ما الجديد في بحث المتجهات في عام 2025

لقد كان البحث عن المتجهات يُعزز تجارب الذكاء الاصطناعي منذ فترة، بدءًا من أشرطة البحث وروبوتات الدردشة وصولًا إلى محركات التوصيات واسترجاع المعرفة في أنظمة RAG. لكن عام 2025 أوضح أمرًا واحدًا: بدأ النموذج القديم لتخزين ومقارنة التضمينات الكثيفة يُظهر عيوبه. في جميع أنحاء هذا القطاع، تتجاوز فرق العمل الوعود الأصلية للبحث عن المتجهات، باحثةً عن سرعة أفضل، وأهمية أكبر، وموثوقية واقعية.

هذا العام، لم نشهد مجرد ترقيات، بل شهدنا إعادة نظر شاملة في كيفية عمل البحث الدلالي، بدءًا من البنية الأساسية ووصولًا إلى الأدوات التي يستخدمها المطورون لبناءه وتوسيع نطاقه. في هذه المقالة، سنستعرض ما يتغير، وما هو معطل بالفعل، وما بدأ يُمثل المعيار الجديد.

 

لماذا لا تستطيع المجموعة الحالية مواكبة التطورات

لنبدأ بما لم يعد يعمل. مع تحول المزيد من التطبيقات إلى RAG والوكلاء وسير العمل متعدد الوسائط، أصبح البحث الأساسي عن المتجهات سطحيًا جدًا. هذه ليست مجرد مشكلة نظرية، بل تؤثر على أنظمة الإنتاج اليوم.

يُعدّ أسلوب أقرب جار القياسي ممتازًا في العثور على أشياء "متشابهة نوعًا ما". ولكن عندما يحتاج المستخدمون إلى إجابات دقيقة، أو صياغة دقيقة، أو توصيات مخصصة، فإن معظم قواعد بيانات المتجهات لا تلبي هذه المتطلبات. فهي لا تدعم منطق الكلمات المفتاحية مثل "و" و"أو" و"لا"، مما يعني أنه لا يمكنك الجمع بين مصطلحات بحث محددة والتشابه الدلالي بطريقة مفيدة.

هناك أيضًا تحدي دمج التضمينات غير المنظمة مع المرشحات المنظمة. إذا كان استعلامك يتضمن نطاقات الأسعار أو الطوابع الزمنية أو التوافر، فإن العديد من الأنظمة لا تتعامل معه بشكل جيد. يُعدّ الترتيب نقطة خلاف أخرى. تعتمد معظم الأنظمة على دوال تقييم صارمة تتجاهل عوامل مثل الحداثة أو تفضيلات المستخدم. والأسوأ من ذلك، أن أي منطق متقدم أو استدلال تعلم آلي يجب أن يتم عادةً خارج قاعدة البيانات، مما يُؤدي إلى تأخير إضافي وتعقيد ونقاط فشل محتملة.

ثم هناك مشكلة التحديثات اللحظية. فالحفاظ على تحديث الفهارس يتطلب عادةً حلولاً بديلة غير عملية، مما يُبطئ كل شيء. وهذه مشكلة خطيرة في الأنظمة التي يُهمّها التوقيت، مثل أنظمة كشف الاحتيال، وخدمة العملاء، أو الخلاصات المُخصّصة التي تعتمد على السلوك الحالي.

ليس مجرد متجهات: تعدد الوسائط يعني تعدد المشكلات

نقطة احتكاك كبيرة أخرى في عام ٢٠٢٥: بحث المتجهات لا يتعامل جيدًا مع البنية. عندما يُسحق كل شيء في كتلة واحدة عالية الأبعاد، يضيع السياق. يشبه الأمر إلى حد ما سحق خريطة وتحويلها إلى كرة زجاجية على أمل أن تجد طريقك.

