وقتی مدیر سازمان میگوید «میخواهیم مدل را با دادههای خودمان آموزش بدهیم»، اغلب منظورش این است که AI باید آییننامهها، قراردادها، مستندات و اصطلاحات داخلی را درست بفهمد و پاسخ قابل استناد بدهد. اما این نیاز همیشه با Fine-Tuning حل نمیشود.
در بسیاری از پروژههای سازمانی، RAG انتخاب اول است؛ چون دانش بهروز، قابل حذف، قابل کنترل و قابل ارجاع میماند. Fine-Tuning هم جایگاه خودش را دارد، اما بیشتر برای یادگیری رفتار، قالب پاسخ، طبقهبندی خاص یا سبک تخصصی مناسب است؛ نه برای جایگزینی پایگاه دانش زنده.
- در بیشتر پروژههای دانش سازمانی، مسئله اصلی یاددادن همه چیز به مدل نیست؛ مسئله رساندن منبع درست به مدل در زمان پاسخ است.
- تفاوت ساده اما حیاتی
- معیارRAGFine-Tuning
- هدف اصلیدادن منبع درست به مدل هنگام پاسختغییر رفتار یا الگوی پاسخ مدل
- بهروزرسانی دانشسریع با تغییر سند یا indexنیازمند چرخه آموزش یا تنظیم مجدد
- استناد به منبعقابل طراحی و نمایشبهصورت ذاتی تضمینشده نیست
- کنترل دسترسیبا فیلتر retrieval قابل اعمال استسختتر و پرریسکتر
- هزینه شروعمعمولاً کمترمعمولاً بیشتر و وابسته به داده برچسبخورده
- کاربرد فارسی سازمانیآییننامه، FAQ، قرارداد، دستورالعمللحن، قالب، طبقهبندی، پاسخهای تکرارشونده
چه زمانی RAG انتخاب اول است؟
- دانش سازمان در PDF، Word، DMS، سایت داخلی یا دیتابیس متنی قرار دارد.
- پاسخ باید به بند، سند، تاریخ یا منبع مشخص ارجاع دهد.
- محتوا مرتب تغییر میکند؛ مثل بخشنامهها و آییننامهها.
- سطح دسترسی روی اسناد مهم است.
- میخواهید سریع وارد PoC شوید و کیفیت را روی داده واقعی بسنجید.
چه زمانی Fine-Tuning ارزش دارد؟
- داده برچسبخورده و باکیفیت دارید.
- خروجی باید قالب بسیار خاص و تکرارشونده داشته باشد.
- هدف یادگیری سبک پاسخ یا طبقهبندی تخصصی است، نه حفظ دانش متغیر.
- بودجه ارزیابی، نگهداری و تکرار آموزش وجود دارد.
- مدل پایه در رفتار مورد نظر شما ضعف جدی دارد و prompt/RAG کافی نیست.
مثال سازمانی: آییننامه منابع انسانی
اگر کاربر بپرسد «مرخصی استعلاجی برای قرارداد موقت چطور محاسبه میشود؟»، پاسخ باید به آخرین نسخه آییننامه و بند مربوطه متکی باشد. اینجا RAG منطقیتر است. اما اگر بخواهید همه پاسخها در قالب رسمی خاص سازمان، با ساختار ثابت و لحن مشخص تولید شوند، میتوانید بعد از تثبیت RAG، fine-tuning یا instruction tuning محدود را بررسی کنید.
فرمول تصمیم سریع
- اگر مسئله شما «دانش بهروز و قابل استناد» است، با RAG شروع کنید. اگر مسئله شما «رفتار خاص و پایدار مدل» است، Fine-Tuning را بررسی کنید. اگر هر دو را میخواهید، معمولاً RAG پایه است و Fine-Tuning مکمل.
- ارزیابی کیفیت در هر دو مسیر
- معیاردر RAG چه میسنجیم؟در Fine-Tuning چه میسنجیم؟
- Accuracyآیا پاسخ با سند درست است؟آیا مدل در نمونههای تست درست عمل میکند؟
- Groundednessآیا پاسخ به منبع مرتبط متکی است؟آیا مدل ادعای بیمنبع نمیسازد؟
- Coverageآیا retrieval منبع کافی پیدا کرده؟آیا داده آموزشی سناریوهای کافی دارد؟
- Stabilityآیا تغییر index کیفیت را خراب نکرده؟آیا آموزش جدید رفتار قبلی را خراب نکرده؟
اشتباهات رایج
- استفاده از Fine-Tuning برای حفظ دانش متغیر سازمان.
- ایندکسکردن اسناد بیکیفیت و انتظار پاسخ دقیق از RAG.
- نداشتن metadata مثل تاریخ، مالک، نوع سند و سطح محرمانگی.
- ارزیابی نکردن پاسخها با سؤالهای واقعی فارسی.
- نادیده گرفتن LLMOps برای پایش هزینه، کیفیت و خطا.
سؤالهای پرتکرار مدیران IT
<مسیر پیشنهادی بعدی
اگر مسئله شما پاسخگویی از اسناد داخلی است، صفحه پایگاه دانش هوشمند سازمانی مسیر چت با اسناد سازمانی و کنترل کیفیت RAG را توضیح میدهد.
