كيف يعمل الذكاء الاصطناعي؟

قد يبدو الذكاء الاصطناعي وكأنه خدعة سحرية، يتجاهلها الجميع بينما يتساءلون في صمت: كيف يعمل هذا فعلاً ؟ لا تقلق، سنشرحه لك ببساطة ووضوح، مع بعض التشبيهات البسيطة التي تُسهّل فهمه. إذا كنت ترغب فقط في معرفة الفكرة العامة، فانتقل إلى الإجابة الموجزة أدناه؛ ولكن بصراحة، التفاصيل هي ما ستُوضح لك الأمر تماماً.

مقالات قد ترغب في قراءتها بعد هذه المقالة:

🔗 ماذا يرمز إليه GPT؟
شرح سريع للاختصار GPT ومعناه.

🔗 من أين تحصل الذكاء الاصطناعي على معلوماتها؟
المصادر التي يستخدمها الذكاء الاصطناعي للتعلم والتدريب والإجابة على الأسئلة.

🔗 كيفية دمج الذكاء الاصطناعي في أعمالك
خطوات وأدوات وسير عمل عملية لدمج الذكاء الاصطناعي بشكل فعال.

🔗 كيفية تأسيس شركة ذكاء اصطناعي
من الفكرة إلى الإطلاق: التحقق، التمويل، الفريق، والتنفيذ.

كيف يعمل الذكاء الاصطناعي؟ الإجابة في دقيقة واحدة ⏱️

يتعلم الذكاء الاصطناعي الأنماط من البيانات للتنبؤ أو توليد المحتوى، دون الحاجة إلى قواعد مكتوبة يدويًا. يستقبل النظام أمثلة، ويقيس مدى خطئه عبر دالة خسارة، ثم يُعدّل معاييره الداخليةليصبحأقل خطأً في كل مرة. كرر العملية لتحسين الأداء. ومع تكرارها، يصبح النظام مفيدًا. وينطبق الأمر نفسه سواء كنت تصنف رسائل البريد الإلكتروني، أو تكتشف الأورام، أو تلعب ألعابًا لوحية، أو تكتب قصائد هايكو. وللحصول على شرح مبسط لمفهوم "التعلم الآلي"، يُعد عرض IBM الشامل مرجعًا ممتازًا [1].

معظم الذكاء الاصطناعي الحديث يعتمد على التعلم الآلي. النسخة البسيطة: إدخال البيانات، وتعلم ربط المدخلات بالمخرجات، ثم التعميم على أشياء جديدة. ليس مجرد رياضيات سحرية، بل حوسبة، وبصراحة، لمسة فنية.

كيف يعمل الذكاء الاصطناعي؟ ✅

عندما يبحث الأشخاص على جوجل عن كيفية عمل الذكاء الاصطناعي،فإنهم عادة ما يريدون:

نموذج ذهني قابل لإعادة الاستخدام يمكنهم الوثوق به
خريطة لأنواع التعلم الرئيسية حتى تتوقف المصطلحات المتخصصة عن كونها مخيفة
نظرة خاطفة داخل الشبكات العصبية دون أن تضيع
لماذا يبدو أن المحولات هي التي تحكم العالم الآن
خط الأنابيب العملي من البيانات إلى النشر
جدول مقارنة سريع يمكنك التقاط لقطة شاشة له والاحتفاظ بها
حواجز حول الأخلاق والتحيز والموثوقية التي لا يمكن التغاضي عنها

هذا ما ستحصل عليه هنا. إذا تجولتُ، فذلك عمدًا - كأنني أسلك طريقًا خلابًا لأتذكر الشوارع بشكل أفضل في المرة القادمة. 🗺️

المكونات الأساسية لمعظم أنظمة الذكاء الاصطناعي

تخيّل نظام الذكاء الاصطناعي كمطبخ. أربعة مكونات تظهر مرارًا وتكرارًا:

البيانات - أمثلة مع أو بدون تسميات.
النموذج - دالة رياضية ذات معلمات قابلة للتعديل.
الهدف — دالة خسارة تقيس مدى سوء التخمينات.
التحسين - خوارزمية تعمل على تعديل المعلمات لتقليل الخسارة.

في التعلم العميق، تكون هذه الدفعة عادةً عبارة عن انحدار تدريجي مع الانتشار الخلفي- وهي طريقة فعالة لمعرفة أي مقبض على لوحة صوتية عملاقة أصدر صريرًا، ثم خفضه قليلاً [2].

دراسة حالة مصغرة: استبدلنا مرشح البريد العشوائي الهش القائم على القواعد بنموذج إشرافي صغير. بعد أسبوع من عمليات التصنيف والقياس والتحديث، انخفضت نسبة النتائج الإيجابية الخاطئة وتراجعت طلبات الدعم. لم يكن الأمر معقدًا، بل مجرد أهداف أوضح (دقة في تحديد رسائل البريد الإلكتروني غير المرغوب فيها) وتحسين أفضل.

