قامت جوجل كلاود بالإعلان عن دمج أداة تحليل التخطيط من Document AI مع BigQuery، مما يُسهل على المطورين إنشاء خطوط أنابيب RAG قوية. من خلال الاستفادة من ML.PROCESS_DOCUMENT ووظائف تعلم الآلة الأخرى في BigQuery، يمكنك تبسيط المعالجة المسبقة للمستندات وإنشاء حوامل متجهة وإجراء بحث دلالي، كل ذلك داخل BigQuery باستخدام SQL. هذا التكامل مثير للاهتمام بشكل خاص لأنه يعالج تحديًا رئيسيًا في خطوط أنابيب RAG، وهو تحليل المستندات المعقدة مثل البيانات المالية. من خلال تقطيع المستندات إلى أجزاء أصغر ذات صلة دلالية، يمكن لـ Layout Parser تحسين ملاءمة المعلومات المسترجعة، مما يؤدي إلى إجابات أكثر دقة من نموذج لغة كبير (LLM). علاوة على ذلك، فإن القدرة على إنشاء بيانات وصفية مثل مصدر المستند وموقع الجزء والمعلومات الهيكلية إلى جانب الأجزاء تعزز خط أنابيب RAG، مما يتيح لك تصفية نتائج البحث وتحسينها وتصحيح أخطاء التعليمات البرمجية الخاصة بك. حل مشكلة معالجة المستندات المعقدة في خطوط أنابيب RAG هو خطوة كبيرة إلى الأمام في جعل تقنية RAG أكثر سهولة وقابلية للتطوير.