← دروس AI

قياس جودة الاسترجاع في RAG

مقاييس مثل Recall@k وPrecision@k تقارن نتائج المسترجع بمقاطع مرجعية معلومة لكل سؤال.

غلاف توضيحي أصلي: قياس جودة الاسترجاع في RAG

الإجابة المباشرة: مقاييس مثل Recall@k وPrecision@k تقارن نتائج المسترجع بمقاطع مرجعية معلومة لكل سؤال.

هدف الدرس ومتى تحتاجه

تحسين استرجاع فقرة سياسة من بين عشرات الوثائق.

يناسب هذا الدرس مطورًا أو صاحب مشروع يستطيع تجربة الخطوات على بيانات اختبار غير حساسة. الإجراءات تعليمية قابلة للمراجعة، ولا يزعم هذا النص أنه نفذ تجربة تشغيل على خادمك.

المتطلبات

حساب أو بيئة تطوير مرخّصة للوظيفة المقصودة عند الحاجة، وبيانات اختبار مسموح باستخدامها، ووسيلة لتسجيل نتيجة كل خطوة ومقارنتها بالهدف.

التطبيق خطوة بخطوة

  1. كوّن قائمة أسئلة مع معرفات المقاطع ذات الصلة المعتمدة بشريًا.
  2. شغّل المسترجع بالقيمة نفسها لـ k وسجّل الترتيب ومعرف كل نتيجة.
  3. احسب المقاييس وقارن الإعدادات مع ثبات البيانات ومجموعة الأسئلة.

النتيجة المتوقعة وكيف تتحقق منها

تقرير يوضح الأخطاء لكل سؤال وتغير الأداء عند تغيير حجم المقطع أو طريقة البحث.

في حال اختلاف النتيجة عن المتوقع، افصل خطأ البيانات عن خطأ الأداة أو النموذج وسجّل إصدار البيئة والإعدادات. لا تعتبر مثالًا واحدًا دليلًا على جودة عامة.

خطأ شائع وكيف تتجنبه

الخطأ هو قياس جودة النص المولد وحده دون معرفة إن كان المرجع الصحيح قد استُرجع أصلًا.

ماذا بعد؟

حوّل خطوات هذا الدرس إلى حالة اختبار صغيرة قابلة للإعادة، ثم انتقل إلى مواد مفيد المرتبطة بالوسوم والأدوات أدناه. اقرأ مرجع التنفيذ قبل استخدام أي ميزة متغيرة في الإنتاج.

مرجع متابعة

افتح المرجع التقني المرتبط بموضوع الدرس. قد تتغير واجهات البرمجة أو المسميات؛ طابق الخطوات مع الإصدار الذي تستخدمه.

طوّر مهاراتك وابنِ شيئًا حقيقيًا.محتوى ومسارات عملية تجمع بين التعلّم والتطبيق.