البحث الدلالي مقابل البحث المتجهي: ما الذي يميزهما حقًا

لقد تطورت تقنيات البحث بشكل كبير منذ أيام مطابقة الكلمات الرئيسية والمنطق البولياني البسيط. في هذه الأيام، لا تقتصر أنظمة البحث الحديثة على البحث عن الكلمات التي كتبتها، بل تحاول فهم ما قصدته. وهناك تقنيتان أساسيتان تُحركان هذا التحول: البحث الدلالي والبحث المتجهي.

يبدو أنهما متشابهان. في الواقع، يخلط الكثيرون بينهما، أو يفترضون أنهما اسمان لنفس الشيء. لكنهما ليسا كذلك. فهما يعملان بشكل مختلف، ويخدمان أهدافًا مختلفة، وبناءً على نوع المنتج أو النظام الذي تبنيه، قد يكون أحدهما أكثر منطقية من الآخر.

دعونا نتعرف على ما هو كل من أساليب البحث هذه في الواقع، وكيف تعمل تحت الغطاء، ومتى نستخدم واحدًا بدلاً من الآخر، ولماذا قد تكون الإجابة الأفضل هي الجمع بينهما.

ماذا نعني فعليًا بـ "البحث الدلالي"“

لنبدأ بفكرة أن البحث قادر على فهمك. ليس كلماتك بالضبط، بل نيتك.

يعتمد البحث الدلالي على هذا المبدأ. فهو يركز على المعنى الكامن وراء استعلامك، وليس فقط على اللغة المحددة التي استخدمتها. إذا بحث أحدهم عن "الآثار الجانبية للتدخين"، فقد يعرض محرك بحث دلالي جيد مستندات حول "تلف الرئة" أو "مخاطر أمراض القلب والأوعية الدموية" أو حتى "التدخين السلبي"، حتى لو لم تتطابق هذه العبارات تمامًا.

إذن كيف يعمل هذا في الواقع؟

يستخدم البحث الدلالي معالجة اللغة الطبيعية (NLP) لتقسيم الاستعلام وتحديد:

• الكيانات الرئيسية (الأشخاص والأماكن والموضوعات)
• العلاقات بين تلك الكيانات
• السياق (ما هو المطلوب، ولماذا)

وقد يتضمن ذلك نماذج تعتمد على المحولات مثل BERT، والتحليل النحوي، ووضع علامات على أجزاء الكلام، وحتى الرسوم البيانية المعرفية التي تساعد في ربط الأفكار (مثل معرفة أن "السيارة" و"السيارة" هما نفس الشيء في هذا السياق).

في بعض الإعدادات، تذهب الأنظمة الدلالية إلى أبعد من ذلك باستخدام:

• التعرف على الكيانات، لاستخراج الأسماء الصحيحة والمصطلحات الخاصة بالمجال
• محركات الاستدلال، التي تحاول ربط النقاط واستخلاص الاستنتاجات التي لم يذكرها المستخدم صراحةً
• توسيع السياق، حيث يقوم النظام بإدراج المصطلحات أو المفاهيم ذات الصلة التي يعرف أنها ذات صلة

هذا ما يجعل البحث الدلالي قويًا بشكل خاص بالنسبة للاستعلامات المعقدة حيث لا تكفي المطابقات الحرفية.

 

ما الذي يفعله بحث المتجهات فعليًا

الآن، لنتحدث عن البحث عن المتجهات. هنا تصبح الأمور أكثر رياضية.

بدلاً من محاولة فهم اللغة مباشرةً، يُترجم بحث المتجهات كل شيء إلى أرقام. ويستخدم نماذج التضمين لتحويل الكلمات والعبارات والصور، أو حتى المستندات الكاملة، إلى متجهات، وهي ببساطة نقاط في فضاء متعدد الأبعاد. ويتم ربط العناصر ذات المعاني أو الميزات المتشابهة ببعضها البعض بشكل أوثق.

لذا، عندما يُجري المستخدم استعلام بحث، لا يكتفي النظام بمسح الكلمات فحسب، بل يُحوّل الاستعلام إلى مُتّجه أيضًا، ويبحث عن مُتّجهات أخرى قريبة. تلك النقاط القريبة؟ هذه هي نتيجة بحثك.