لمحة سريعة عن نماذج التعلم 🎓

التعلم الخاضع للإشراف:
تُقدّم أزواجًا من المدخلات والمخرجات (صور مع تصنيفات، رسائل بريد إلكتروني مصنفة كرسائل غير مرغوب فيها/غير مرغوب فيها). يتعلم النموذج من المدخلات إلى المخرجات. وهو أساس العديد من الأنظمة العملية [1].
التعلم غير المُشرف:
بدون تسميات. ابحث عن مجموعات هيكلية، وضغط، وعوامل كامنة. مثالي للاستكشاف أو التدريب المُسبق.
التعلم الذاتي:
يُنشئ النموذج تسمياته الخاصة (التنبؤ بالكلمة التالية، أو رقعة الصورة المفقودة). يُحوّل البيانات الخام إلى إشارة تدريب على نطاق واسع؛ ويدعم نماذج اللغة والرؤية الحديثة.
التعلم المعزز:
يقوم العامل بتنفيذ الإجراءات، وجمع المكافآت، وتعلم سياسة تُعظّم المكافأة التراكمية. إذا كانت مصطلحات "دوال القيمة" و"السياسات" و"التعلم بالفرق الزمني" مألوفة لديك، فهذا هو مجال تخصصه [5].

نعم، تتداخل التصنيفات عمليًا. الأساليب الهجينة طبيعية. الحياة الواقعية فوضوية؛ والهندسة الجيدة تُلبّيها حيثما تكون.

داخل شبكة عصبية بدون صداع 🧠

تُكدّس الشبكة العصبية طبقات من وحدات رياضية صغيرة (خلايا عصبية). تُحوّل كل طبقة المدخلات باستخدام الأوزان والانحيازات ودالة غير خطية مرنة مثل ReLU أو GELU. تتعلم الطبقات الأولى خصائص بسيطة، بينما تُشفّر الطبقات الأعمق مفاهيم مجردة. يكمن "السحر" -إن صحّ التعبير- في التركيب: ربط الدوال الصغيرة معًا يُتيح نمذجة ظواهر بالغة التعقيد.

حلقة تدريب، اهتزازات فقط:

تخمين → خطأ القياس → إلقاء اللوم على السمة من خلال backprop → أوزان الدفع → التكرار.

نفّذ هذا على دفعات، ومثل راقص أخرق يُحسّن كل أغنية، يتوقف النموذج عن التدخّل. للاطلاع على فصلٍ موسيقيٍّ دقيقٍ ووديٍّ حول الدعامة الخلفية، انظر [2].

لماذا سيطر المتحولون على المشهد؟ وماذا يعني "الاهتمام" في الواقع؟

تستخدم المحولات آلية الانتباه الذاتي لتقييم أهمية أجزاء المدخلات لبعضها البعض، دفعة واحدة. فبدلاً من قراءة الجملة من اليسار إلى اليمين بشكل صارم كما في النماذج القديمة، يمكن للمحول أن ينظر في كل مكان ويقيّم العلاقات بشكل ديناميكي، تماماً كما لو كان يمسح غرفة مزدحمة ليرى من يتحدث مع من.

ألغى هذا التصميم التكرار والالتواءات في نمذجة التسلسل، مما أتاح توازيًا هائلًا وتوسعًا ممتازًا. وتوضح الورقة البحثية التي انطلقت منها - "الاهتمام هو كل ما تحتاجه" - البنية والنتائج [3].

التركيز على الذات في سطر واحد: إنشاء متجهات الاستعلام والمفتاح والقيمة لكل رمز؛ حساب أوجه التشابه للحصول على أوزان التركيز؛ مزج القيم وفقًا لذلك. دقة في التفاصيل، وأناقة في الروح .

تنبيه: تُهيمن المُحوِّلات، لا تُحتكر. لا تزال شبكات CNN وRNN ومجموعات الأشجار تتفوق في أنواع بيانات مُعينة وقيود زمن الوصول والتكلفة. اختر البنية المُناسبة، لا المُبالغة في المبالغة.

كيف يعمل الذكاء الاصطناعي؟ خط الأنابيب العملي الذي ستستخدمه فعليًا 🛠️

تأطير المشكلة
ما الذي تتنبأ به أو تولدها، وكيف سيتم قياس النجاح؟
البيانات
، وتصنيفها عند الحاجة، وتنظيفها، وتقسيمها. توقّع القيم المفقودة والحالات الحدية.
النمذجة:
ابدأ ببساطة. غالبًا ما تتغلب الخطوط الأساسية (الانحدار اللوجستي، أو تعزيز التدرج، أو محوّل صغير) على التعقيد الهائل.
التدريب
اختر هدفًا، واختر مُحسِّنًا، ثم حدد المعلمات الفائقة. ثم كرر.
التقييم
استخدم عمليات الاستبعاد، والتحقق المتبادل، والمقاييس المرتبطة بهدفك الحقيقي (الدقة، F1، AUROC، BLEU، الحيرة، زمن الوصول).
النشر:
قدّم الخدمة عبر واجهة برمجة التطبيقات (API) أو ضمن تطبيق. تتبّع زمن الوصول والتكلفة والإنتاجية.
المراقبة والحوكمة:
مراقبة الانحراف، والإنصاف، والمتانة، والأمان. إطار إدارة مخاطر الذكاء الاصطناعي التابع للمعهد الوطني للمعايير والتكنولوجيا (الحوكمة، والتخطيط، والقياس، والإدارة) قائمة مرجعية عملية للأنظمة الجديرة بالثقة من البداية إلى النهاية [4].

