كيف يتعلم الذكاء الاصطناعي؟

كيف يتعلم الذكاء الاصطناعي؟ يشرح هذا الدليل الأفكار الرئيسية بلغة بسيطة، مع أمثلة وتفاصيل صغيرة وبعض الاستعارات غير الدقيقة التي تُساعد في الفهم. هيا بنا نبدأ. 🙂

مقالات قد ترغب في قراءتها بعد هذا:

🔗 ما هو الذكاء الاصطناعي التنبؤي؟
كيف تتنبأ النماذج التنبؤية بالنتائج باستخدام البيانات التاريخية والبيانات الآنية.

🔗 ما هي القطاعات التي سيُحدث الذكاء الاصطناعي فيها تغييراً جذرياً؟
القطاعات الأكثر عرضة للتحول بفعل الأتمتة والتحليلات والوكلاء.

🔗 ماذا يرمز إليه GPT؟
شرح واضح لاختصار GPT وأصوله.

🔗 ما هي مهارات الذكاء الاصطناعي؟
الكفاءات الأساسية لبناء ونشر وإدارة أنظمة الذكاء الاصطناعي.

إذن، كيف يتم ذلك؟ ✅

عندما يسأل الناس " كيف يتعلم الذكاء الاصطناعي؟" ، فإنهم عادةً ما يقصدون: كيف تصبح النماذج مفيدة بدلاً من كونها مجرد أدوات رياضية معقدة؟ والجواب هو وصفة:

هدف واضح - دالة خسارة تحدد معنى "الجيد". [1]
بيانات عالية الجودة - متنوعة ونظيفة وذات صلة. الكمية مفيدة؛ التنوع أكثر فائدة. [1]
التحسين المستقر - انحدار التدرج مع حيل لتجنب السقوط من حافة الهاوية. [1]، [2]
التعميم - النجاح على بيانات جديدة، وليس فقط على مجموعة التدريب. [1]
حلقات التغذية الراجعة - التقييم، وتحليل الأخطاء، والتكرار. [2]، [3]
السلامة والموثوقية - الضوابط والاختبارات والتوثيق حتى لا تسود الفوضى. [4]

للحصول على أساسيات سهلة الفهم، يغطي كتاب التعلم العميق الكلاسيكي، وملاحظات الدورة التدريبية سهلة الفهم بصريًا، ودورة مكثفة عملية، الأساسيات دون إغراقك بالرموز. [1]–[3]

كيف يتعلم الذكاء الاصطناعي؟ الإجابة المختصرة بلغة بسيطة ✍️

يبدأ نموذج الذكاء الاصطناعي بقيم عشوائية للمعلمات، ثم يقوم بالتنبؤ. بعد ذلك، يتم تقييم هذا التنبؤ باستخدام دالة الخسارة . ثم يتم تعديل هذه المعلمات لتقليل الخسارة باستخدام التدرجات . تُكرر هذه العملية على العديد من الأمثلة حتى يتوقف النموذج عن التحسن (أو حتى تنفد الموارد). هذه هي دورة التدريب باختصار. [1]، [2]

إذا كنت ترغب في مزيد من الدقة، فراجع الأقسام المتعلقة بانحدار التدرج والانتشار العكسي أدناه. وللحصول على معلومات أساسية سريعة وموجزة، تتوفر محاضرات قصيرة وتدريبات عملية على نطاق واسع. [2]، [3]

