واجهت فرق المكاتب في IskayPet تحدياً يتعلق بالمعرفة. كانت الإجابات عن الأسئلة التشغيلية اليومية، مثل سياسة الإرجاع أو بروتوكول بيطري أو خطوة في الإعداد المشترك، موجودة في مئات مستندات Microsoft SharePoint الموزعة عبر أربع لغات وثلاث دول. كان العثور على المعلومة الصحيحة في مستودعات المستندات الكبيرة يستغرق وقتاً طويلاً. وكل متجر أو دولة أو إجراء جديد كان يزيد المشكلة تعقيداً.
توليد الاسترجاع المعزز (RAG) هو الطريقة المعتادة لحل هذه المشكلة. لكن تشغيل RAG في بيئة الإنتاج يعني عادةً إدارة قواعد بيانات المتجهات وخطوط أنابيب التضمين ومهام الاستيعاب بنفسك.
في هذه المقالة، نعرض كيف بنت IskayPet، الشركة الرائدة في رعاية الحيوانات الأليفة في منطقة أيبيريا، مساعداً للمعرفة المؤسسية على Amazon Bedrock Managed Knowledge Bases. يجيب المساعد عن أسئلة الموظفين في عمليات التجزئة والرعاية البيطرية والموارد البشرية والإعداد المشترك والتوريد، بأربع لغات وفي ثلاث دول، دون أي بنية تحتية لـ RAG لإدارتها. بنى الفريق الحل بأكمله، من الواجهة الأمامية الموجهة للمتاجر إلى بنية AWS ونشرها، باستخدام Kiro مع Claude Haiku 4.5. نستعرض البنية والتحتية، وتكامل SharePoint، وقرارات إعداد الاسترجاع، والنتائج في بيئة الإنتاج.
نبذة عن IskayPet
IskayPet شركة رائدة في رعاية الحيوانات الأليفة في منطقة أيبيريا. تدير أكثر من 330 متجراً في إسبانيا والبرتغال وفرنسا تحت علامات Kiwoko وTiendanimal وKivet وClinicanimal وAnimalis التجارية. وبأكثر من 4,500 موظف و7 ملايين عميل، تدير IskayPet عمليات تمتد عبر التجزئة والعيادات البيطرية ورعاية الحيوانات والتوريد والموارد البشرية والإعداد المشترك. ولكل مجال سياساته وإجراءاته الخاصة، باللغات الإسبانية والبرتغالية والفرنسية والإنجليزية.
التحدي
في جميع مجالات الأعمال، كان موظفو المكاتب في IskayPet يبحثون يدوياً في مئات مستندات SharePoint للإجابة عن الأسئلة التشغيلية المتعلقة بالإجراءات والسياسات والعقود والإعداد المشترك. ومع وجود عمليات في ثلاث دول وأربع لغات، كان ذلك يستغرق وقتاً حقيقياً، وغالباً ما كانت الإجابة قديمة أو خاطئة.
لم تكن هناك طريقة موثوقة للاستعلام عن المعرفة المؤسسية، وكانت المشكلة تتزايد مع كل دولة أو مجال أو مستند يُضاف. احتاجت IskayPet إلى حل يستطيع القيام بما يلي:
- الإجابة عن الأسئلة باللغة الطبيعية مستندةً إلى مستنداتها المؤسسية الخاصة.
- العمل بأربع لغات دون الحاجة إلى صيانة أنظمة منفصلة.
- توجيه كل سؤال إلى مجموعة المعرفة الصحيحة (مجال معين أو دولة معينة) دون تلويث متبادل.
- التوسع إلى مجالات ودول جديدة دون إعادة هندسة البنية.
- الاستشهاد بمصادره ليثق الموظفون بالإجابات ويتحققوا منها.
- إعادة استخدام مستودعات SharePoint القائمة لديهم دون ترحيل مكلف.
لماذا Amazon Bedrock Managed Knowledge Bases
اختارت IskayPet خدمة Amazon Bedrock Managed Knowledge Bases لبناها التحتية المُدارة لـ RAG، والتي ألغت الحاجة إلى تشغيل مخازن المتجهات أو التضمينات أو خطوط أنابيب الاستيعاب. كانت الأسباب الرئيسية:
- RAG مُدار: تتولى Amazon Bedrock استيعاب البيانات والتحليل متعدد الوسائط وتخزين المتجهات وتوليد التضمينات والاسترجاع. وتدفع IskayPet فقط مقابل ما تخزنه وتسترجعه.
- موصل SharePoint أصلي: يستوعب الموصل المستندات مباشرة من بيئة SharePoint القائمة لدى IskayPet، مما ألغى الحاجة إلى ترحيل البيانات. ومع تمكين الفهرسة المتقدمة، يعالج أيضاً المحتوى من الصور المضمّنة في المستندات.
