ما هي قواعد البيانات المتجهية؟ وكيف تعمل في تطبيقات الذكاء الاصطناعي؟
عندما تكتب في محرك بحث: «كيف أستعيد كلمة المرور؟» قد تكون الإجابة المناسبة داخل مستند عنوانه «إعادة تعيين بيانات الدخول»، رغم أن الكلمات مختلفة. هنا تظهر فائدة قواعد البيانات المتجهية (Vector Databases)؛ فهي تساعد التطبيقات على البحث عن العناصر المتقاربة في المعنى، لا عن الكلمات المتطابقة فقط.
تُستخدم هذه القواعد في البحث الدلالي، وأنظمة التوصية، وتحليل الصور، وتطبيقات الذكاء الاصطناعي التوليدي، ومنها تقنية التوليد المعزز بالاسترجاع RAG. لكنها لا تستبدل قواعد البيانات التقليدية في كل المهام؛ بل تضيف طريقة مختلفة للعثور على المعلومات.
ما هي قاعدة البيانات المتجهية؟
قاعدة البيانات المتجهية هي نظام يخزّن المتجهات الرقمية المرتبطة بالبيانات، مثل النصوص أو الصور أو الصوت، ثم يتيح البحث عن المتجهات الأقرب إلى متجه الاستعلام وفق مقياس تشابه أو مسافة محدد.
المتجه هنا ليس مجرد قائمة أرقام عشوائية؛ بل تمثيل رياضي تنتجه عادةً شبكة عصبية أو نموذج تضمين (Embedding Model) لالتقاط بعض السمات والمعاني في البيانات. وقد يتكون من مئات أو آلاف القيم، بحسب النموذج المستخدم.
على سبيل المثال، يمكن تحويل الجملتين «طريقة تغيير كلمة المرور» و«كيف أعيد تعيين بيانات الدخول؟» إلى متجهين متقاربين نسبيًا لأن معناهما متشابه، حتى لو اختلفت المفردات.
ما الفرق بين المتجهات والتضمينات؟
التضمين (Embedding) هو التمثيل الرقمي الذي ينتجه النموذج للعنصر. أما المتجه (Vector) فهو الشكل العددي الذي يحمل هذا التمثيل. وتقوم قاعدة البيانات المتجهية بتخزين هذه المتجهات وفهرستها والبحث بينها؛ لكنها لا تكون بالضرورة هي النموذج الذي أنشأ التضمينات.
من المهم استخدام نموذج التضمين نفسه، أو نموذج متوافق، عند فهرسة المستندات وعند تحويل سؤال المستخدم إلى متجه؛ لأن اختلاف النموذج أو أبعاد المتجهات قد يجعل المقارنة غير صحيحة أو غير ذات معنى.
كيف تعمل قواعد البيانات المتجهية؟
تختلف التفاصيل من منتج إلى آخر، لكن سير العمل المعتاد يمر بالمراحل التالية:
1. تجهيز البيانات وتقسيمها
تُجمع الملفات أو السجلات المراد البحث فيها، ثم تُنظَّف وتُقسَّم إلى عناصر مناسبة. ففي نظام الأسئلة الشائعة، قد يكون كل سؤال مع إجابته سجلًا مستقلًا، بينما تحتاج الكتب الطويلة إلى تقسيمها إلى مقاطع تحافظ على سياق كل فقرة.
2. إنشاء التضمينات
يمر كل عنصر على نموذج تضمين يحوله إلى متجه رقمي. وينبغي حفظ معلومات تعريفية معه، مثل معرّف المستند، والعنوان، والقسم، وتاريخ التحديث، ومستوى الصلاحية.
3. تخزين المتجهات والبيانات الوصفية
تُخزَّن المتجهات داخل مجموعة أو فهرس، مع ربطها بالنص الأصلي أو بمعرّف يسمح باسترجاعه. وتسمح البيانات الوصفية (Metadata) بتصفية النتائج، مثل البحث داخل قسم محدد أو إظهار المستندات الأحدث فقط.
4. تحويل سؤال المستخدم إلى متجه
عند وصول سؤال جديد، يُحوَّل بالطريقة نفسها إلى متجه استعلام. بعد ذلك تقارن قاعدة البيانات هذا المتجه بالمتجهات المخزنة وتحدد العناصر الأقرب إليه.
5. ترتيب النتائج وإرجاعها
تُرتَّب النتائج بحسب مقياس التشابه أو المسافة، ثم تُعاد أفضل النتائج إلى التطبيق. وقد يضيف التطبيق خطوة لإعادة الترتيب أو يجمع البحث المتجهي مع البحث بالكلمات المفتاحية للحصول على نتائج أدق.
