سلسلة الذكاء الاصطناعي للمبتدئين / المقال (7 من 30)
مرحبًا بكم أعزائي القراء في سلسلة “الذكاء الاصطناعي للمبتدئين” التي تقدمها مدونة النائب للعلوم والتكنولوجيا. تهدف هذه السلسلة إلى شرح مفاهيم الذكاء الاصطناعي وأدواته وتطبيقاته بلغة عربية مبسطة، لتكون مرجعًا للقارئ العربي في هذا المجال المتطور.
عزيزي القارئ نستخدم اليوم تطبيقات تستطيع التعرف إلى الصور، واقتراح مقاطع الفيديو التي قد تعجبنا، وترجمة النصوص، والتنبؤ ببعض الأحداث، بل وحتى إجراء حوار معنا. لكن كيف تعلمت هذه الأنظمة القيام بكل ذلك؟
هل جلس أحد المبرمجين وكتب لها كل الاحتمالات الممكنة؟ أم أن الحاسوب يستطيع فعلًا أن «يتعلم»؟
للإجابة عن هذا السؤال، لنبدأ بمثال بسيط.
لنتخيل طفلًا يتعلم التعرف إلى القطط
عندما يرى طفل صغير قطة لأول مرة، قد نقول له: «هذه قطة». وبعد ذلك يرى قططًا أخرى؛ بعضها أبيض وبعضها أسود، بعضها كبير وبعضها صغير، ومع تكرار الأمثلة يبدأ في تكوين فكرة تساعده على التعرف إلى قطة جديدة حتى لو لم يرها من قبل.
بالطبع، الذكاء الاصطناعي لا يتعلم بالطريقة التي يتعلم بها الإنسان، ولا يفكر في الصور بالطريقة نفسها، لكن المثال يساعدنا على فهم الفكرة الأساسية: التعلم من الأمثلة.
فإذا أردنا إنشاء نظام يستطيع التمييز بين صور القطط والكلاب، فإننا نزوده بعدد كبير من الصور، ونحدد له أثناء التدريب أي الصور تمثل قططًا وأيها تمثل كلابًا.
وهذه الصور هي جزء مما نسميه بيانات التدريب (Training Data).
ماذا يفعل الذكاء الاصطناعي بهذه البيانات؟
لا ينظر الحاسوب إلى صورة القطة ويقول: «لها أذنان وذيل، إذن هي قطة» بالطريقة التي قد يفكر بها الإنسان.
بل تُحوَّل الصورة داخل الحاسوب إلى بيانات رقمية، ويبدأ النظام أثناء التدريب في اكتشاف أنماط وعلاقات تساعده على التمييز بين الصور.
في البداية قد تكون توقعاته ضعيفة، فيصنف صورة قطة على أنها كلب مثلًا. وهنا تأتي خطوة مهمة جدًا: معرفة الخطأ.
تُقارن النتيجة التي توقعها النموذج بالإجابة الصحيحة. فإذا أخطأ، تُعدَّل حساباته الداخلية بطريقة تساعد على تقليل هذا الخطأ في المحاولات اللاحقة.
ثم تتكرر العملية مرات كثيرة:
بيانات وأمثلة ← توقع ← مقارنة بالصحيح ← حساب الخطأ ← تعديل وتحسين ← محاولة جديدة
ومع تكرار هذه الدورة على عدد كبير من الأمثلة، يتحسن أداء النظام تدريجيًا.
وهذه، بصورة مبسطة، إحدى الأفكار الأساسية في التعلم الآلي (Machine Learning).
ولكن ما المقصود بـ«النموذج»؟
عزيز القارئ: سنستخدم هذه الكلمة كثيرًا عند الحديث عن الذكاء الاصطناعي، لذلك من المهم أن نفهمها ببساطة.
النموذج (Model) هو النظام الذي يتم تدريبه على البيانات لكي يتعلم منها أنماطًا وعلاقات تمكنه من أداء مهمة معينة.
فقد يكون لدينا نموذج للتعرف إلى الصور، وآخر للتنبؤ بالأسعار، وآخر لفهم النصوص أو توليدها.
يمكننا التفكير في الأمر بهذه الصورة:
البيانات + عملية التدريب ← نموذج مُدرَّب
وبعد انتهاء التدريب، نعطي النموذج بيانات جديدة، فيستخدم ما تعلمه لإنتاج نتيجة أو توقع.
هل يعني التعلم أن الذكاء الاصطناعي يحفظ البيانات؟
ليس هذا هو الهدف.
تخيل طالبًا حفظ إجابات جميع مسائل كتاب الرياضيات، لكنه عندما أعطيته مسألة جديدة لم يستطع حلها. هل نقول إنه تعلم الرياضيات فعلًا؟
المشكلة نفسها يمكن أن تحدث في التعلم الآلي.
