يجلس مدير مبيعات في الرياض أمام عرض تقديمي لمورّد برمجيات. في الشريحة الأولى يقرأ «حل مدعوم بالذكاء الاصطناعي»، وفي الثانية «خوارزميات تعلّم الآلة»، وفي الثالثة «شبكات تعلّم عميق». هل يتحدث المورّد عن ثلاثة أشياء مختلفة؟ أم عن شيء واحد بثلاثة أسماء؟
الإجابة المختصرة: المصطلحات الثلاثة ليست مترادفة، وليست متنافسة أيضًا. كل واحد منها يقع داخل الآخر، مثل دوائر متداخلة. ومعرفة موقع المنتج داخل هذه الدوائر تساعدك على طرح السؤال الصحيح: ما البيانات التي يحتاجها؟ وكيف يُقاس أداؤه؟ وأين يُتوقع أن يخطئ؟
الدوائر المتداخلة: من الأوسع إلى الأضيق
تخيل أربع دوائر، كل واحدة داخل التي قبلها. الدائرة الخارجية هي الذكاء الاصطناعي، وداخلها تعلّم الآلة، وداخلها التعلّم العميق، وفي قلبها النماذج التوليدية الحديثة التي يتعامل معها معظم الناس اليوم عبر المحادثة.
القاعدة التي تنتج عن هذا الرسم بسيطة: كل نظام تعلّم عميق هو نظام تعلّم آلة، وكل نظام تعلّم آلة يندرج تحت الذكاء الاصطناعي. لكن العكس غير صحيح. ليس كل نظام ذكاء اصطناعي يتعلم من البيانات، وليس كل نموذج تعلّم آلة يستخدم شبكات عميقة.
الدائرة الأولى: الذكاء الاصطناعي
الذكاء الاصطناعي هو المجال الواسع الذي يهدف إلى جعل الآلة تنفذ مهامًا نربطها عادة بالذكاء البشري: التخطيط، والاستدلال، والتعرف إلى الأنماط، وفهم اللغة. ظهر المصطلح رسميًا في مقترح بحثي كتبه جون مكارثي وزملاؤه عام 1955 لورشة عمل صيفية في كلية دارتموث، كما يظهر في نص المقترح الأصلي المنشور على موقع جامعة ستانفورد.
قد يكون النظام «ذكيًا» دون أن يتعلم شيئًا من بيانات. برنامج يحسب الزكاة وفق قواعد مكتوبة، أو نظام خبير يطرح أسئلة متسلسلة ليقترح تشخيصًا لعطل في مكيف، كلاهما يقع في هذه الدائرة لأن قواعده كتبها بشر صراحة.
الدائرة الثانية: تعلّم الآلة
في تعلّم الآلة (Machine Learning) لا نكتب القواعد بأيدينا. نعطي النظام أمثلة، فيستخرج منها نمطًا قابلًا للتعميم. استخدم آرثر صامويل هذا التعبير في ورقته المنشورة عام 1959 عن برنامج يلعب الداما ويتحسن بالتجربة حتى يتفوق على من كتبه.
مثال: بدل أن يكتب مبرمج قاعدة «إذا احتوت الرسالة كلمة ربح مجاني فهي مزعجة»، نعطي النموذج آلاف الرسائل المصنفة سابقًا إلى «مزعجة» و«سليمة»، فيتعلم بنفسه أي الكلمات والأنماط ترجّح كل تصنيف. جودة النتيجة هنا مرتبطة مباشرة بجودة الأمثلة وتمثيلها للواقع.
الدائرة الثالثة: التعلّم العميق
التعلّم العميق (Deep Learning) فرع من تعلّم الآلة يعتمد على شبكات عصبية متعددة الطبقات. كل طبقة تحول المدخل إلى تمثيل أكثر تجريدًا: في الصورة مثلًا تبدأ الطبقات الأولى بالحواف، ثم الأشكال، ثم الحروف أو الوجوه.
ميزة هذا الأسلوب أنه يتعامل جيدًا مع البيانات غير المنظمة مثل الصور والصوت والنصوص. ثمنه أنه يحتاج عادة إلى بيانات أكثر وحوسبة أكبر، ويصعب غالبًا تفسير سبب قرار محدد اتخذه.