- بحث هجين مدمج: الجمع بين البحث الدلالي والبحث بالكلمات المفتاحية (BM25) دون تكلفة إضافية يستعيد المصطلحات الدقيقة، مثل رموز المنتجات والمراجع، التي قد يفوتها البحث الدلالي الخالص.
- إعادة ترتيب مُدارة: يُعاد ترتيب المقاطع المسترجعة حسب الصلة دون أي رسوم إضافية.
- تحكم بالوصول على مستوى المستند: يمكن لقاعدة المعرفة فرض أذونات النظام المصدر نفسه وقت الاسترجاع، بحيث يُعيد الاستعلام فقط المقاطع من المستندات المسموح للمستخدم الطالب بقراءتها مسبقاً. هذا يتيح لـ IskayPet إعادة استخدام أذونات SharePoint بدلاً من بناء نموذج تفويض جديد.
- مرونة النموذج: يمكن لـ IskayPet البدء بنموذج فعال من حيث التكلفة وتغييره لاحقاً دون إعادة كتابة البنية التحتية.
- تقييم RAG أصلي: قاس الفريق الجودة في كل خطوة باستخدام أدوات التقييم المدمجة.
نظرة عامة على الحل
يوضح المخطط التالي التدفق من البداية إلى النهاية، من سؤال الموظف عبر الاسترجاع الواعي بالأذونات وصولًا إلى الإجابة المُسنَدة والمُوثّقة بالمراجع.
الشكل 1: بنية الحل
الحل هو مساعد يصل إليه الموظفون عبر قنواتهم الحالية. عندما يطرح موظف سؤالًا، يسترجع المساعد المقاطع الأكثر صلة من قاعدة معارفه، مقيّدًا بالوثائق المسموح للموظف بقراءتها. ثم يُولّد إجابة مُسنَدة ومُوثّقة بالمراجع بلغة الموظف.
على مستوى عالٍ، يعمل التدفق كما يلي:
- يقدّم موظف سؤالًا بلغة طبيعية من خلال واجهة الدردشة.
- يستدعي التطبيق قاعدة المعرفة الخاصة بالمساعد المطلوب، ويمرر هوية الموظف حتى تُطبَّق صلاحيات مستوى المستند على عملية الاسترجاع.
- تُجري قاعدة المعرفة بحثًا هجينًا (دلاليًا وكلمات مفتاحية) على المحتوى المفهرس، وتعيد ترتيب النتائج، وتعيد المقاطع الأكثر صلة مع مراجع مصادرها.
- يُنشئ نموذج أساس (FM) إجابة مستندة إلى المقاطع المسترجعة. يتطلب الـ prompt الاستشهاد بالمصدر ويُخبر النموذج بأن يوضح عندما لا تكون الإجابة موجودة في المحتوى المسترجع.
- يتلقى الموظف الإجابة مع مستندات المصدر ويمكنه ترك ملاحظات (إعجاب أو عدم إعجاب) تُغذّي مجموعة التقييم.
بناء الحل باستخدام Kiro و Claude Haiku 4.5
بنَت IskayPet الحل بالكامل، من الواجهة الأمامية الموجهة للمتاجر إلى بنية AWS ونشر الخدمات، باستخدام Kiro، وهي بيئة التطوير الوكيلية، العاملة على Claude Haiku 4.5 على Amazon Bedrock. ومع توفر نماذج جديدة على Amazon Bedrock، تخطط IskayPet لتقييمها وتبنّيها لكل حالة استخدام.
للاطلاع على توفر النماذج حسب منطقة AWS، راجع النماذج المدعومة حسب منطقة AWS في Amazon Bedrock.
- الواجهة الأمامية الموجهة للمتاجر – استخدم الفريق Kiro لبناء الواجهة الأمامية التي يتفاعل بها موظفو المتاجر مع المساعد، مع توليد كود واجهة المستخدم وتحسينه تكراريًا باستخدام Claude Haiku 4.5.
- البنية والنشر – ساعد Kiro أيضًا في تصميم بنية AWS وتوفير الخدمات الكامنة وراء الحل: إعداد قاعدة المعرفة، ومصادر البيانات، وأدوار AWS Identity and Access Management (IAM)، وطبقة التطبيق.
ساعدت سير العمل الوكيلية مع Kiro ونموذج سريع وفعّال من حيث التكلفة مثل Claude Haiku 4.5 فريقًا صغيرًا على الانتقال من الفكرة إلى الإنتاج بسرعة. كما حافظ على اتساق كود التطبيق والبنية التحتية وقابليتهما للصيانة.