الأساسيات: البيانات، الأهداف، التحسين 🧩

البيانات : المدخلات (س) والأهداف (ص). كلما كانت البيانات أوسع وأنقى، زادت فرصك في التعميم. قد لا يكون تنظيم البيانات أمرًا جذابًا، ولكنه عامل مهم للغاية. [1]
النموذج : دالة (f_\theta(x)) ذات معاملات (\theta). الشبكات العصبية عبارة عن مجموعات من الوحدات البسيطة التي تتحد بطرق معقدة - مكعبات الليغو، ولكنها أكثر ليونة. [1]
الهدف : دالة خسارة (L(f_\theta(x), y)) تقيس الخطأ. أمثلة: متوسط مربع الخطأ (الانحدار) والإنتروبيا المتقاطعة (التصنيف). [1]
التحسين : استخدم خوارزمية التدرج العشوائي لتحديث المعاملات: (θ ← θ - η ∇θ L). معدل التعلم (η): إذا كان كبيرًا جدًا، فستتذبذب النتائج؛ وإذا كان صغيرًا جدًا، فستبقى النتائج ثابتة إلى الأبد. [2]

للحصول على مقدمة واضحة عن دوال الخسارة والتحسين، فإن الملاحظات الكلاسيكية حول حيل التدريب ومزالقه تُعد قراءة سريعة رائعة. [2]

التعلم الخاضع للإشراف: التعلم من الأمثلة المصنفة 🎯

الفكرة : عرض أزواج المدخلات والإجابة الصحيحة على النموذج. يتعلم النموذج عملية الربط (x → y).

المهام الشائعة : تصنيف الصور، تحليل المشاعر، التنبؤ الجدولي، التعرف على الكلام.
الخسائر النموذجية : الانتروبيا المتقاطعة للتصنيف، ومتوسط مربع الخطأ للانحدار. [1]
المخاطر : تشويش التصنيفات، وعدم توازن الفئات، وتسريب البيانات.
الإصلاحات : أخذ العينات الطبقية، والخسائر القوية، والتنظيم، وجمع بيانات أكثر تنوعًا. [1]، [2]

استناداً إلى عقود من المعايير والممارسات الإنتاجية، لا يزال التعلم الخاضع للإشراف هو الأداة الأساسية لأن النتائج قابلة للتنبؤ والمقاييس واضحة. [1]، [3]

التعلم غير الخاضع للإشراف والتعلم الذاتي الخاضع للإشراف: تعلم بنية البيانات 🔍

غير الخاضع للإشراف يتعلم الأنماط بدون تصنيفات.

التجميع : تجميع النقاط المتشابهة - خوارزمية k-means بسيطة ومفيدة بشكل مدهش.
تقليل الأبعاد : ضغط البيانات إلى الاتجاهات الأساسية - تحليل المكونات الرئيسية هو أداة البوابة.
النمذجة الكثافة/التوليدية : تعلم توزيع البيانات نفسه. [1]

التعلم الذاتي هو المحرك الحديث: تقوم النماذج بإنشاء إشرافها الخاص (التنبؤ المقنع، والتعلم التبايني)، مما يسمح لك بالتدريب المسبق على كميات هائلة من البيانات غير المصنفة وضبطها لاحقًا. [1]

التعلم المعزز: التعلم بالممارسة والحصول على التغذية الراجعة 🕹️

يتفاعل الوكيل مع البيئة ، ويتلقى مكافآت ، ويتعلم سياسة تعمل على زيادة المكافأة على المدى الطويل.

العناصر الأساسية : الحالة، والفعل، والمكافأة، والسياسة، ووظيفة القيمة.
الخوارزميات : التعلم المعزز Q، تدرجات السياسة، الممثل-الناقد.
الاستكشاف مقابل الاستغلال : جرب أشياء جديدة أو أعد استخدام ما ينجح.
تحديد المسؤولية : ما هو الإجراء الذي تسبب في أي نتيجة؟

يمكن أن تساعد الملاحظات البشرية في توجيه التدريب عندما تكون المكافآت غير واضحة - فالتصنيف أو التفضيلات تساعد في تشكيل السلوك دون الحاجة إلى برمجة المكافأة المثالية يدويًا. [5]

التعلم العميق، والتراجع العكسي، والانحدار التدريجي - القلب النابض 🫀

الشبكات العصبية هي تركيبات من دوال بسيطة. وللتعلم، تعتمد على الانتشار العكسي .