كيف تقيس قاعدة البيانات تشابه المتجهات؟
لا يوجد مقياس واحد مناسب لكل التطبيقات. ومن المقاييس الشائعة:
- تشابه جيب التمام (Cosine Similarity): يقارن اتجاه المتجهين، ويستخدم كثيرًا في تمثيل النصوص.
- المسافة الإقليدية (Euclidean Distance): تقيس المسافة المباشرة بين نقطتين في الفضاء المتجهي.
- الضرب الداخلي (Dot Product): يقيس علاقة المتجهين من خلال حاصل ضرب مركباتهما، ويُستخدم وفق طريقة تدريب نموذج التضمين.
اختيار المقياس يجب أن يتوافق مع طريقة تدريب نموذج التضمين وتطبيع المتجهات. لذلك لا يكفي اختيار مقياس شائع دون اختبار النتائج على بيانات التطبيق الفعلية.
مثال عملي: البحث في قاعدة أسئلة شائعة
لنفترض أن متجرًا إلكترونيًا يحتفظ بهذه السجلات:
| المستند | النص المخزّن |
|---|---|
| 1 | لإعادة تعيين كلمة المرور، افتح صفحة تسجيل الدخول واختر «نسيت كلمة المرور». |
| 2 | لتحديث عنوان الشحن، انتقل إلى إعدادات الحساب ثم العناوين. |
| 3 | يمكن متابعة حالة الطلب من صفحة طلباتي باستخدام رقم الطلب. |
إذا كتب المستخدم: «لا أستطيع الدخول إلى حسابي، كيف أغير رمز الدخول؟» فقد لا تتطابق عبارته حرفيًا مع المستند الأول. لكن نموذج التضمين قد ينتج متجهًا قريبًا من متجه المستند الأول، فتظهر إجابة إعادة تعيين كلمة المرور ضمن النتائج الأولى.
تُعاد نتيجة البحث إلى التطبيق، الذي يستطيع عرض النص مباشرة أو تمريره إلى نموذج لغوي لتكوين رد واضح. وإذا كان التطبيق مبنيًا على RAG، فيمكن للنموذج استخدام المقطع المسترجع بوصفه سياقًا للإجابة، مع إظهار رابط المصدر للمستخدم.
ما استخدامات قواعد البيانات المتجهية؟
- البحث الدلالي: العثور على المستندات ذات المعنى القريب حتى عندما تختلف الكلمات.
- تطبيقات RAG: استرجاع المقاطع المناسبة قبل أن ينشئ النموذج اللغوي إجابته.
- أنظمة التوصية: اقتراح منتجات أو مقالات تشبه عناصر تفاعل معها المستخدم.
- البحث عن الصور والصوت: مقارنة التمثيلات الرقمية للوسائط للعثور على عناصر متشابهة.
- التجميع واكتشاف الأنماط: تجميع العناصر المتقاربة في فضاء المتجهات لتحليل البيانات.
أمثلة على تقنيات ومنصات البحث المتجهي
توجد حلول متعددة تختلف في طريقة الاستضافة والإدارة والتكامل مع الأنظمة الأخرى. من أمثلتها:
- Qdrant: محرك بحث متجهي يدعم تخزين المتجهات والبيانات الوصفية والبحث الدلالي.
- Pinecone: خدمة مُدارة لبناء فهارس بحث متجهي وتطبيقات بحث دلالي.
- pgvector: إضافة مفتوحة المصدر تضيف أنواع المتجهات والبحث عن أقرب الجيران إلى PostgreSQL.
- Google Cloud Vector Search: خدمة بحث متجهي لبناء تطبيقات البحث والتوصية والذكاء الاصطناعي.
هذه أمثلة وليست ترتيبًا للأفضل؛ فالاختيار يعتمد على حجم البيانات، ومتطلبات الخصوصية، وميزانية التشغيل، وخبرة الفريق، والحاجة إلى إدارة خدمة مستقلة أو استخدام إضافة داخل قاعدة بيانات موجودة.
ما الفرق بين قاعدة البيانات المتجهية وقاعدة البيانات التقليدية؟
| وجه المقارنة | قاعدة بيانات تقليدية | قاعدة بيانات متجهية |
|---|---|---|
| طريقة البحث الأساسية | مطابقة القيم والشروط والعلاقات | البحث عن المتجهات الأقرب وفق مقياس تشابه أو مسافة |
| مثال على السؤال | اعرض الطلب الذي رقمه 1052 | اعثر على مستند يشرح مشكلة تشبه هذا الوصف |
| البيانات | نصوص وأرقام وتواريخ وعلاقات منظمة | متجهات رقمية مع نصوص ومعرّفات وبيانات وصفية |
| أفضل استخدام | المعاملات والسجلات والاستعلامات الدقيقة | التشابه الدلالي والبحث عن أقرب العناصر |
يمكن الجمع بين النوعين بدل المفاضلة بينهما. فمثلًا، قد تستخدم قاعدة بيانات علائقية لتخزين حسابات العملاء وطلبات الشراء، وتستخدم فهرسًا متجهيًا للبحث عن مقالات الدعم ذات الصلة بسؤال العميل.