تحت الغطاء، عادة ما تعمل الأمور على النحو التالي:

1. يتم إنشاء التضمينات باستخدام نماذج مثل Word2Vec أو GloVe أو التضمينات المستندة إلى المحول من OpenAI أو HuggingFace
2. يتم تخزين هذه التضمينات في قاعدة بيانات متجهة (مثل Pinecone أو Weaviate أو pgvector)
3. يتم استخدام مقياس المسافة مثل تشابه جيب التمام أو المسافة الإقليدية للعثور على أقرب المطابقات
4. يتم ترتيب نتائج البحث حسب مدى قربها في الفضاء المتجهي

لا يقتصر هذا على النصوص فحسب. يُستخدم البحث المتجهي في بحث الصور، ومحركات التوصية، وتشابه الأصوات، وغيرها، أي في أي مكان يكون فيه "التقارب" أهم من الكلمات المفتاحية.

 

وهنا حيث يبدأ الارتباك

السبب في دمج هذين المصطلحين غالبًا هو أن البحث المتجهي غالبًا ما يكون جزءًا من كيفية تطبيق البحث الدلالي. أي أنه يمكنك استخدام تضمينات المتجهات كأساس لالتقاط المعنى الدلالي. إنها التقنية التي تُحرك السلوك الدلالي.

ولكن الأمر لا يتوقف عند هذا الحد.

بينما يُساعد البحث عن المتجهات على قياس التشابه، يُساعد البحث الدلالي على فهم المقصد. أحدهما أداة، والآخر هدف.

يمكنك بالتأكيد إجراء بحث متجه دون فهم دقيق لما يقصده المستخدم. ويمكنك أيضًا بناء نظام بحث دلالي يعتمد بشكل أكبر على أنابيب معالجة اللغة الطبيعية (NLP) ورسومات المعرفة بدلًا من التضمينات.

حالات الاستخدام: عندما يكون لكل منها معنى أكثر

لا يوجد فائز عالمي هنا. كل نهج يتألق في سيناريوهات مختلفة.

متى يعمل البحث الدلالي بشكل أفضل

يُعد البحث الدلالي خيارًا جيدًا عندما يحتاج نظامك إلى تفسير اللغة بدقة، خاصةً عندما تكون الاستعلامات غامضة، أو مُعبَّر عنها بلغة طبيعية، أو تأتي مع طبقات متعددة من المعنى.

أمثلة:

• بوابات دعم العملاء التي تحتاج إلى الإجابة على الأسئلة الغنية بالنوايا
• أدوات البحث القانونية أو الطبية حيث تكون الصياغة غير متسقة
• أنظمة قاعدة المعرفة التي يجب أن "تفهم" سياق سؤال المستخدم
• روبوتات الدردشة التي يجب أن تستجيب بشكل طبيعي للمدخلات المفتوحة

عندما يكون البحث عن المتجهات هو الخيار الأفضل

تتفوق عملية البحث عن المتجهات عندما تتعامل مع كميات كبيرة من البيانات غير المنظمة وتهتم بالتشابه وليس بناء الجملة.

أمثلة:

• البحث عن الصور أو مقاطع الفيديو بناءً على التشابه البصري
• محركات التوصية في الوقت الفعلي ("الأشخاص الذين أعجبهم هذا أعجبهم أيضًا ...")
• اكتشاف الاحتيال بناءً على الأنماط في متجهات المعاملات
• البحث عبر اللغات حيث يكون من المستحيل مطابقة النص الحرفي

 

لكن إليك الحقيقة: ربما تحتاج إلى كليهما

في الواقع، تستفيد معظم أنظمة البحث العملية من استخدام كلا النهجين معًا. تعمل العديد من الفرق حاليًا على بناء أنظمة هجينة تجمع بين مزايا البحث المتجهي والبحث الدلالي. عادةً، تبدأ العملية بالبحث المتجهي لاسترجاع العناصر الأكثر تشابهًا بسرعة بناءً على التضمينات. ثم تتدخل طبقة دلالية لإعادة ترتيب تلك النتائج باستخدام معالجة اللغة الطبيعية، أو التعرف على النوايا، أو حتى الرسوم البيانية المعرفية، لتتوافق بشكل أفضل مع ما قصده المستخدم فعليًا. في بعض الحالات، تُضاف مطابقة الكلمات الرئيسية كخيار احتياطي أو إشارة إضافية. يوفر هذا المزيج السرعة والملاءمة الهادفة، مما يجعل نتائج البحث أسرع وأكثر دقة.

