بناء "رشاد": مرشد أكاديمي ذكي يطوّر التعليم العالي باستخدام Advanced RAG Fusion

لم يكن إشادة مشرفنا القدير أ.د. هاني الغايش خلال مناقشة مشروع التخرج مجرد محطة أكاديمية فحسب، بل كان تتويجاً لرحلة استمرت 9 أشهر في حل واحدة من أكثر المشكلات إيلاماً في التعليم العالي.

تخلق أنظمة الساعات المعتمدة واللوائح الجامعية المعقدة فجوة معلوماتية كبيرة؛ إذ يواجه الطلاب صعوبة في فهم السياسات الأكاديمية، وغالباً ما يحصلون على نصائح متضاربة قد تكلّفهم فصولاً دراسية أو تؤثر سلباً على معدلهم التراكمي.

لقد عشت هذا الألم بنفسي؛ ففي بداية مسيرتي الجامعية تسبب الغموض الأكاديمي في انخفاض معدلي التراكمي إلى 1.5. كانت تلك التجربة الدافع الأول لي لبناء نظام ذكاء اصطناعي موثوق يضمن ألا يضل أي طالب طريقه مرة أخرى.

بالتعاون مع فريقي المتميز AI Innovators Team، هندسنا منصة رشاد (Rashaad): نظام SaaS متعدد المستأجرين للإرشاد الأكاديمي الذكي لمؤسسات التعليم العالي.

التحدي التشغيلي في التعليم العالي

تواجه الجامعات أزمة تشغيلية متكررة في مواسم التسجيل:

ضغط شؤون الطلاب: يتلقى الموظفون آلاف الأسئلة المتكررة حول المتطلبات السابقة، وحدود الساعات المعتمدة، وشروط التخرج.
خطر الهلوسة: روبوتات المحادثة العامة غير صالحة للسياسات الجامعية الرسمية؛ إذ إن معلومة واحدة غير دقيقة حول متطلب سابق أو حساب ساعات قد تربك الخطة الدراسية للطالب بالكامل.

صُمّم رشاد للقضاء التام على الهلوسة وتقديم إجابات دقيقة وموثقة بنسبة 100% من اللوائح الرسمية للجامعة على مدار الساعة وباللهجة التي يتحدث بها الطالب.

البنية التقنية: معمارية RAG Fusion

لضمان انعدام الهلوسة والحفاظ على السياق، صمّمت ونفّذت خط Advanced RAG Fusion مدعوماً بقاعدة بيانات PostgreSQL مع pgvector.

نظرة سريعة على معمارية النظام:

اللوائح الرسمية: إدخال لوائح وسياسات الجامعة.

1. خط الاستيعاب: تحليل متعدد الصيغ وتقسيم هرمي (Parent/Child Chunking).

2. الاسترجاع والدمج: بحث دلالي كثيف + BM25 + دمج RRF + إعادة ترتيب بـ Cross-Encoder.

3. محرك التوليد: Gemini 2.5 Flash لإجابات ثنائية اللغة فائقة السرعة.

1. خط الاستيعاب والتقسيم الهرمي (Hierarchical Chunking)

غالباً ما تؤدي طرق التقسيم التقليدية إلى بتر السياق وإساءة فهم البنود المتداخلة؛ لذلك اعتمدنا التقسيم الهرمي (Parent/Child Chunks):

المقاطع الأب (Parent Chunks): تحتفظ بالسياق الكامل لقسم اللائحة الأكاديمية.
المقاطع الابن (Child Chunks): بنود فرعية دقيقة تُستخدم للبحث المتجه عالي الدقة.

عندما يطابق الاستعلام مقطعاً فرعياً، يسترجع النظام المقطع الأب الكامل ليمنح النموذج اللغوي السياق المتكامل.

2. خط الاسترجاع وإعادة الترتيب

يعتمد "رشاد" على استراتيجية بحث هجين (Hybrid Search) تجمع بين دقة الكلمات المفتاحية والفهم الدلالي:

Dense Retriever: بحث دلالي بالمتجهات لفهم نية السؤال.
Sparse Retriever (BM25): مطابقة دقيقة لأكواد المقررات وأرقام المواد والمصطلحات.
Reciprocal Rank Fusion (RRF): دمج وتوحيد نتائج المسارين.
Cross-Encoder Re-ranker: إعادة تقييم النتائج المدمجة لترتيب أعلى المقاطع صلة قبل إرسالها للنموذج.

3. تنسيق النماذج والتوليد

اخترنا Google Gemini 2.5 Flash مع هندسة أوامر محكمة لما يوفره من:

زمن استجابة فائق السرعة لتجربة محادثة فورية.
كفاءة ثنائية اللغة (العربية والإنجليزية) تفهم العامية المصرية وتستشهد بالنصوص الأكاديمية الرسمية بدقة.

من مشروع أكاديمي إلى منصة Multi-Tenant SaaS

لم يُبنَ "رشاد" كنموذج أولي فحسب، بل كمعمارية Multi-Tenant SaaS مؤسسية تتيح لكل جامعة عزلاً كاملاً للبيانات وقاعدة معرفة مستقلة ولوحة تحكم مخصصة.

شكر خاص

لم يكن هذا الإنجاز ممكناً لولا توجيهات أ.د. هاني الغايش، وتفاني أعضاء الفريق: بلال كرم، أحمد الخولي، محمد زيدان، أحمد شديد، هشام رحاب، عبد الرحمن جلال الدالي، ومحمد جمال.

الخطوة القادمة

نعمل حالياً على توسيع "رشاد" ليصبح منصة متكاملة تدعم تطبيقات الهواتف الذكية والتكامل المباشر مع أنظمة إدارة الجامعات في منطقة الشرق الأوسط وشمال أفريقيا.

شاهد الفيديو التوضيحي أدناه لرؤية "رشاد" أثناء العمل!