للنص

• تتطلب الصياغة القانونية أو المالية دقة عالية
• غالبًا ما يتجاهل الغموض الدلالي العبارات الرئيسية مثل "قد" مقابل "يجب"“
• يمكن لأنظمة الاسترجاع أن تتخيل أهمية المعلومات ولكنها تغفل التفاصيل

للصور

• لا تحتفظ المتجهات بمكان الأشياء في الصورة
• يتم فقدان سياق الموضع (مثل شعار في مشهد حساس)

للفيديو

• الضغط في تضمين واحد يبسط الوقت
• تفقد الإشارات الزمنية، لذا فإن البحث عن اللحظات يصبح مجرد تخمين

هذا مهم عندما يرغب المستخدمون بالانتقال إلى جزء محدد من مقطع فيديو أو يحتاجون إلى نتائج تعتمد على التسلسل. البحث الذي لا يراعي الوقت أو الموقع داخل البيانات لا يلبي متطلبات تجربة المستخدم الحديثة.

 

استرجاع البيانات المستند إلى الموتر يكتسب زخمًا

إذن، ما هو التالي؟ أحد الاتجاهات التي تحظى باهتمام كبير هو الاسترجاع القائم على الموتر. على عكس المتجهات البسيطة، يمكن للموترات الحفاظ على محاور متعددة من المعلومات. هذا يعني أنه يمكنك ترميز ليس فقط المعنى، بل البنية أيضًا - مثل التخطيط المكاني، أو التسلسل الزمني، أو حتى العلاقات الخاصة بالوسيلة.

وهذا مهم بشكل خاص لـ:

• أنظمة RAG التي تتعامل مع أزواج الصور والنصوص
• أدوات البحث القانوني حيث يكون السياق حول العبارات مهمًا
• وكلاء متعددو الوسائط يتنقلون بين الفيديو والصوت والمستندات

على سبيل المثال، كانت شركة Vespa.ai صريحة بشأن التحرك إلى ما هو أبعد من تضمينات المتجهات الثابتة نحو التسجيل المرن القائم على الموتر، مع المنطق الواعي للسياق المدمج مباشرة في طبقة الترتيب.

 

البحث الهجين هو الأساس الجديد

في هذه المرحلة، تتفق معظم المنصات الرائدة على أن البحث المتجهي البحت لا يكفي. ولذلك، كان عام ٢٠٢٥ هو عام انتشار البحث الهجين.

من يفعل ذلك وكيف:

مونجو دي بي

تم مؤخرًا توسيع نطاق البحث الهجين (الكلمات الرئيسية + المتجهات) ليشمل إصداري Community وEnterprise المُدارين ذاتيًا. هذا يعني أنه يُمكن للمطورين الآن بناء أنظمة RAG هجينة على البنية التحتية المحلية، وليس فقط في Atlas. كما يُمثل طبقة ذاكرة طويلة المدى للوكلاء الذين يستخدمون LangChain وLlamaIndex.

مرن

تم إطلاق ACORN-1، وهي خوارزمية تصفية ذكية لبحث kNN. تدمج هذه الخوارزمية المرشحات أثناء اجتياز الرسم البياني، وليس بعده، مما يُحسّن سرعة الاستعلامات المفلترة بخمس مرات. كما تم الانتقال إلى BBQ (تكميم ثنائي أفضل) للضغط دون المساس بجودة الترتيب.

طوب البيانات

أُعلن عن نقاط نهاية بحث متجهية مُحسّنة للتخزين، تفصل بين الحوسبة والتخزين. أهم ما يميزها:

• سعة متجهية بمقياس المليار
• تكلفة أقل بـ 7 مرات
• فهرسة أسرع بـ 20 مرة
• التصفية المألوفة على غرار SQL

إنه متكامل بشكل وثيق مع Unity Catalog للحوكمة ويدعم نماذج الدردشة الجاهزة للوكيل مباشرة.

 

أخيرًا، أصبحت الفلاتر والتصنيف والتخصيص أمرًا جديًا

أحد أكبر التحولات في عام 2025 ليس فقط في آلية البحث نفسها، بل أيضًا في مدى التحكم الذي يتمتع به المطورون الآن على المنطق وراء النتائج.

قبل

• سوف تحصل على تشابه جيب التمام، وهذا كل شيء
• الحداثة، أو إشارات المستخدم، أو البيانات الوصفية؟ هذا ما عليك فعله لإضافته خارجيًا.

