خلفية المشروع
باعتبارها إحدى شركات التأمين الرائدة في الصين، تمتلك باسيفيك للتأمين كميات هائلة من مستندات الأعمال مثل بنود التأمين وقواعد تسوية المطالبات ومواد المنتجات، بما يتجاوز 30 ألف مستند. يحتاج موظفو تسوية المطالبات ومستشارو المبيعات والموظفون الجدد يومياً إلى الرجوع لهذه المستندات بشكل متكرر، وكان البحث التقليدي بالكلمات المفتاحية يصعب معه تحديد المعلومات بدقة، حيث كان الموظف يقضي في المتوسط 15 دقيقة للعثور على المحتوى المطلوب وبنسبة دقة أقل من 40%.
نقاط الألم الأساسية
الحل
نشر بنية RAG الخاصة
تم نشر نظام RAG (التوليد المعزز بالاسترجاع) القائم على Qwen2.5-72B داخل بيئة الشبكة الداخلية، حيث تم تقسيم أكثر من 30 ألف مستند إلى مقاطع منظمة وفهرستها تحويلياً لبناء رسم بياني معرفي على مستوى المؤسسة. تتم جميع عمليات معالجة البيانات والاستدلال داخل الشبكة الداخلية، مما يلبي متطلبات الامتثال لقطاع المالية بعدم خروج البيانات من النطاق.
الإجابة الذكية على الأسئلة وتوصية المعرفة
تم تحقيق واجهة للإجابة باللغة الطبيعية تدعم الحوار متعدد الجولات وفهم السياق. لا يقتصر النظام على إرجاع الإجابة الدقيقة فقط، بل يوفر أيضاً اقتباسات من البنود الأصلية ذات الصلة وتوصيات معرفية مرتبطة، لمساعدة المستخدمين على فهم قواعد العمل بشكل شامل.
التحديث التلقائي لقاعدة المعرفة
بالربط مع نظام إدارة المحتوى في الشركة، عند تغيير أي بند أو قاعدة، يتم تشغيل تحديث فهرسي تزايدي تلقائياً، مما يضمن تزامن قاعدة المعرفة دائماً مع أحدث قواعد العمل.
بيانات النتائج
| المؤشر | قبل التحسين | بعد التحسين | نسبة التحسن |
|---|---|---|---|
| وقت استرجاع المعرفة | 15 دقيقة | 10 ثوانٍ | ↓99% |
| دقة الإجابة | 40% | 92% | ↑130% |
| فترة تدريب الموظفين الجدد | 3-6 أشهر | 1-2 شهر | ↓67% |
| تأخر تحديث المعرفة | 7 أيام | فوري | ↓100% |
> ملخص كمي: انخفض وقت استرجاع المعرفة بنسبة 99% ليصبح 10 ثوانٍ، وارتفعت دقة الإجابة بنسبة 130% لتصل إلى 92%، وتقلصت فترة تدريب الموظفين الجدد بنسبة 67% إلى شهر-شهرين، وتحول تأخر تحديث المعرفة من 7 أيام إلى فوري.
المكدس التقني
Qwen2.5-72B، قاعدة بيانات المتجهات Milvus، LangChain، FastAPI، Vue.js، نشر داخلي عبر Nginx
الأسئلة الشائعة
ما هو معدل الاستدعاء الذي يمكن تحقيقه عادةً في قاعدة معرفة RAG؟
بعد تحسين استراتيجية التقسيم ونموذج المتجهات، يصل معدل استدعاء RAG على مستوى المؤسسات عادةً إلى 85%-95%. في هذه الحالة، ارتفعت دقة الإجابة من 40% إلى 92%، وكان العامل الأساسي هو جودة التقسيم المنظم والفهرسة التحويلية لأكثر من 30 ألف مستند.
كيف تلبي قاعدة معارف شركة التأمين متطلبات الامتثال بعدم خروج البيانات من النطاق؟
تتم جميع معالجات البيانات والاستدلال داخل بيئة الشبكة الداخلية، بالاعتماد على نموذج Qwen2.5-72B المنشور محلياً، دون أي تسرب للبيانات. يلبي النظام متطلبات الامتثال لقطاع المالية بعدم خروج البيانات من النطاق، وقد اجتاز التدقيق الأمني الداخلي.
هل تكاليف صيانة قاعدة معرفة RAG مرتفعة؟
ليست مرتفعة. قاعدة المعرفة مربوطة بنظام إدارة المحتوى في الشركة، ويتم تشغيل تحديث فهرسي تزايدي تلقائياً عند تغيير البنود أو القواعد، دون تدخل يدوي. تقتصر الصيانة اليومية على بعض تحسينات النموذج واستكشاف الأخطاء، ويكفي موظف تشغيل واحد لتغطية ذلك.