الاستيعاب: موصل SharePoint مع الفهرسة المتقدمة
كانت مستندات IskayPet موجودة أصلًا في SharePoint، منظمة حسب المنطقة والبلد. وبدلًا من ترحيلها، استخدم الفريق موصل SharePoint المدمج في Amazon Bedrock Managed Knowledge Bases.
في إعدادات مصدر البيانات المتقدمة، ضمن Content indexing و Advanced indexing، فعّلت IskayPet خيار Visual content in documents. يتيح هذا الإعداد استخراج المحتوى من الصور المضمّنة في المستندات (PDF و DOCX و PPTX) ومن الصور المستقلة. وهكذا أصبحت الأشكال والمحتوى الممسوح ضوئيًا داخل مستندات الإجراءات قابلة للبحث دون الحاجة إلى مسار معالجة مسبقة منفصل.
يقوم الموصل بالمزامنة التزايدية، لذا تُلتقط المستندات الجديدة والمحدَّثة في كل مزامنة.
بنية متعددة البلدان و متعددة المناطق
كانت إحدى قرارات التصميم الرئيسية هي كيفية هيكلة المعرفة لأربع لغات، وعدة مجالات أعمال، وثلاثة بلدان. وازنت IskayPet بين نهجين:
- قاعدة معرفة مشتركة واحدة، مع وسم كل مستند حسب البلد والمنطقة وتطبيق فلتر استرجاع لكل استعلام. يزيد هذا من إعادة استخدام المحتوى المشترك لكنه يربط جميع المجالات في فهرس واحد.
- قاعدة معرفة مخصصة لكل مساعد، يقتصر نطاق كل منها على مواقع أو مكتبات SharePoint ذات الصلة. يحافظ هذا على عزل كل مجموعة معرفة من البداية إلى النهاية ويسمح بضبط كل مساعد بشكل مستقل.
اختارت IskayPet قاعدة معرفة لكل مساعد. يشير كل مساعد إلى مواقع SharePoint محددة ويمكن تقييده أكثر إلى مكتبات مستندات أو مجلدات معينة عبر مسارات الإدراج، بحيث يفهرس المحتوى المقصود فقط وليس موقع الشركة بأكمله. إضافة منطقة أو بلد جديد تعني إضافة مساعد وتوجيهه إلى المحتوى المناسب، وليس إعادة هندسة النظام.
التحكم في الوصول
يُدار الوصول وفقًا لصلاحيات SharePoint الحالية للمستخدمين. لا يمنح المساعد الوصول إلى أي شيء جديد: بل يجعل فقط الاستعلام عن المستندات التي يمكن للموظف فتحها أصلًا أكثر سهولة. يعمل هذا على مستويين.
- المساعدون الذين يراهم المستخدم – يُعرض على الموظف فقط المساعدون الذين يحق لهم قراءة الوثائق الأساسية الخاصة بهم، سواء كانت هذه الصلاحية ناتجة عن إذن مباشر أو عضوية في مجموعة أو وصول إلى مجلد معين. إذا تعذر تأكيد الوصول، يُخفى المساعد بدلًا من عرضه.
- المستندات التي تُبنى عليها الإجابة – يُفرض الوصول مرة أخرى عند وقت الاسترجاع، لكل مستند: تُمرر هوية الموظف إلى قاعدة المعرفة، التي تُعيد المقاطع فقط من المستندات التي يُصرَّح لذلك الشخص برؤيتها. تدعم Amazon Bedrock Managed Knowledge Bases هذا التحكم في الوصول على مستوى المستند بشكل مدمج، لذا يمكن أن تختلف الإجابة نفسها على السؤال نفسه بشكل مشروع بين موظفين لديهما صلاحيات مختلفة.
بما أن الصلاحيات تُقرأ من SharePoint في كل عملية تحقق من الوصول، فإن إلغاء الوصول أو منحه في SharePoint ينعكس على المساعد دون أي تغييرات في التطبيق.
إعداد الاسترجاع والتوليد
تتحدد جودة نظام RAG أساساً في مرحلتي الاستيعاب والاسترجاع والتوليد. أما الضبط الدقيق (Fine-tuning) فهو تقنية مكمّلة. في حالة الاستخدام هذه، قامت IskayPet بضبط الإعدادات التالية:
- التقسيم إلى أجزاء (Chunking) – تمت إدارته من قبل قاعدة المعرفة المُدارة، ولذلك لم يُنشئ الفريق خط تقسيم إلى أجزاء أو يضبطه. وهذا أزال مكوّناً يتطلب عادةً جهداً تشغيلياً كبيراً في نظام RAG مُدار ذاتياً.
- البحث الهجين (Hybrid search) – تجمع قاعدة المعرفة بين الاسترجاع الدلالي والاسترجاع بالكلمات المفتاحية، ما يساعد على استرجاع المصطلحات الدقيقة مثل أكواد المنتجات التي قد تفوّتها البحث الدلالي الخالص.