الآن

• تتيح لك أنظمة مثل Vespa إدخال منطق الأعمال لتعديل الترتيب
• يسمح MongoDB بمرشحات منظمة داخل نفس الاستعلام مثل البحث عن المتجهات
• مرشحات ACORN من Elastic أثناء البحث، وليس بعده

كل هذا يشير إلى تحول أوسع: لم يعد الاسترجاع منفصلاً عن السياق والتقييم. أصبحا خط أنابيب واحد، وليس ثلاثة خطوط هشة متصلة ببعضها.

 

الفهرسة في الوقت الفعلي: مواكبة احتياجات المستخدمين أخيرًا

من التحسينات التي طال انتظارها سرعة الفهرسة وتكرار التحديث. تاريخيًا، كانت معظم قواعد بيانات المتجهات تعتمد على نظام الدفعات. كان عليك إعادة بناء الفهارس كل بضع ساعات للحفاظ على تحديثها.

هذا مناسب لكتالوجات المنتجات. لكنه غير مناسب للدردشة المباشرة، أو وسائل التواصل الاجتماعي، أو التنبيهات الفورية.

تحديثات هذا العام:

• قامت Databricks بتقليص وقت الفهرسة بما يصل إلى 20 ضعفًا لمخازن المتجهات الضخمة
• يدعم MongoDB الآن الاستيعاب في الوقت الفعلي تقريبًا مباشرةً داخل عمليات النشر المحلية/المدارة ذاتيًا
• تحافظ ميزة Elastic على سرعة الاستعلامات المفلترة حتى مع تغير مجموعة البيانات

إذا كان نظامك يحتاج إلى تحديث التضمينات بنفس سرعة تصرف المستخدمين، فقد أصبح الآن قادرًا على القيام بذلك أخيرًا.

 

كيف نفكر في البحث عن المتجهات في عام 2025

في موبيان, لطالما عملنا على التقاء التكنولوجيا سريعة التطور مع تطوير المنتجات العملية. وقد أثرت تغييرات هذا العام في البحث المتجهي بشكل مباشر علينا. تعتمد العديد من المنصات والأنظمة البيئية التي نصممها على استرجاع عالي الأداء، وواجهات مُخصصة، ومنطق آني يتجاوز بكثير البحث الأساسي عن الكلمات المفتاحية. إن رؤية تحول الصناعة نحو البحث الهجين والقائم على الموتر ليس أمرًا مثيرًا فحسب، بل ضروريًا أيضًا.

نحن نبني بالفعل أنظمةً لا تكفي فيها الصلة الدلالية وحدها. سواءً كنا ندمج RAG في منصة رعاية صحية، أو نُمكّن التوصيات الذكية في أدوات المؤسسات، أو نساعد الفرق على توسيع نطاق منتجات المراسلة الآمنة باستخدام طبقات بحث مُدمجة، فإننا نواجه نفس نقاط الاحتكاك الموضحة في تحديثات عام 2025. لهذا السبب، نعتمد على هياكل تدعم التصفية السريعة، والتصنيف القابل للتخصيص، والتعلم المستمر. هذه ليست مجرد قرارات خلفية، بل تؤثر بشكل مباشر على كيفية تجربة المستخدمين للملاءمة والسرعة والثقة.

مع استمرار تطور البحث عن المتجهات، نُطبّق ما تعلمناه في مختلف القطاعات لبناء أنظمة صامدة في العالم الحقيقي - تحت الضغط، وعلى نطاق واسع، وفي مختلف حالات الاستخدام التي تتطلب دقةً في التفاصيل. بالنسبة لنا، هذا ليس توجهًا، بل هو جزء من تقديم قيمة موثوقة وطويلة الأمد مع كل منتج نُنتجه.

ماذا يعني هذا لمطوري الذكاء الاصطناعي في العالم الحقيقي

إن التطورات في مجال البحث المتجهي خلال عام ٢٠٢٥ لا تقتصر على الأبحاث أو فرق البنية التحتية فحسب، بل تُعيد صياغة ما يمكن للمطورين وفرق المنتجات ومهندسي الذكاء الاصطناعي فعله في الإنتاج. سواءً كنت تُنشئ روبوت دردشة، أو واجهة بحث دلالي، أو محرك توصيات، أو خط أنابيب مُعقد لتوليد البيانات المُعززة بالاسترجاع (RAG)، فإن هذه التحولات تؤثر بشكل مباشر على سرعة تحركك، وقدرتك على التحكم، وموثوقية مخرجاتك.