إذا أصبح النموذج جيدًا فقط في التعامل مع البيانات التي تدرب عليها، لكنه يفشل أمام بيانات جديدة، فإن تدريبه لم يحقق الهدف الحقيقي.
فالهدف ليس أن يحفظ الأمثلة، وإنما أن يتعلم منها أنماطًا يستطيع الاستفادة منها عند مواجهة حالات لم يرها من قبل.
ولهذا لا يكفي أن نسأل: هل نجح النموذج في بيانات التدريب؟ بل يجب أن نسأل أيضًا: كيف سيكون أداؤه أمام بيانات جديدة؟
من أين يحصل الذكاء الاصطناعي على البيانات؟
تعتمد طبيعة البيانات على المهمة التي نريد من النظام تعلمها.
فقد تكون البيانات:
- صورًا عند تدريب نظام للتعرف إلى الأشياء والوجوه.
- نصوصًا عند تدريب أنظمة معالجة اللغة.
- تسجيلات صوتية عند تدريب أنظمة التعرف إلى الكلام.
- أرقامًا وسجلات عند بناء أنظمة للتنبؤ أو التحليل.
- بيانات أجهزة ومستشعرات في التطبيقات الصناعية والذكية.
وهنا نصل إلى قاعدة مهمة جدًا:
الذكاء الاصطناعي لا يتعلم من فراغ؛ بل يعتمد بصورة أساسية على البيانات التي يتدرب عليها.
هل كثرة البيانات تعني ذكاءً أفضل؟
ليس بالضرورة.
لنفترض أننا نريد تدريب نظام للتعرف إلى أنواع الفاكهة، لكن معظم الصور التي أعطيناه إياها كانت للتفاح، بينما لم نزوده إلا بعدد قليل جدًا من صور الأنواع الأخرى.
حتى لو كان لدينا عدد كبير من الصور إجمالًا، فإن البيانات ليست متوازنة بما يكفي لتمثيل المشكلة بصورة جيدة.
وقد تكون البيانات أيضًا خاطئة أو ناقصة أو غير مناسبة للمهمة.
لذلك لا تتعلق المسألة بكمية البيانات فقط، بل بجودتها وتنوعها ومدى تمثيلها للواقع.
وهذا يفسر لماذا يُعد إعداد البيانات وتنظيفها واختيارها جزءًا أساسيًا من بناء أنظمة الذكاء الاصطناعي.
هل تتعلم جميع أنظمة الذكاء الاصطناعي بالطريقة نفسها؟
لا. توجد أساليب مختلفة للتعلم، وسنتعرف إليها بتفصيل أكبر في مقالات لاحقة، لكن يمكن تبسيط أشهرها في ثلاثة أنواع:
- التعلم الخاضع للإشراف (Supervised Learning): نعطي النظام أمثلة مع الإجابات الصحيحة. مثل صور مكتوب عليها مسبقًا «قطة» أو «كلب»، فيتعلم الربط بين البيانات والإجابة المناسبة.
- التعلم غير الخاضع للإشراف (Unsupervised Learning): نعطي النظام بيانات دون إجابات جاهزة، ويحاول اكتشاف الأنماط أو المجموعات والعلاقات الموجودة بينها.
- التعلم المعزز (Reinforcement Learning): يتعلم النظام من خلال التفاعل والمحاولة، ويحصل على إشارات تساعده على معرفة النتائج الأفضل، فيحسن سلوكه تدريجيًا.
وعلى الرغم من اختلاف هذه الأساليب، فإن البيانات تبقى في صميم عملية التعلم.
ماذا يحدث بعد انتهاء التدريب؟
هذه نقطة مهمة؛ لأن التدريب واستخدام النموذج ليسا الشيء نفسه.
أثناء التدريب (Training) يتعلم النموذج من البيانات وتُعدَّل حساباته الداخلية تدريجيًا لتحسين أدائه.
أما بعد التدريب، فيمكن أن نقدم إليه بيانات جديدة ليستخدم ما تعلمه في إنتاج نتيجة.
فإذا دربنا نموذجًا على آلاف الصور، ثم عرضنا عليه صورة جديدة وسألناه: «هل هذه قطة أم كلب؟»، فإنه يستخدم الأنماط التي تعلمها أثناء التدريب ليقدم توقعه.
وتُسمى عملية استخدام النموذج المدرب لإنتاج نتيجة جديدة عادةً الاستدلال (Inference).
وهل يفهم الذكاء الاصطناعي ما تعلمه؟
هنا يجب أن نكون حذرين في استخدام كلمة «يتعلم».
عندما نقول إن الذكاء الاصطناعي تعلم التعرف إلى القطط أو التعامل مع اللغة، فهذا لا يعني بالضرورة أنه يفهم القطة أو الكلمات بالطريقة التي يفهمها الإنسان.