التمرير الأمامي : حساب التنبؤات من المدخلات.
الخسارة : قياس الخطأ بين التوقعات والأهداف.
المرور العكسي : تطبيق قاعدة السلسلة لحساب تدرجات الخسارة بالنسبة لكل معلمة.
تحديث : تعديل المعلمات عكس التدرج باستخدام مُحسِّن.

تُسهم متغيرات مثل الزخم، وRMSProp، وآدم في جعل التدريب أقل تقلبًا. وتساعد أساليب التنظيم مثل التسرب ، وتضاؤل الوزن ، والتوقف المبكر، النماذج على التعميم بدلًا من الحفظ. [1]، [2]

المتحولون والانتباه: لماذا تبدو النماذج الحديثة ذكية 🧠✨

حلت نماذج المحولات محل العديد من النماذج المتكررة في مجالي اللغة والرؤية الحاسوبية. وتكمن الحيلة الأساسية في آلية الانتباه الذاتي ، التي تُمكّن النموذج من ترجيح أجزاء مختلفة من مدخلاته بناءً على السياق. وتتولى الترميزات الموضعية معالجة الترتيب، بينما الانتباه متعدد الرؤوس للنموذج بالتركيز على علاقات مختلفة في آن واحد. وغالبًا ما يُسهم التوسع - بيانات أكثر تنوعًا، ومعلمات أكثر، وتدريب أطول - في تحسين الأداء، مع تناقص العائدات وارتفاع التكاليف. [1]، [2]

التعميم، والتخصيص الزائد، ومعادلة التحيز والتباين 🩰

قد يتفوق النموذج في مجموعة التدريب ولكنه يفشل في العالم الحقيقي.

التجاوز في التدريب : يحفظ الضوضاء. ينخفض خطأ التدريب، ويرتفع خطأ الاختبار.
التبسيط المفرط : بسيط للغاية؛ يفوت الإشارة.
المفاضلة بين التحيز والتباين : التعقيد يقلل التحيز ولكنه قد يزيد التباين.

كيفية التعميم بشكل أفضل:

بيانات أكثر تنوعاً - مصادر ومجالات وحالات استثنائية مختلفة.
التنظيم - التسرب، انخفاض الوزن، زيادة البيانات.
التحقق السليم - مجموعات اختبار نظيفة، والتحقق المتبادل للبيانات الصغيرة.
مراقبة الانحراف - سيتغير توزيع بياناتك بمرور الوقت.

تُؤطّر الممارسات الواعية بالمخاطر هذه الأنشطة على أنها أنشطة دورة الحياة - الحوكمة، ورسم الخرائط، والقياس، والإدارة - وليست قوائم مراجعة لمرة واحدة. [4]

المقاييس المهمة: كيف نعرف أن التعلم قد حدث 📈

التصنيف : الدقة، الضبط، الاستدعاء، F1، ROC AUC. تتطلب البيانات غير المتوازنة منحنيات الضبط والاستدعاء. [3]
الانحدار : متوسط مربع الخطأ، متوسط الخطأ المطلق، (R^2). [1]
الترتيب/الاسترجاع : MAP، NDCG، recall@K. [1]
النماذج التوليدية : الحيرة (اللغة)، BLEU/ROUGE/CIDEr (النص)، الدرجات المستندة إلى CLIP (متعددة الوسائط)، والأهم من ذلك كله، التقييمات البشرية. [1]، [3]

اختر المقاييس التي تتوافق مع تأثيرها على المستخدم. قد يكون التحسن الطفيف في الدقة غير ذي صلة إذا كانت النتائج الإيجابية الخاطئة هي التكلفة الحقيقية. [3]

