عن الدورة
تستكشف هذه الدورة حلاً يعتمد على أسلوب «التوليد المعزَّز بالاسترجاع» (RAG) داخل BigQuery بهدف الحد من ظاهرة هلوسة نماذج الذكاء الاصطناعي وتحسين دقة المخرجات. تقدّم الدورة سير عمل متكاملاً لـ RAG يبدأ بإنشاء التضمينات (Embeddings) للبيانات باستخدام نماذج التضمين عبر BigQuery، ثم الانتقال إلى البحث داخل فضاء متجهي (Vector Space) لاسترجاع المقاطع أو المستندات الأكثر صلة بسؤال المستخدم، وأخيراً استخدام النتائج المسترجعة لتوليد إجابات أفضل وأكثر استناداً إلى مصادر فعلية. لا تكتفي الدورة بالجانب التطبيقي، بل تشرح أيضاً الأسباب المفاهيمية وراء كل خطوة: لماذا نستخدم التضمينات لتمثيل المعنى، وكيف يساعد البحث المتجهي على العثور على سياق قريب دلالياً، ولماذا يؤدي تزويد النموذج بسياق مسترجع إلى تقليل الهلوسة وزيادة موثوقية الإجابات. كما توضّح الدورة كيفية تنفيذ هذه الخطوات عملياً باستخدام BigQuery، وبناء خط أنابيب RAG يجمع بين قدرات BigQuery ونماذج الذكاء الاصطناعي التوليدي مثل Gemini، إلى جانب نماذج التضمين. في نهاية الدورة، سيكون المتعلم قادراً على تصميم وبناء خط أنابيب RAG داخل BigQuery وتطبيقه على حالات استخدامه الخاصة لمعالجة مشكلات الهلوسة وتحسين جودة الإجابات.
ماذا ستتعلم
- توليد التضمينات باستخدام نماذج التضمين عبر BigQuery
- تنفيذ البحث المتجهي في BigQuery وفهم آلية عمله
- إنشاء خط أنابيب RAG (التوليد المعزّز بالاسترجاع) باستخدام BigQuery