لا يتعين عليك الاختيار بين السرعة والجودة

في الماضي، كان على المطورين تقديم تنازلات غير مريحة. فإذا كنت ترغب في استعلامات سريعة، فغالبًا ما كنت ستتنازل عن الصلة أو المرونة. وإذا كنت ترغب في تقييم أذكى أو أداء فوري، فستزداد بنيتك التحتية تعقيدًا. لكن بحث المتجهات المُحسّن للتخزين، مثل الذي أطلقته Databricks هذا العام، يكسر هذه التنازلات. أصبح من الممكن الآن التوسع إلى مليارات المتجهات بأداء فوري مع الحفاظ على تكاليف البنية التحتية معقولة. ولن تحتاج إلى إعادة تصميم خطوط الأنابيب أو تعلم نظام جديد لاستخدامه.

يمكنك فعليًا استخدام المرشحات الموجودة لديك

تعتمد العديد من التطبيقات العملية على البيانات الوصفية المنظمة لتحسين النتائج. خذ على سبيل المثال نطاقات الأسعار في التجارة الإلكترونية، وتواريخ النشر في بحث الأخبار، أو التحكم في الوصول في أنظمة المؤسسات. حتى وقت قريب، كان دمج هذه المرشحات مع البحث المتجهي يعني الاعتماد على منطق خارجي، مما يؤدي غالبًا إلى نتائج غير متسقة وتكاليف صيانة باهظة. أما الآن، فتدعم منصات مثل MongoDB وDatabricks التصفية بأسلوب SQL مباشرةً داخل طبقة البحث المتجهي. يتيح هذا للمطورين إنشاء استعلامات هجينة غنية دلاليًا ودقيقة منطقيًا. لا داعي بعد الآن لتحدي نفسك للحصول على مجموعة نتائج مفلترة منطقية.

تم دمج التخصيص وتسجيل النتائج ذات الصلة

نادرًا ما تكون الصلة عالمية. ما يجده مستخدم مفيدًا قد لا يكون ذا صلة بمستخدم آخر. لكن أنظمة البحث المتجهة القديمة لم تُتح مجالًا كبيرًا لهذا النوع من الفروق الدقيقة. كان كل شيء يُصنف بناءً على درجة تشابه واحدة، عادةً ما تكون جيب التمام أو حاصل الضرب النقطي، دون أي منطق مدمج للحداثة أو التفاعل أو السلوك الشخصي. هذا يتغير بسرعة. يتيح ضغط BBQ من Elastic للنظام تقييم المزيد من المرشحين بسرعة، مما يُحسّن عمق التصنيف دون زيادة زمن الوصول. في الوقت نفسه، تتيح منصات مثل Vespa للمطورين دمج منطق التصنيف وتعبيرات التقييم الخاصة بالمجال، كل ذلك ضمن مسار الاسترجاع. هذا يفتح الباب أمام البحث المُخصص، والتوصيات المُراعية للموضوع، وتعزيزات الحداثة دون الحاجة إلى أدوات إعادة ترتيب خارجية.

الحوكمة أصبحت أكثر أهمية من أي وقت مضى

مع تزايد استقلالية أنظمة الذكاء الاصطناعي واعتمادها على الوكلاء، لم تعد الحوكمة أمرًا مُستحسنًا، بل أصبحت أساسية. تحتاج الوكلاء الذين يبحثون عن البيانات ويُركّبونها ويتفاعلون معها إلى حدود واضحة. إذا أرجع نظام البحث بيانات قديمة أو مُقيّدة أو غير مناسبة، فقد تتفاقم إجراءات الوكيل بسرعة وتُصبح مخاطر أمنية أو معلومات مضللة. لهذا السبب، تُستثمر المنصات بكثافة في قابلية التدقيق والتحكم في الوصول. تربط Databricks بحثها عن المتجهات بـ Unity Catalog، مما يمنح مالكي المنصات تتبعًا كاملًا للسلالة، وأذونات، وتطبيقًا للسياسات. تتيح أوضاع النشر ذاتية الإدارة في MongoDB للمؤسسات الاحتفاظ بالبيانات الحساسة محليًا مع الاستمرار في استخدام ميزات البحث المتقدمة. إذا كنت تنشر الذكاء الاصطناعي في بيئات مُنظّمة وعالية الثقة، فإن هذا التحول نحو دعم الحوكمة الأصلية يُحدث نقلة نوعية.