كيف تختار قاعدة بيانات متجهية مناسبة؟
- حجم البيانات ومعدل الاستعلامات: اختبر الأداء على حجم قريب من الاستخدام الحقيقي، لا على مجموعة صغيرة فقط.
- دقة الاسترجاع: قارن النتائج الصحيحة التي يعيدها البحث، ولا تركز على السرعة وحدها.
- البحث الهجين والتصفية: تحقق من دعم البحث بالكلمات المفتاحية والمرشحات والبيانات الوصفية.
- التحديث والحذف: افحص كيفية مزامنة المتجهات عندما يتغير المستند الأصلي أو يُحذف.
- الأمان والعزل: تأكد من تطبيق صلاحيات المستخدم قبل إرجاع أي مستند، خصوصًا في قواعد المعرفة الداخلية.
- التكلفة والتشغيل: احسب تكلفة التخزين والفهرسة والذاكرة والاستعلامات، إضافة إلى وقت الصيانة والإدارة.
ما حدود قواعد البيانات المتجهية؟
لا تفهم قاعدة البيانات المتجهية المعنى كما يفهمه الإنسان؛ فهي تقارن تمثيلات رقمية أنشأها نموذج التضمين. فإذا كان النموذج ضعيفًا في لغة معينة أو مجال متخصص، فقد تكون النتائج غير دقيقة مهما كانت قاعدة البيانات سريعة.
- قد تعيد نتائج قريبة رياضيًا لكنها غير مفيدة فعليًا للسؤال.
- الفهارس التقريبية قد تسرّع البحث مع احتمال فقد بعض النتائج الصحيحة، لذلك يجب موازنة السرعة مع الاستدعاء والدقة.
- تحديث نموذج التضمين قد يتطلب إعادة إنشاء متجهات المستندات للحفاظ على اتساق الفهرس.
- إهمال صلاحيات الوصول قد يؤدي إلى كشف مستندات لا يحق للمستخدم الاطلاع عليها.
- تخزين المتجهات والفهارس وإدارتها يضيف تكلفة وتعقيدًا تشغيليًا.
أسئلة شائعة
هل قاعدة البيانات المتجهية هي نفسها نموذج التضمين؟
لا. نموذج التضمين يحول البيانات إلى متجهات رقمية، أما قاعدة البيانات المتجهية فتخزن هذه المتجهات وتفهرسها وتبحث عن المتشابه منها.
هل أحتاج إلى قاعدة بيانات متجهية لبناء تطبيق RAG؟
ليس بالضرورة. تحتاج إلى وسيلة لاسترجاع المقاطع ذات الصلة، ويمكن أن تكون قاعدة بيانات متجهية مستقلة أو إضافة بحث متجهي داخل قاعدة بيانات موجودة أو حلًا يجمع البحث الدلالي والبحث النصي.
هل تستبدل قواعد البيانات المتجهية قواعد البيانات التقليدية؟
لا. فهي مناسبة للبحث عن التشابه، بينما تبقى قواعد البيانات التقليدية مهمة للمعاملات والعلاقات والاستعلامات الدقيقة. ويمكن دمج الطريقتين في التطبيق نفسه.
الخلاصة
تخزن قواعد البيانات المتجهية تمثيلات رقمية للبيانات وتتيح البحث عن العناصر المتقاربة في المعنى. وهي مكوّن مهم في البحث الدلالي وتطبيقات RAG والتوصية، لكنها تعتمد على جودة نموذج التضمين، وطريقة الفهرسة، والبيانات الوصفية، وتقييم النتائج. ابدأ بتحديد المشكلة وحجم البيانات ومتطلبات الأمان، ثم اختر الحل الذي يحقق التوازن المناسب بين الدقة والسرعة والتكلفة.
لفهم الصورة الأوسع، يمكنك أيضًا قراءة مقال ما هو الذكاء الاصطناعي التوليدي؟ وكيف يعمل؟.
المصادر والمراجع
[1] Google Cloud – Introduction to embeddings and vector search
[2] Qdrant – Vectors
[3] Pinecone – Semantic Search
[4] pgvector – Open-source vector similarity search for Postgres