الدائرة الرابعة: النماذج التوليدية
النماذج التوليدية (Generative Models) نماذج تعلّم عميق لا تكتفي بالتصنيف، بل تنتج محتوى جديدًا: نصًا أو صورة أو صوتًا. النماذج اللغوية الكبيرة التي تقف خلف المساعدات الحوارية هي أشهر أمثلتها، وقد شرحنا طريقة عملها في كيف تعمل النماذج اللغوية الكبيرة، وقدمنا أمثلة استخدامها في مدخل عملي إلى الذكاء الاصطناعي التوليدي.
جدول المقارنة: التعريف والبيانات والتطبيقات العربية
يلخص الجدول التالي الفروق العملية بين الدوائر الأربع، مع تطبيقات مألوفة في السوق العربية. لاحظ أن عمود «التطبيق» يذكر مثالًا نموذجيًا، لا الطريقة الوحيدة لحل المهمة.
| المعيار | الذكاء الاصطناعي (عام) | تعلّم الآلة | التعلّم العميق | النماذج التوليدية |
|---|---|---|---|---|
| التعريف المختصر | أي نظام ينفذ مهمة نربطها بالذكاء، بقواعد أو بتعلم | نماذج تستخرج أنماطًا من أمثلة بدل قواعد مكتوبة | تعلّم آلة بشبكات عصبية متعددة الطبقات | تعلّم عميق ينتج محتوى جديدًا لا يكتفي بالتصنيف |
| الحاجة إلى البيانات | قد لا يحتاج بيانات إذا كان قائمًا على قواعد | مئات إلى آلاف الأمثلة المصنفة غالبًا | كميات كبيرة عادة خاصة للصور والصوت | كميات ضخمة جدًا في التدريب الأولي |
| مثال تقني | نظام خبير لتشخيص الأعطال | شجرة قرار أو انحدار خطي | شبكة التفافية للصور | نموذج لغوي كبير |
| تطبيق في السوق العربية | حاسبة زكاة أو مواريث بقواعد شرعية مكتوبة | فلترة الرسائل المزعجة وتقدير أسعار العقارات | التعرف على الخط العربي المكتوب باليد | المساعدات الحوارية بالعربية الفصحى واللهجات |
| سهولة التفسير | عالية لأن القواعد مكتوبة | متوسطة إلى عالية حسب النموذج | منخفضة غالبًا | منخفضة جدًا |
لماذا تقدير أسعار العقارات مثال جيد لتعلّم الآلة الكلاسيكي؟
لنفترض أن شركة وساطة في القاهرة الجديدة تريد تقدير سعر شقة. البيانات هنا منظمة: المساحة، والطابق، وعدد الغرف، والحي، وعمر المبنى. نموذج انحدار بسيط أو غابة أشجار قرار قد يعطي نتيجة جيدة، ويستطيع المحلل أن يرى أثر كل عامل في السعر.
استخدام شبكة عميقة هنا ليس خطأ، لكنه قد لا يضيف دقة تبرر صعوبة التفسير. وهذا درس مهم: الأسلوب الأحدث ليس دائمًا الأنسب.
ولماذا الخط العربي اليدوي يحتاج تعلّمًا عميقًا؟
الحروف العربية متصلة، وشكل الحرف يتغير بحسب موقعه في الكلمة، والنقاط تفرق بين «ب» و«ت» و«ث»، وكل كاتب يرسمها بطريقته. كتابة قواعد يدوية لكل هذه الحالات شبه مستحيلة. هنا تتفوق الشبكات العميقة لأنها تتعلم التمثيلات البصرية مباشرة من آلاف العينات.
خط زمني مختصر بتواريخ موثقة
لا تحتاج إلى حفظ التاريخ كاملًا، لكن سبع محطات تكفي لفهم كيف نشأت الدوائر واحدة داخل الأخرى:
- أغسطس 1955: جون مكارثي ومارفن مينسكي وناثانيال روتشستر وكلود شانون يكتبون مقترح مشروع بحثي يستخدم تعبير «الذكاء الاصطناعي».
