي المستندات السؤال، يجب أن يقول المساعد إنه لا يعرف بدل أن يختلق إجابة.
OCR يعني أن ملفات PDF الممسوحة ضوئياً تُحتسب أيضاً
الكثير من مكتبات البحث نصفها نص قابل للبحث ونصفها صفحات ممسوحة ضوئياً لم تخضع أبداً لـ OCR، ما يعني أن نصف المكتبة غير مرئي لأي أداة بحث. يشغّل EnergyFile OCR عند إدخال المستند، فتصبح دراسة ممسوحة ضوئياً من خمس سنوات قابلة للبحث تماماً مثل شيء كُتب البارحة.
وتظهر الفجوة نفسها بين القائمة والبحث الحقيقي في بيانات الأبحاث، وقد تناولناها في لماذا لا تكفي قائمة الببتيدات وتحتاج إلى بحث تشابه.
الأسئلة الشائعة
لماذا لا يمكنني الوثوق بإجابة روبوت الدردشة عن وثائقي؟
لأنه لا توجد طريقة للتحقق من مصدر الإجابة دون إعادة قراءة الوثيقة كاملة، وهذا يلغي الفائدة من السؤال. روبوت الدردشة العام يقدم إجابة واثقة ومكتوبة جيدًا في كل الأحوال. ومن دون مرجع تكون مجرد تخمين بقواعد لغوية سليمة، وقد لا تكتشف الخطأ إلا بعد ثلاثة قرارات.
كيف يجد البحث الدلالي مقاطع تستخدم كلمات مختلفة؟
تُفهرس الوثائق باستخدام متجهات تضمين، فيُرمَّز كل جزء من ملف PDF أو جدول بيانات أو عرض تقديمي حسب معناه. عندها يمكن أن يطابق السؤال مقطعًا لا يشاركه أي كلمة. فالسؤال عن مستوى التعرض في خط الأنابيب الشمالي قد يجد فقرة لا تذكر كلمة التعرض أبدًا.
هل يستطيع البحث الذكي في الوثائق قراءة ملفات PDF الممسوحة ضوئيًا؟
فقط إذا جرى تشغيل OCR عند إدخال الوثائق. كثير من المكتبات البحثية نصفها نص قابل للبحث ونصفها صفحات ممسوحة لم تمر بالتعرف الضوئي، فيبقى نصف المكتبة غير مرئي لأي أداة بحث. ومع OCR عند الإدخال يصبح تقرير ممسوح قبل خمس سنوات قابلًا للبحث مثل وثيقة كُتبت أمس.
