Fine-tuning أم RAG: متى نستخدم كل خيار في المؤسسات؟

الفرق في جملة واحدة

• RAG: «اقرأ من مكتبتنا ثم أجب»
• Fine-tuning: «تعلّم كيف نتكلم ونفكّر»

مقارنة تفصيلية

المعيار	RAG	Fine-tuning
تحديث المعرفة	فوري (أعد فهرسة المستند)	يحتاج retrain
التكلفة الأولية	منخفضة–متوسطة	متوسطة–عالية (GPU)
التكلفة التشغيلية	استعلامات + vector DB	inference أرخص أحياناً
الهلوسة	أقل (مع grounding)	قد ت persists
البيانات المطلوبة	مستندات معتمدة	أمثلة Q&A أو conversations
الوقت للـ pilot	2–6 أسابيع	4–12 أسبوعاً
الامتثال	أسهل (مصادر واضحة)	أصعب (black box)

متى RAG؟

• أسئلة FAQ من سياسات ودلائل
• بحث في آلاف PDF وSharePoint
• معرفة تتغير شهرياً (لوائح، أسعار)
• حاجة لاستشهاد بالمصدر
• pilot سريع لإثبات القيمة

متى Fine-tuning؟

• أسلوب رد موحّد (نبرة قانونية، مصطلحات طبية)
• تصنيف نصوص بفئات ثابتة (intent detection)
• مهمة ضيقة: استخراج حقول من فواتير بصيغة معروفة
• تقليل طول prompt (توفير tokens على scale)

لا fine-tune لتخزين «1000 صفحة سياسة» — استخدم RAG

LoRA و PEFT: التخصيص الخفيف

تقنيات LoRA (Low-Rank Adaptation) تدرّب طبقة صغيرة فوق النموذج الأساسي — أرخص وأسرع من full fine-tuning. Meta وHugging Face يوفران أدوات مفتوحة.

Pipeline مقترح:

1. RAG pilot → قيسوا الفجوات
2. إن كانت المشكلة «أسلوب» لا «محتوى» → LoRA
3. اختبروا على hold-out set قبل الإنتاج

قرار tree للمؤسسة

هل الإجابة في مستنداتكم؟
  نعم → RAG
  لا → هل المهمة classification/extraction بقواعد ثابتة؟
    نعم → fine-tune أو نموذج ML كلاسيكي
    لا → راجعوا إن كان use case مناسباً أصلاً

تكلفة تقريبية (ترتيب magnitude)

النهج	pilot	سنوياً (scale متوسط)
RAG (managed)	$5K–30K	$20K–100K
Fine-tune LoRA	$10K–50K	$15K–80K + retrain
نموذج مخصص full	$100K+	$200K+

أرقام تقديرية — تختلف حسب الحجم والمزود والمنطقة.

المصادر

• Lewis et al., «Retrieval-Augmented Generation» (2020)
• Hu et al., «LoRA» (2021)
• OpenAI Fine-tuning guide
• Gartner — «RAG First for Enterprise GenAI» (2024)