دليل بناء وتكوين نظام RAG متعدد اللغات لاسترجاع الوثائق الطبية التقنية

مقدمة حول الـ RAG الطبي متعدد اللغات

يمثل التعامل مع الوثائق والتقارير الطبية تحدياً فريداً لمهندسي البرمجيات والذكاء الاصطناعي. تحتوي هذه الوثائق على مصطلحات لاتينية وتقنية متخصصة تارة باللغة الإنجليزية وتارة أخرى باللغة العربية، بالإضافة إلى تفاصيل معقدة حول تشخيص الأمراض، الجرعات، والأعراض الجانبية للأدوية. إن استخدام النماذج اللغوية العامة للإجابة على الاستفسارات الطبية قد يؤدي إلى “هلوسة معلوماتية” تشكل خطراً حقيقياً على صحة المرضى. يستعرض هذا الدليل خطوات عملية واضحة لبناء وتكوين نظام استرجاع معلومات مدعم (RAG) يدعم العربية والإنجليزية بدقة متناهية باستخدام أداة AnythingLLM وقاعدة بيانات المتجهات Qdrant.

المكونات الأساسية للنظام الطبي

لبناء قاعدة المعرفة الطبية الآمنة، نحتاج إلى دمج المكونات التقنية التالية:

• AnythingLLM Desktop or Server: لإدارة مساحات العمل والمستندات والتفاعل السلس مع المستخدمين.
• Qdrant: قاعدة البيانات المتجهة المتخصصة في البحث والترتيب السريع للوثائق ذات الأبعاد العالية.
• نموذج تضمين طبي متعدد اللغات (مثل BGE-M3): القادر على فهم النصوص الطبية باللغتين بنفس الفضاء المتجهي لربط المصطلحات ببعضها بشكل صحيح.
• خادم Ollama (مع نموذج Qwen 2.5 14B): لمعالجة النصوص وإصدار إجابات طبية عربية منسقة بدقة بناءً على الوثائق المسترجعة فقط.

خطوات البناء والتكوين الفني

1. إعداد قاعدة بيانات Qdrant

نقوم بتشغيل خادم Qdrant وننشئ مجموعة (Collection) جديدة تسمى medical_kb. نحدد نوع مقياس التشابه ليكون Cosine لضمان قياس التشابه الدلالي بين الكلمات العربية والإنجليزية بدقة أثناء الاستعلامات.

2. تكوين معلمات AnythingLLM

نفتح واجهة AnythingLLM، ونختار Qdrant كقاعدة بيانات المتجهات المعتمدة، ونربطها برابط الاتصال المحلي (مثلاً http://localhost:6333) والمفاتيح الأمنية (API Key). ثم نختار Ollama كمحرك لتوليد الردود ومزود لنموذج التضمين الطبي متعدد اللغات.

3. تجزئة ورفع المستندات الطبية

قبل الرفع، من الأفضل استخدام أدوات مثل n8n كحلقة ربط أساسية لنقل النصوص المعتمدة وإدارة موافقة الكاتب البشري (Human-in-the-loop) لتجنب أي أخطاء إملائية أو سياقية. بعدها، تُرفع المستندات إلى AnythingLLM لتقوم بتقطيعها (Chunking) وتضمينها (Embedding) وتخزينها في Qdrant.

استراتيجيات هندسة المطالبات الطبية لمنع الهلوسة

تعتبر صياغة المطالبة (Prompt) الموجهة للنموذج اللغوي هي صمام الأمان لمنع تقديم إجابات طبية خاطئة. نقوم بتهيئة مطالبة نظام صارمة في AnythingLLM كالتالي:

“أنت مساعد طبي ذكي وموثوق. مهمتك هي الإجابة على استفسارات المستخدمين بالاعتماد الكلي والحصري على المقاطع المسترجعة المرفقة. إذا لم تجد الإجابة في المقاطع، قل بوضوح ‘عذراً، لا تتوفر هذه المعلومة في قاعدة بياناتنا الطبية وأنصحك باستشارة الطبيب المختص’. لا تحاول اختراع علاجات أو جرعات غير مذكورة في الوثائق.”

نصائح الصيانة والأمان لقاعدة البيانات الطبية

للحفاظ على كفاءة وأمن النظام الطبي الحساس:

• تحديث قاعدة المعرفة بشكل دوري: الطب علم متطور، لذا يجب مراجعة وتحديث الوثائق الطبية المخزنة بانتظام لضمان عدم تقديم نصائح بناءً على بروتوكولات علاجية قديمة أو ملغاة.
• سرية بيانات المرضى والخصوصية: تأكد من تنظيف الوثائق الطبية المرفوعة من أي بيانات شخصية للمرضى (PII) مثل الأسماء والعناوين وأرقام الهواتف قبل تحويلها لمتجهات، للامتثال للقوانين والمعايير الطبية الدولية والمحلية لحماية الخصوصية.
• البحث الهجين (Hybrid Search): تفعيل البحث الهجين الذي يدمج بين البحث الدلالي (Semantic) والبحث التقليدي بالكلمات المفتاحية (Keyword/BM25) يضمن العثور على الأسماء اللاتينية المعقدة للأدوية والتشخيصات الطبية بدقة متناهية دون خلط.