هذه ليست مجرد ترقيات تقنية، بل تُعيد صياغة كيفية تصميم فرق المنتجات للميزات، وسرعة بناء النماذج الأولية للمطورين، وثقة القادة في اعتماد أدوات الذكاء الاصطناعي للإنتاج. باختصار، لم يعد البحث عن المتجهات في عام ٢٠٢٥ يقتصر على الاسترجاع فحسب، بل يتعلق ببناء أنظمة أكثر ذكاءً وأمانًا وتوافقًا مع كيفية عمل الأفراد والشركات.

 

نظرة إلى المستقبل: ما الذي لا يزال مفقودا؟

رغم أن عام ٢٠٢٥ قد أحدث نقلة نوعية، إلا أن هناك بعض التحديات الصعبة التي لم تستوعبها معظم المنصات بشكل كامل. ومن أبرزها التصنيف الدلالي متعدد اللغات. فحتى مع النماذج المتقدمة والتضمينات متعددة اللغات، لا يزال تنسيق المعنى بين اللغات غير متسق. وقد تختلف صلة البحث اختلافًا كبيرًا تبعًا للغة المستخدمة، وغالبًا ما تضيع التفاصيل الدقيقة في الترجمة.

هناك مجال آخر لا يزال في مراحله الأولى، ألا وهو تطوير ذاكرة العميل. فمعظم الأنظمة الحالية تجيد استرجاع البيانات بناءً على المستندات المخزنة أو قواعد المعرفة الثابتة، إلا أن الذكاء الاصطناعي العميل يحتاج إلى تكييف تضميناته مع مرور الوقت مع تفاعل المستخدمين، أو تغيير تفضيلاتهم، أو تشغيل سير عمل جديدة. ولا يزال هذا النوع من الذاكرة الديناميكية والواعية للسلوك تجريبيًا في معظم مجموعات الأدوات.

هناك أيضًا مسألة التنسيق. تعمل العديد من المنصات على توحيد الاسترجاع والتوليد في مسار RAG واحد سلس، ولكن عمليًا، قد يكون هذا الأمر معقدًا. فإدارة وقت البحث، وما يجب جلبه، وكيفية تسليم ذلك إلى نموذج لغة لا تزال تتطلب الكثير من أكواد الترابط المخصصة.

وأخيرًا، على الرغم من التحسن الكبير في عملية التصفية، إلا أنها لم تصل إلى المستوى المطلوب. معظم الأدوات تتعامل مع البيانات الوصفية الأساسية بكفاءة، لكن الحقول المعقدة، مثل JSON المتداخل، والسمات المضمنة، والمنطق المراعي للشرائح، لا تزال تُمثل بعض الصعوبات. إنه عمل قيد التطوير، وسيزداد أهميته مع ازدياد تخصيص التطبيقات ودقة تفاصيلها.

 

الأفكار النهائية

وصل بحث المتجهات إلى نقطة تحول في عام ٢٠٢٥. لم يعد وعد "التشابه الدلالي على نطاق واسع" كافيًا بحد ذاته. فبين تزايد الطلب على الدقة، والبيانات الآنية، والمنطق الهجين، والسياق متعدد الوسائط، ستكون الأنظمة التي ستصمد أمام هذه الموجة القادمة هي تلك التي تتجاوز الاسترجاع بالقوة الغاشمة وتتجه نحو أنظمة بيانات منظمة وذكية.

لم يعد الأمر يقتصر على إيجاد شيء مماثل، بل يتعلق بإيجاد الشيء الصحيح - بسرعة وأمان وفي سياقه.

سواء كان ذلك يعني تضمين الموتر، أو التصفية الذكية، أو مجرد دمج البحث في الأنظمة الموجودة لديك بالفعل، فإن هناك شيئًا واحدًا واضحًا: لن يبدو العصر التالي من البحث مثل العصر السابق.