فالإنسان يرتبط تعلمه بالوعي والخبرة والسياق والإدراك، بينما تعتمد أنظمة الذكاء الاصطناعي على معالجة البيانات واكتشاف أنماط وعلاقات رياضية معقدة فيها.
وقد تكون نتائج هذه الأنظمة مدهشة، لكن ذلك لا يجعل طريقة تعلمها مماثلة لطريقة التعلم البشري.
رحلة البيانات من المثال إلى التوقع
يمكن الآن تلخيص الفكرة كلها في مسار بسيط:
جمع البيانات → إعدادها → تدريب النموذج → قياس الأخطاء وتحسين النموذج → اختباره ببيانات جديدة → استخدامه في التوقع أو التصنيف
فعندما يتعرف هاتفك إلى صوت، أو يقترح متجر إلكتروني منتجًا، أو يصنف نظام صورة، فإن وراء النتيجة غالبًا عملية تعلم اعتمدت في مرحلة ما على البيانات.
الخلاصة
الذكاء الاصطناعي لا يتعلم لأننا نكتب له إجابة لكل حالة قد يواجهها، وإنما لأنه يستطيع، من خلال خوارزميات التعلم، اكتشاف الأنماط والعلاقات في البيانات وتحسين أدائه بناءً على الأمثلة والتغذية الراجعة.
لكن جودة ما يتعلمه ترتبط بعوامل كثيرة، في مقدمتها جودة البيانات، وطريقة إعدادها، وأسلوب التدريب، وكيفية اختبار النموذج وتقييمه.
لذلك، عندما نسمع العبارة الشائعة:
«البيانات هي وقود الذكاء الاصطناعي»
فإنها تعبر عن جانب مهم من الحقيقة؛ فالبيانات هي المادة التي يتعلم منها النموذج، لكن وجود الوقود وحده لا يكفي، بل نحتاج أيضًا إلى طريقة صحيحة لاستخدامه.
أعزائي القراء، أرحب بكم في مدونة النائب للعلوم والتكنولوجيا، حيث نسعى إلى تقديم مقالات علمية وتقنية مبسطة وموثوقة، إسهامًا متواضعًا في إثراء المحتوى العربي وبناء مكتبة معرفية تخدم القارئ والباحث والمهتم بالعلوم والتكنولوجيا. نسأل الله تعالى أن يجعل هذا العمل علمًا نافعًا، وأن ينفع به أبناء أمتنا العربية، وأن يوفقنا إلى كل خير، ويتقبل منا هذا الجهد، إنه ولي ذلك والقادر عليه.
إذا أعجبك هذا المقال، فلا تنسَ متابعة سلسلة “الذكاء الاصطناعي للمبتدئين” في مدونة النائب للعلوم والتكنولوجيا، حيث ننشر يوميًا مقالًا جديدًا يشرح مفاهيم الذكاء الاصطناعي وتطبيقاته بلغة عربية مبسطة.
مواضيع ذات صلة:
ما هو الذكاء الاصطناعي؟ شرح بسيط للمبتدئين
من الداخل: كيف يعمل ChatGPT ولماذا أصبح حديث العالم؟
ثورة المساعدات الذكية: كيف يغيّر الذكاء الاصطناعي طريقة عملنا وتعلمنا
كيف تكتب أوامر (Prompts) احترافية لبرامج الذكاء الاصطناعي؟ دليل عملي للحصول على أفضل النتائج
ما الفرق بين الذكاء الاصطناعي، والتعلم الآلي، والتعلم العميق؟
ما الفرق بين ChatGPT وGemini وClaude وCopilot؟ دليل مبسط لاختيار أفضل مساعد ذكي
تعريف الإنترنت وأهميته للمستخدمين
الفرق بين الإنترنت والويب: شرح مبسط
بروتوكولات الإنترنت: ما تحتاج معرفته
أهمية بروتوكول TCP/IP في تبادل البيانات
ما هو النص المترابط وكيف يؤثر على الويب؟
مواضيع اخرى مفيدة
- دليل كتابة تقارير جامعية احترافية باستخدام Word
- أنواع التقارير الجامعية ومكوناتها
- 7 خطوات لكتابة تقرير جامعي احترافي
- مفهوم الموقع الإلكتروني
- فوائد بناء موقع إلكتروني
- تصنيف المواقع الإلكترونية
- طرق بناء المواقع الإلكترونية
- تعرف على نافذة الاكسل 2016 الرئيسية
- مفهوم نظم المعلومات
- ماهي أنواع المنصات
- كيفي أحمي مصنف (ملف) الاكسل في اكسل 2016
مدونة النائب للعلوم والتكنلوجيا 