- عدد النتائج – تم ضبطه مقابل مجموعة تقييم. يسترجع المساعد 25 مقطعاً، وبعد إزالة التكرارات والشظايا القصيرة جداً بحيث لا تضيف سياقاً، يُدخل ما يصل إلى 15 منها في التوجيه (prompt). وهذا الرقم هو الرافعة الرئيسية للتكلفة، لأنه يضاعف رموز الإدخال مع كل سؤال.
- أمر التوليد – يفرض نبرة مؤسسية، ويتطلب الاستشهاد بالمصادر، ويوجه النموذج إلى الإفصاح عندما لا تكون الإجابة موجودة في المحتوى المسترجع، مما يقلل من الهلوسة ويضيف إمكانية التتبع.
وكإجراء تحكم في الإنتاج، يضيف الفريق Amazon Bedrock Guardrails لتطبيق تصفية المحتوى وسياسات الذكاء الاصطناعي المسؤول على الإجابات المولدة.
- التقييم– تقييم RAG الأصلي في Amazon Bedrock، باستخدام التعليقات الإيجابية والسلبية من الاستخدام الفعلي كمجموعة تقييم لقياس الجودة قبل كل تغيير وبعده.
توليد الاستجابة
لتوليد الإجابات، تستخدم IskayPet نموذجًا أساسيًا فعالاً من حيث التكلفة على Amazon Bedrock. ولأن قاعدة المعرفة تفصل الاسترجاع عن التوليد، يمكن لـ IskayPet تبديل نموذج التوليد أو ترقيته دون المساس بطبقتي الاستيعاب أو الاسترجاع. وهذا يتيح للفريق الموازنة بين التكلفة وجودة الإجابة مع نمو الاستخدام.
كفاءة التكلفة
تتضمن قاعدة المعرفة تحليلًا متعدد الوسائط وتوليد التمثيلات التضمينية وإعادة الترتيب دون أي رسوم إضافية، لذا تأتي التكلفة الجارية لـ IskayPet بشكل رئيسي من تخزين الفهرس واستدعاءات واجهة برمجة التطبيقات للاسترجاع ورموز نموذج التوليد. في الإنتاج، تهيمن رموز الإدخال على تلك التكلفة، بسبب المقاطع التي تُحقن في كل أمر توجيه. يدرس الفريق مزيدًا من التحسينات مع نمو الاستخدام، بما في ذلك التخزين المؤقت لأوامر التوجيه للجزء الثابت من الأمر وتوجيه الاستدلال الدفعي لأحمال العمل غير التفاعلية.
النتائج
في خلال الشهرين الأولين تقريبًا في الإنتاج، حققت IskayPet:
- إجابات أسرع – انخفض الوقت اللازم لإيجاد إجابة تشغيلية من 3–5 دقائق إلى حوالي 7 ثوانٍ.
- إنتاجية أعلى – توفير حوالي 95 في المئة من الوقت المستغرق في البحث عن الإجراءات والسياسات.
- التوسع – يُتوقع أن تتعامل الحل مع حوالي 100,000 استعلام شهريًا عبر جميع مجالات الأعمال والبلدان.
الخاتمة
أنشأت IskayPet مساعدًا مؤسسيًا للمعرفة في بيئة إنتاجية على Amazon Bedrock Managed Knowledge Bases يخدم ثلاث دول وأربع لغات وعدة مجالات أعمال، دون أي بنية تحتية لـ RAG لإدارتها. أعاد موصل SharePoint الأصلي استخدام مستودعاتها الحالية. وقد وفرت قاعدة المعرفة المخصصة لكل مساعد تصميمًا متعدد البلدان نظيفًا مع عزل كل نطاق من البداية إلى النهاية. وأبقى التحليل والتضمين وإعادة الترتيب المُدارة كلاً من الجهد التشغيلي والتكلفة منخفضين. وبناء الواجهة الأمامية ومعمارية AWS باستخدام Kiro وClaude Haiku 4.5 مكّن فريقًا صغيرًا من الوصول إلى الإنتاج بسرعة.
إذا كنت تواجه تحديًا مشابهًا في استرجاع المعرفة، فيمكنك البدء على الطبقة المجانية من AWS وبناء أول قاعدة معرفة لك على وحدة تحكم Amazon Bedrock. للتعمق أكثر، راجع الموارد التالية وجرّب موصل SharePoint وضبط الوصول على مستوى المستند مقابل مستنداتك الخاصة.
لمعرفة المزيد، راجع Amazon Bedrock Managed Knowledge Base و تقييم أداء مصادر RAG باستخدام تقييمات Amazon Bedrock.