سير العمل التدريبي في الواقع العملي: مخطط بسيط 🛠️

حدد المشكلة - حدد المدخلات والمخرجات والقيود ومعايير النجاح.
خط أنابيب البيانات - التجميع، والتصنيف، والتنظيف، والتقسيم، والتوسيع.
الأساس - ابدأ ببساطة؛ خطوط الأساس الخطية أو الشجرية تنافسية بشكل مذهل.
النمذجة - جرب بعض العائلات: الأشجار المعززة بالتدرج (جدولية)، الشبكات العصبية التلافيفية (صور)، المحولات (نص).
التدريب - الجدول الزمني، استراتيجيات معدل التعلم، نقاط التفتيش، الدقة المختلطة إذا لزم الأمر.
التقييم - عمليات الاستئصال وتحليل الأخطاء. انظر إلى الأخطاء، وليس فقط إلى المتوسط.
النشر - خط أنابيب الاستدلال، والمراقبة، والتسجيل، وخطة التراجع.
التكرار - بيانات أفضل، أو ضبط دقيق، أو تعديلات على البنية.

دراسة حالة مصغرة : بدأ مشروع تصنيف البريد الإلكتروني بخط أساس خطي بسيط، ثم جرى تحسين نموذج محوّل مُدرَّب مسبقًا. لم يكن الإنجاز الأكبر في النموذج نفسه، بل في تحسين معايير التصنيف وإضافة فئات "حواف" غير ممثلة بشكل كافٍ. بمجرد تغطية هذه الجوانب، أصبح مقياس F1 للتحقق يعكس الأداء الفعلي. (أنت في المستقبل: ممتن جدًا).

جودة البيانات، والتصنيف، وفن عدم خداع النفس 🧼

المدخلات الخاطئة تؤدي إلى نتائج غير مرغوبة. يجب أن تكون إرشادات وضع العلامات متسقة وقابلة للقياس والمراجعة. يُعدّ اتفاق المُعلِّقين أمرًا بالغ الأهمية.

اكتب معايير التقييم مع الأمثلة والحالات الاستثنائية وعوامل حسم التعادل.
قم بمراجعة مجموعات البيانات بحثًا عن البيانات المكررة والبيانات شبه المكررة.
تتبع مصدر كل مثال - من أين أتى ولماذا تم تضمينه.
قم بقياس تغطية البيانات مقابل سيناريوهات المستخدم الحقيقية، وليس مجرد معيار منظم.

تتناسب هذه الأمور بشكل جيد مع أطر الضمان والحوكمة الأوسع التي يمكنك تطبيقها عمليًا. [4]

التعلم بالنقل، والضبط الدقيق، والمحولات - إعادة استخدام العمليات المعقدة ♻️

تتعلم النماذج المدربة مسبقًا تمثيلات عامة؛ ويقوم الضبط الدقيق بتكييفها مع مهمتك باستخدام بيانات أقل.

استخلاص الميزات : تجميد العمود الفقري، وتدريب رأس صغير.
ضبط دقيق كامل : تحديث جميع المعلمات لتحقيق أقصى سعة.
الأساليب الفعالة من حيث المعلمات : المحولات، وتحديثات الرتبة المنخفضة على غرار LoRA - جيدة عندما تكون الحوسبة محدودة.
تكييف المجال : مواءمة التضمينات عبر المجالات؛ تغييرات صغيرة، مكاسب كبيرة. [1]، [2]

إن نمط إعادة الاستخدام هذا هو السبب في أن المشاريع الحديثة يمكنها أن تتحرك بسرعة دون ميزانيات ضخمة.

السلامة والموثوقية والمحاذاة - العناصر الأساسية التي لا غنى عنها 🧯

لا يقتصر التعلم على الدقة فحسب، بل يتطلب أيضاً نماذج قوية وعادلة ومتوافقة مع الاستخدام المقصود.