قد يبدو خط الأنابيب الهجين الأساسي على النحو التالي:

1. تحويل كل المحتوى إلى تضمينات متجهة وتخزينها في قاعدة بيانات متجهة
2. فهرس البيانات الوصفية والكلمات الرئيسية المهمة للإثراء الدلالي
3. عند الاستفسار:
   • قم بتضمين الاستعلام وتشغيل بحث سريع عن تشابه المتجهات
   • قم بتمرير أفضل النتائج من خلال إعادة الترتيب الدلالي
   • قم بتطبيق أي مرشحات خاصة بالمجال أو منطق الأعمال
   • إرجاع النتائج النهائية المختلطة

هذا هو نوع الإعداد الذي تراه في تطبيقات الذكاء الاصطناعي مثل خطوط أنابيب RAG (التوليد المعزز بالاسترجاع)، والبحث عن المنتجات المخصصة، ومساعدي الذكاء الاصطناعي متعدد الوسائط.

 

خلف الكواليس: التقنيات الرئيسية قيد التشغيل

فيما يلي نظرة سريعة على المكونات الأساسية التي تدعم كل نهج.

قد يستخدم البحث الدلالي

يعتمد البحث الدلالي على مجموعة من الأدوات والنماذج التي تركز على اللغة. ويرتكز هذا البحث على نماذج معالجة اللغة الطبيعية (NLP) مثل BERT أو GPT، والتي تساعد النظام على فهم النصوص بما يتجاوز مجرد الكلمات الحرفية. غالبًا ما تتضمن العملية الترميز ووسم أجزاء الكلام لتحليل الجمل وتحديد الأدوار النحوية. يُستخدم التعرف على الكيانات لتحديد وتصنيف العناصر الرئيسية، مثل الأسماء والمواقع أو المصطلحات المحددة. وتُستخدم الرسوم البيانية المعرفية لرسم العلاقات بين المفاهيم، مما يساعد النظام على ربط الأفكار التي تبدو غير مترابطة. تتضمن بعض الإعدادات أيضًا نماذج كشف النوايا لمعرفة ما يطلبه المستخدم حقًا، إلى جانب محركات استدلال قائمة على القواعد تُطبّق المنطق لاكتشاف معانٍ أعمق.

يتضمن البحث عن المتجهات عادةً

يعتمد البحث عن المتجهات بشكل أكبر على الرياضيات والبنية. يبدأ بتوليد التضمينات باستخدام نماذج مثل Word2Vec وCLIP وOpenAI لتحويل البيانات إلى متجهات رقمية. تُخزن هذه المتجهات وتُدار بعد ذلك في قواعد بيانات متجهات مخصصة مثل Weaviate وPinecone وpgvector وFAISS. لقياس التشابه بين العناصر، يستخدم النظام مقاييس المسافة مثل تشابه جيب التمام، أو حاصل الضرب النقطي، أو المسافة الإقليدية. وأخيرًا، تُستخدم خوارزميات الجار الأقرب التقريبي (ANN)، مثل HNSW أو IVF، للعثور بسرعة على النتائج الأكثر صلة ضمن مجموعات البيانات الكبيرة.

 

أشياء يجب أن تضعها في اعتبارك قبل الاختيار

إن التكنولوجيا رائعة، ولكن إليك ما يهم فعليًا عند اتخاذ القرار بشأن ما يجب استخدامه.