- صيف 1956: انعقاد ورشة دارتموث في هانوفر بالولايات المتحدة، وتُعد عادة نقطة انطلاق المجال أكاديميًا.
- 1959: آرثر صامويل ينشر في مجلة IBM ورقة عن برنامج داما يتعلم من التجربة، ويستخدم تعبير «تعلّم الآلة» في عنوانها.
- 1986: روملهارت وهينتون وويليامز ينشرون في مجلة Nature ورقة عن الانتشار العكسي للخطأ (Backpropagation)، وهي طريقة تدريب الشبكات متعددة الطبقات.
- 2012: شبكة AlexNet لكريجيفسكي وسوتسكيفر وهينتون تُعرض في مؤتمر NIPS وتحقق قفزة في تصنيف صور ImageNet، فيتسارع الاهتمام بالتعلّم العميق.
- يونيو 2017: فريق باحثين معظمهم من Google ينشر ورقة Attention Is All You Need التي تقدم معمارية المحوّل (Transformer)، أساس معظم النماذج اللغوية الحالية.
- 30 نوفمبر 2022: OpenAI تطلق ChatGPT للجمهور، فتصل النماذج التوليدية إلى جمهور واسع من غير المتخصصين.
لاحظ أن الفجوة بين المحطة الأولى والأخيرة تقارب سبعين عامًا. ما يبدو «ثورة مفاجئة» هو في الحقيقة تراكم طويل لأفكار انتظرت البيانات والحوسبة الكافية.
مثال واحد يمر بالدوائر الأربع
لنفترض أن متجرًا إلكترونيًا في عمّان يستقبل مئات رسائل العملاء يوميًا، ويريد فرزها. يمكن حل المهمة نفسها بأربع طرق، كل واحدة من دائرة مختلفة.
في الدائرة الأولى، يكتب الفريق قواعد: كل رسالة فيها «استرجاع» أو «إرجاع» تذهب إلى قسم المرتجعات. الحل سريع وواضح، لكنه يفشل عندما يكتب العميل «بدي أرجّع الطلب» باللهجة، أو يخطئ في الإملاء.
في الدائرة الثانية، يدرب الفريق نموذج تصنيف على ألفي رسالة سابقة صنفها الموظفون. يتعلم النموذج أنماطًا أوسع من القواعد، لكنه يحتاج إلى أمثلة كافية من كل لهجة يكتب بها العملاء.
في الدائرة الثالثة، يستخدم الفريق نموذجًا عميقًا مدربًا مسبقًا على نصوص عربية كثيرة، ثم يكيّفه على رسائل المتجر. يتحسن فهم الصياغات المتنوعة، لكن تفسير سبب تصنيف رسالة بعينها يصبح أصعب.
في الدائرة الرابعة، يرسل الفريق كل رسالة إلى نموذج لغوي كبير مع طلب واضح: «صنّف الرسالة إلى واحد من خمسة أقسام، واكتب ردًا مقترحًا». هذا مرن جدًا، لكنه يحمل كلفة لكل طلب، وقد يختلق تفاصيل في الرد المقترح، كما شرحنا في لماذا يهلوس الذكاء الاصطناعي. كما أن النص العربي يستهلك عددًا من الرموز يختلف باختلاف النموذج، وهو ما قسناه في تجربة كلفة الرموز العربية.
مفاهيم خاطئة شائعة
«الذكاء الاصطناعي يعني ChatGPT». المساعدات الحوارية جزء صغير من المجال. نظام توصية المنتجات في متجرك، ومرشح البريد المزعج، وتطبيق الخرائط الذي يقترح أسرع طريق، كلها تطبيقات ذكاء اصطناعي لا تولد نصوصًا.
«التعلّم العميق أفضل دائمًا من تعلّم الآلة التقليدي». في البيانات الجدولية المنظمة، مثل جداول المبيعات وأسعار العقارات، قد تنافس النماذج التقليدية الشبكات العميقة أو تتفوق عليها، مع تفسير أسهل وكلفة أقل.
«النموذج الذي تعلّم يفهم». النموذج يلتقط علاقات إحصائية في بياناته. قد ينجح في الاختبار ثم يفشل عندما يتغير السوق أو الجمهور، لأنه لم يفهم سبب الظاهرة أصلًا.