المتانة في مواجهة الخصوم : يمكن للاضطرابات الصغيرة أن تخدع النماذج.
التحيز والإنصاف : قياس أداء المجموعات الفرعية، وليس فقط المتوسطات الإجمالية.
قابلية التفسير : يساعدك تحديد خصائص الميزة واستكشافها على فهم السبب .
العنصر البشري في العملية : مسارات التصعيد للقرارات الغامضة أو ذات التأثير الكبير. [4]، [5]

يُعد التعلم القائم على التفضيلات إحدى الطرق العملية لإدراج الحكم البشري عندما تكون الأهداف غامضة. [5]

أسئلة وأجوبة سريعة في دقيقة واحدة ⚡

إذن، كيف يتعلم الذكاء الاصطناعي؟ من خلال التحسين التكراري مقابل الخسارة، حيث توجه التدرجات المعلمات نحو تنبؤات أفضل. [1]، [2]
هل تُفيد البيانات الإضافية دائمًا؟ عادةً، حتى تصل إلى مرحلة تناقص العائد. غالبًا ما يتفوق التنوع على الكم الهائل من البيانات. [1]
ماذا لو كانت التصنيفات غير منظمة؟ استخدم أساليب مقاومة للضوضاء، ومعايير تقييم أفضل، وفكر في التدريب المسبق ذاتي الإشراف. [1]
لماذا تهيمن المحولات؟ يتوسع نطاق الاهتمام بشكل جيد ويستوعب التبعيات طويلة المدى؛ والأدوات المستخدمة ناضجة. [1]، [2]
كيف أعرف أنني انتهيت من التدريب؟ عندما يستقر معدل فقدان التحقق، وتستقر المقاييس، وتتصرف البيانات الجديدة كما هو متوقع، حينها يجب مراقبة أي انحراف. [3]، [4]

جدول مقارنة - أدوات يمكنك استخدامها فعليًا اليوم 🧰

غريب بعض الشيء عن قصد. الأسعار خاصة بالمكتبات الأساسية - التدريب على نطاق واسع يتطلب تكاليف بنية تحتية، بالطبع.

أداة	الأفضل لـ	سعر	لماذا يعمل بشكل جيد
بايتورش	باحثون، بناؤون	مجاني - مفتوح المصدر	رسوم بيانية ديناميكية، نظام بيئي قوي، دروس تعليمية رائعة.
TensorFlow	إنتاج	مجاني - مفتوح المصدر	محتوى للبالغين، TF Lite للهواتف المحمولة؛ مجتمع كبير.
مكتبة سايكيت ليرن	البيانات الجدولية، الخطوط الأساسية	حر	واجهة برمجة تطبيقات نظيفة، سريعة التكرار، ووثائق رائعة.
كيراس	نماذج أولية سريعة	حر	واجهة برمجة تطبيقات عالية المستوى عبر TensorFlow، طبقات قابلة للقراءة.
جاكس	المستخدمون المتقدمون، البحث	حر	التحويل التلقائي إلى متجهات، وسرعة XLA، وأجواء رياضية أنيقة.
محولات الوجه المعانق	معالجة اللغة الطبيعية، الرؤية، الصوت	حر	نماذج مدربة مسبقًا، ضبط دقيق بسيط، محاور رائعة.
البرق	سير العمل التدريبي	قلب حر	يشمل ذلك البنية، والتسجيل، وبطاريات متعددة لوحدات معالجة الرسومات.
إكس جي بوست	جدول تنافسي	حر	غالباً ما تؤدي البيانات المنظمة إلى تحقيق نتائج إيجابية بفضل وجود أسس قوية.
الأوزان والتحيزات	تتبع التجارب	المستوى المجاني	إمكانية التكرار، ومقارنة عمليات التشغيل، وحلقات التعلم الأسرع.