عامل	البحث الدلالي	بحث المتجهات
نوع البيانات	الأفضل للبيانات التي تحتوي على نصوص كثيفة والتي تعتمد على فهم اللغة	يعمل بشكل أفضل مع البيانات متعددة الوسائط مثل النصوص والصور والصوت والفيديو
السرعة مقابل الدقة	أبطأ ولكنه يوفر نتائج أكثر دقة ووعيًا بالسياق	سريع للغاية وفعال، خاصة عند العمل مع مجموعات بيانات كبيرة
متطلبات الحوسبة	يتطلب قوة معالجة NLP كبيرة ونماذج كبيرة (غالبًا تعتمد على وحدة معالجة الرسومات)	يمكن أن يكون إنشاء التضمين وتخزين المتجهات مستهلكًا للموارد ولكنه فعال بمجرد إنشائه
حجم	يحتاج إلى تخطيط وهندسة أكثر دقة للتوسع بشكل فعال	يمكن التوسع بسهولة لمجموعات البيانات الضخمة على مستوى البيتابايت باستخدام قواعد بيانات المتجهات وخوارزميات الشبكات العصبية الاصطناعية

 

كيف نتعامل مع البحث الدلالي والبحث المتجهي في موبيان

في موبيان, نحن لا نتبع فقط أحدث توجهات الذكاء الاصطناعي، بل نعمل مع فرق تحتاج إلى حلول عملية وقابلة للتطوير، تُعالج المشكلات بفعالية. ولذلك، فإن التمييز بين البحث الدلالي والبحث المتجهي ليس مجرد مسألة نظرية بالنسبة لنا، بل هو أمر نتعامل معه بنشاط في المنصات التي نبنيها ونوسع نطاقها لعملائنا.

عندما نبني منتجات تتضمن الاكتشاف أو التخصيص أو البحث الذكي، فإننا نفكر في هذه الأنظمة من البداية. بالنسبة للتطبيقات أو منصات المعرفة كثيفة المحتوى، غالبًا ما نعتمد على التقنيات الدلالية ليتمكن المستخدمون من طرح الأسئلة بشكل طبيعي والحصول على إجابات منطقية دون الحاجة إلى تحديد دقيق للغاية. في حالات أخرى - وخاصةً عندما يتعلق الأمر بالتشابه أو المدخلات متعددة الوسائط، مثل البحث عن الفيديو أو الصور - تُشكل الأساليب القائمة على المتجهات أساس الأداء. وفي كثير من الحالات، نصمم مجموعات بحث هجينة لتحقيق أفضل النتائج من كلا العالمين.

لقد رأينا بأنفسنا أن نظام البحث لا يعمل إلا عندما يكون متوافقًا مع الأهداف طويلة المدى للمنتج. سواء كنا نُعزز فريق ذكاء اصطناعي داخليًا أو نتولى تطوير دورة كاملة، فإن مهمتنا هي اختيار نهج البحث المناسب، ودمجه بسلاسة، والحفاظ على مرونته مع تطور المنتج. لأن التحدي الحقيقي لا يكمن فقط في الاختيار بين البحث الدلالي أو البحث المتجهي، بل في بناء نظام يُحقق نتائج قيّمة، حتى مع تغير البيانات واحتياجات المستخدمين بمرور الوقت.

 

اختتام الأمر

البحث الدلالي والبحث المتجهي ليسا متنافسين. إنهما ببساطة طريقتان مختلفتان للوصول إلى إجابة أفضل، حسب نوع السؤال الذي تطرحه. يعتمد أحدهما على المعنى واللغة، بينما يعتمد الآخر على الرياضيات والتشابه. إذا كنت تُنشئ نظامًا يعتمد عليه الناس للعثور على ما يحتاجونه - بسرعة ودقة، وعبر جميع أنواع البيانات - فمن المرجح أنك ستستخدم كليهما.

في نهاية المطاف، لا يتعلق الأمر باختيار الأداة الأكثر رواجًا، بل ببناء بحث يناسب مستخدميك وبياناتك وطبيعة منتجك. سواءً كان ذلك يعني إثراءً دلاليًا مُضافًا إلى محرك متجهات، أو فهرس متجهات واضح يُعزز ميزة التوصية، فإن الأهم هو معرفة وظيفة كل جزء وسببها.

الفرق التي تنجح في هذا ليست من تسعى وراء الضجيج الإعلامي، بل من تُولي اهتمامًا لكيفية بحث المستخدمين، وما يقصدونه بالفعل عند قيامهم بذلك.