«كلما زادت البيانات تحسن النموذج تلقائيًا». البيانات الكثيرة الرديئة أو غير الممثلة تنتج نموذجًا رديئًا بثقة أعلى. نموذج دُرّب على رسائل بالفصحى فقط سيتعثر مع رسائل مغربية بالدارجة مهما كبر حجم تدريبه.
«الأداة المدفوعة تستخدم ذكاءً أعمق». السعر يعكس غالبًا الحدود والميزات والدعم، لا عمق التقنية. ناقشنا ذلك بالتفصيل في المقارنة بين الأدوات المجانية والمدفوعة.
كيف تقرأ وصف منتج بهذه الخريطة؟
عندما يعرض عليك مورّد حلًا «ذكيًا»، استخدم الأسئلة التالية لتحديد موقعه في الدوائر، ثم لتقييم ادعاءاته:
- في أي دائرة يقع الحل فعلًا: قواعد مكتوبة، أم نموذج متعلم، أم شبكة عميقة، أم نموذج توليدي؟
- ما البيانات التي تعلم منها، وهل تشمل اللهجات والصيغ التي يكتب بها عملاؤك؟
- كيف قيس الأداء، وعلى أي بيانات اختبار منفصلة عن بيانات التدريب؟
- ما حالات الفشل المعروفة، ومن يراجع النتيجة عندما يخطئ النظام؟
- هل يمكن تفسير القرار عند الحاجة، كما في قرارات الائتمان أو التوظيف؟
- هل يضيف التعقيد الإضافي فائدة يمكن قياسها مقارنة بحل أبسط؟
وإذا كان المنتج توليديًا، فطبق على مخرجاته خطوات مراجعة إجابة الذكاء الاصطناعي قبل اعتمادها.
أين تبدأ إن أردت التعلم؟
اختر نقطة البداية بحسب خلفيتك، لا بحسب شهرة الدورة. الدورات الثلاث التالية متاحة عبر الإنترنت، وتحققنا من صفحاتها الرسمية في أكتوبر 2026:
- Elements of AI من جامعة هلسنكي وشركة MinnaLearn: دورة مجانية بحسب موقعها الرسمي، ولا يتطلب جزؤها التمهيدي برمجة ولا رياضيات معقدة. مناسبة للموظف أو الطالب غير التقني الذي يريد فهم المفاهيم. لم نجد العربية ضمن اللغات المعروضة في الموقع، فستحتاج إلى قراءة مريحة بالإنجليزية أو بإحدى اللغات المتاحة.
- Machine Learning Crash Course من Google: مقدمة عملية تبدأ من الانحدار الخطي وتصل إلى الشبكات العصبية والنماذج اللغوية الكبيرة. تذكر صفحة المتطلبات أنها لا تفترض معرفة مسبقة بتعلّم الآلة، لكنها تطلب ارتياحًا للجبر والإحصاء الأساسي، وتوصي بخبرة في Python لأن التمارين مكتوبة بها.
- Practical Deep Learning for Coders من fast.ai: دورة مجانية بحسب صفحتها الرسمية، موجهة لمن يبرمج فعلًا، ويكفي بحسب الصفحة نحو عام من الخبرة البرمجية ويفضل أن تكون بلغة Python. تبدأ بالتطبيق مباشرة ثم تشرح النظرية.
مسار مقترح من ثلاث خطوات
- ابدأ بالمفاهيم في Elements of AI إذا لم تكن مبرمجًا، واكتب بعد كل وحدة مثالًا عربيًا من عملك يوضح الفكرة.
- انتقل إلى دورة Google إذا كنت تعرف أساسيات Python، وطبق تمرينًا واحدًا على بيانات بسيطة تخصك مثل جدول مبيعات شهري.
- اختر fast.ai عندما تريد بناء نموذج فعلي للصور أو النصوص، وجرّب أن تصنف مجموعة صغيرة من الصور التي تجمعها بنفسك.
ولا تنتظر أن تنتهي من الدورات كي تستخدم الأدوات. افهم الدائرة التي تتعامل معها، واطرح أسئلتها، وستكون قراراتك أفضل من قرارات من يحفظ المصطلحات دون خريطة.