الوثائق الموثوقة التي يُنصح بالبدء بها: PyTorch وTensorFlow ودليل المستخدم المبسط لـ scikit-learn. (اختر واحدًا، وابنِ شيئًا صغيرًا، ثم كرر العملية)

نظرة معمقة: نصائح عملية توفر لك الوقت الحقيقي 🧭

لجداول معدل التعلم : مثل انخفاض معدل التعلم بجيب التمام أو دورة واحدة، أن تُساهم في استقرار التدريب.
حجم الدفعة : الحجم الأكبر ليس دائمًا أفضل - راقب مقاييس التحقق، وليس فقط معدل النقل.
تهيئة الأوزان : الإعدادات الافتراضية الحديثة جيدة؛ إذا توقف التدريب، فأعد النظر في التهيئة أو قم بتطبيع الطبقات المبكرة.
التطبيع : يمكن لتطبيع الدفعات أو تطبيع الطبقات أن يُحسّن عملية التحسين بشكل كبير.
زيادة البيانات : قلب/قص/تغيير لون الصور؛ إخفاء/خلط الرموز للنصوص.
تحليل الأخطاء : تجميع الأخطاء حسب الشريحة - يمكن لحالة واحدة من الحالات الشاذة أن تؤثر سلبًا على كل شيء.
خطوات إعادة الإنتاج : اضبط البذور، وسجّل المعلمات الفائقة، واحفظ نقاط التحقق. ستشكرني لاحقًا، أعدك بذلك. [2]، [3]

عند الشك، ارجع إلى الأساسيات. فالأساسيات تبقى هي البوصلة. [1]، [2]

استعارة صغيرة تكاد تكون ناجحة 🪴

تدريب نموذج يشبه سقي نبتة بفوهة غريبة. كثرة الماء تؤدي إلى فرط التخصيص، وقلة الماء تؤدي إلى نقص التخصيص. أما الوتيرة الصحيحة، مع الاستفادة من البيانات الجيدة والأهداف الواضحة، فستحصل على نمو. نعم، قد يبدو الأمر مبتذلاً بعض الشيء، لكنه مفهوم.

كيف يتعلم الذكاء الاصطناعي؟ لنجمع كل شيء معًا 🧾

يبدأ النموذج بشكل عشوائي. ومن خلال تحديثات قائمة على التدرج، موجهة بدالة خسارة، يُواءم معاييره مع أنماط البيانات. فتظهر تمثيلات تُسهّل التنبؤ. ويُبيّن التقييم ما إذا كان التعلّم حقيقيًا أم عشوائيًا. وتُحوّل عملية التكرار - مع وجود ضوابط أمان - نموذجًا تجريبيًا إلى نظام موثوق. هذه هي القصة كاملة، مع قدر أقل من الغموض مما بدت عليه في البداية. [1]–[4]

ملاحظات ختامية - الهدية الطويلة جدًا التي لم تُقرأ 🎁

كيف يتعلم الذكاء الاصطناعي؟ عن طريق تقليل الخسارة باستخدام التدرجات على العديد من الأمثلة. [1]، [2]
البيانات الجيدة والأهداف الواضحة والتحسين المستقر تجعل التعلم راسخاً. [1]–[3]
التعميم يتفوق على الحفظ - دائماً. [1]
السلامة والتقييم والتكرار تحوّل الأفكار الذكية إلى منتجات موثوقة. [3]، [4]
ابدأ ببساطة، وقم بالقياس بدقة، وحسّن من خلال إصلاح البيانات قبل أن تسعى وراء بنى معقدة. [2]، [3]

مراجع

جودفيلو، بينجيو، كورفيل - التعلم العميق (نص مجاني على الإنترنت). رابط
ستانفورد CS231n - الشبكات العصبية الالتفافية للتعرف البصري (ملاحظات الدورة والواجبات). الرابط
جوجل - دورة مكثفة في تعلم الآلة: مقاييس التصنيف (الدقة، الضبط، الاستدعاء، منحنى ROC/AUC) . رابط
(NIST) - إطار إدارة مخاطر الذكاء الاصطناعي (AI RMF 1.0) . رابط
أوبن إيه آي - التعلم من تفضيلات الإنسان (نظرة عامة على التدريب القائم على التفضيلات). رابط

اكتشف أحدث تقنيات الذكاء الاصطناعي في متجر مساعدي الذكاء الاصطناعي الرسمي

معلومات عنا

العودة إلى المدونة

البلد/المنطقة