في المشهد سريع التطور للذكاء الاصطناعي المؤسسي، غالبًا ما يكون الاعتماد على تشابه المتجهات أو استعلامات العلاقات التقليدية غير كافٍ. ومع سعي المؤسسات لبناء رسوم بيانية للمعرفة متطورة، تظهر الحاجة إلى نهج موحد يستفيد من الفهم الدلالي لقواعد بيانات المتجهات جنبًا إلى جنب مع التصفية الهيكلية الصارمة لـ SQL. تستكشف هذه المقالة بنية البحث الهجين، وتوضح كيفية دمج هذين النموذجين لتقديم تجارب بحث دقيقة وقابلة للتطوير واعية بالسياق.
قيود البحث أحادي النمط
يتفوق البحث التقليدي بالكلمات المفتاحية (أو استعلامات SQL البسيطة) في المطابقات الدقيقة والتصفية الهيكلية، لكنه يفشل في فهم السياق أو النية. في المقابل، ينجح البحث المتجه النقي، المدعوم بالتضمينات (Embeddings)، في التقاط المعنى الدلالي بشكل مثالي، لكنه يواجه صعوبة في التعامل مع القيود الصارمة مثل نطاقات التاريخ، أو معرّفات المستخدمين المحددة، أو البيانات الهرمية.
تخيل سيناريوً حيث يحتاج فريق قانوني إلى العثور على "عقود متعلقة بخصوصية البيانات الموقعة بعد عام 2023". قد يعيد البحث المتجه وثائق تناقش "الخصوصية" بشكل عام، مما يفوت قيدًا زمنيًا حاسمًا. وقد يجد استعلام SQL القياسي التاريخ، لكنه يفشل في استرداد البنود المشابهة دلاليًا التي لا تستخدم كلمة "الخصوصية" صراحةً.
هندسة الحل الهجين
تكمن الحل في بنية هجينة. يتضمن هذا النهج عادةً نموذج تخزين مزدوج حيث يتولى فهرس المتجهات في الذاكرة (مثل Milvus أو Pinecone أو Weaviate) مهمة تشابه المعنى، بينما تتولى قاعدة بيانات SQL عالية الأداء (مثل PostgreSQL مع pgvector، أو قاعدة بيانات OLTP مخصصة) إدارة البيانات الوصفية والتصفية الهيكلية.
تتبع البنية عمومًا عملية استرجاع من خطوتين:
- الاسترجاع الأولي للمتجهات: تحويل استعلام المستخدم إلى تضمين (Embedding) واسترجاع أعلى k وثيقة مشابهة.
- تصفية البيانات الوصفية: تطبيق قيود SQL على المعرّفات المسترجعة لتصفية النتائج غير المتوافقة قبل إعادة الترتيب.
استراتيجية التنفيذ مع pgvector
في حين تستخدم العديد من المؤسسات أنظمة منفصلة، فقد تطورت قواعد البيانات الحديثة مثل PostgreSQL للتعامل مع البيانات العلائقية والمتجهية بشكل أصلي. يتيح ملحق pgvector للمطورين تخزين المتجهات جنبًا إلى جنب مع أعمدة SQL القياسية، مما يتيح استعلامًا هجينًا حقيقيًا في معاملة واحدة.
فيما يلي مثال عملي لكيفية بناء استعلام هجين يقوم بالتصفية حسب القسم مع البحث عن الصلة الدلالية في سياق رسم بياني للمعرفة.
-- مخطط افتراضي لجدول رسم بياني للمعرفة
CREATE TABLE documents (
id UUID PRIMARY KEY,
content TEXT,
department_id INTEGER NOT NULL,
created_at TIMESTAMP,
embedding vector(1536)
);
-- إنشاء فهرس على قسم للتصفية السريعة
CREATE INDEX idx_dept ON documents (department_id);
-- إنشاء فهرس مسطح لتشابه المتجهات
CREATE INDEX ON documents USING ivfflat (embedding vector_cosine_ops) WITH (lists = 100);
-- الاستعلام الهجين
SELECT
id,
content,
department_id,
1 - (embedding <=> '[0.1, 0.2, ... 1536]') as similarity_score
FROM
documents
WHERE
department_id = 42 AND -- قيد صارم عبر SQL
created_at > '2023-01-01' -- قيد صارم عبر SQL
ORDER BY
embedding <=> '[0.1, 0.2, ... 1536]' -- ترتيب المتجهات
LIMIT 10;
في هذا المثال، يستخدم محرك قاعدة البيانات أولاً فهرس B-tree على department_id لتضييق مجموعة المرشحين بشكل كبير. ثم يطبق حساب مسافة جيب التمام على هذه المجموعة الأصغر للعثور على النتائج الأكثر صلة دلاليًا. هذا يقلل من الحمل الحسابي ويضمن الالتزام الصارم بقواعد الحوكمة المؤسسية.
أنماط متقدمة: إعادة الترتيب والاستدعاء
لتطبيقات المؤسسات عالية الحجم، غالبًا ما يُفضل عملية استرجاع من مرحلتين بدلاً من استعلام SQL واحد. في المرحلة الأولى، يسترجع النظام مجموعة أكبر من المرشحين (مثل 100) من متجر المتجهات باستخدام التضمين فقط. في المرحلة الثانية، يقوم محرك SQL خفيف الوزن بتصفية هذه النتائج المائة بناءً على منطق الأعمال المعقد. وأخيرًا، يتم تطبيق نموذج إعادة ترتيب (مثل Cross-Encoders) على أعلى 10 نتائج النهائية لضمان أعلى دقة.
هذا النمط حاسم لرسوم بيانية للمعرفة حيث العلاقات مهمة. من خلال دمج بيانات اجتياز الرسم البياني مع تضمينات المتجهات، يمكنك التنقل في "المسافة" بين المفاهيم مع احترام المخطط الصارم لبيانات مؤسستك.
الخاتمة
بناء رسم بياني للمعرفة مؤسسي قوي يتطلب أكثر من مجرد إلقاء البيانات في نموذج ذكاء اصطناعي. إنه يتطلب بنية هجينة مدروسة تحترم الطبيعة المزدوجة للبيانات: سيولتها الدلالية وصلابتها الهيكلية. من خلال دمج قواعد بيانات المتجهات مع SQL التقليدي، يمكن للمطورين فتح إمكانيات بحث ليست ذكية فحسب، بل موثوقة ومتوافقة وقابلة للأداء على نطاق واسع.
عندما تتقدم في مبادرات الذكاء الاصطناعي الخاصة بك، فكر في كيفية تطور مجموعتك الحالية لدعم هذه الاستعلامات الهجينة. مستقبل البحث المؤسسي لا يكمن في الاختيار بين المتجهات وSQL، بل في إتقان التآزر بينهما.