حالة مصغرة: نموذج رؤية تفوق في المختبر، ثم أخطأ في الميدان عند تغير الإضاءة. رصد انحرافًا ملحوظًا في الهستوغرامات المدخلة؛ أدى تحسين سريع وضبط دقيق إلى استعادة الأداء. ممل؟ نعم. فعال؟ نعم أيضًا.

جدول المقارنة - الأساليب، لمن تستهدف، التكلفة التقريبية، سبب نجاحها 📊

غير كامل عن قصد: صياغة غير متوازنة قليلاً تساعد على الشعور بأنه إنساني.

يقترب	الجمهور المثالي	سعره معقول	لماذا يعمل / ملاحظات
التعلم الخاضع للإشراف	المحللون وفرق المنتجات	منخفض إلى متوسط	الربط المباشر بين المدخلات ← التسمية. يُعدّ هذا رائعًا عند وجود تسميات؛ ويشكّل العمود الفقري للعديد من الأنظمة المُستخدمة [1].
بدون إشراف	مستكشفو البيانات والبحث والتطوير	قليل	يبحث عن المجموعات/الضغطات/العوامل الكامنة - جيدة للاكتشاف والتدريب المسبق.
ذاتي الإشراف	فرق المنصات	واسطة	يصنع تسمياته الخاصة من مقاييس البيانات الخام باستخدام الحوسبة والبيانات.
التعلم التعزيزي	الروبوتات، أبحاث العمليات	متوسط إلى مرتفع	يتعلم السياسات من إشارات المكافأة؛ اقرأ Sutton & Barto للحصول على النص الأصلي [5].
محولات	البرمجة اللغوية العصبية، الرؤية، الوسائط المتعددة	متوسط إلى مرتفع	يلتقط الاهتمام الذاتي العمق على المدى الطويل ويوازيه بشكل جيد؛ راجع الورقة الأصلية [3].
ML الكلاسيكي (الأشجار)	تطبيقات الأعمال الجدولية	قليل	خطوط أساسية رخيصة وسريعة وقوية بشكل صادم في كثير من الأحيان على البيانات المنظمة.
قائم على القواعد/رمزي	الامتثال الحتمي	منخفض جداً	منطق شفاف؛ مفيد في الأنظمة الهجينة عندما تحتاج إلى إمكانية التدقيق.
التقييم والمخاطر	الجميع	يختلف	استخدم GOVERN-MAP-MEASURE-MANAGE من NIST للحفاظ على أمانه وفائدته [4].

السعر = تصنيف البيانات + الحوسبة + الأشخاص + الخدمة.

الغوص العميق 1 - وظائف الخسارة، والتدرجات، والخطوات الصغيرة التي تغير كل شيء 📉

تخيل أنك تُرسِم خطًا للتنبؤ بسعر المنزل بناءً على حجمه. تختار المُعاملين (w) و(b)، وتتنبأ بـ (y = wx + b)، وتقيس الخطأ بمتوسط مربع الخسارة. يُشير التدرج إلى الاتجاه الذي يجب أن تتحرك فيه (w) و(b) لتقليل الخسارة بشكل أسرع، كما لو كنت تنزل منحدرًا في الضباب من خلال استشعار اتجاه انحدار الأرض. حدّث بعد كل دفعة، وسيصبح خطك أقرب إلى الواقع.

في الشبكات العميقة، الأمر نفسه ينطبق على نطاق أوسع. خوارزمية الانتشار العكسي كيف أثرت معلمات كل طبقة على الخطأ النهائي بكفاءة، مما يسمح لك بتعديل ملايين (أو مليارات) من المعلمات في الاتجاه الصحيح [2].

الحدس الرئيسي:

الخسارة تشكل المشهد.
التدرجات هي البوصلة الخاصة بك.
معدل التعلم هو حجم الخطوة - إذا كان كبيرًا جدًا فسوف تتأرجح، وإذا كان صغيرًا جدًا فسوف تغفو.
يمنعك التنظيم من حفظ مجموعة التدريب مثل الببغاء الذي يتذكر بشكل مثالي ولكن بدون فهم.

الغوص العميق 2 - التضمينات، والمطالبة، والاسترجاع 🧭

تُرسِم التضمينات الكلمات أو الصور أو العناصر في مساحات متجهية حيث تتواجد أشياء متشابهة بالقرب من بعضها. هذا يُتيح لك:

العثور على مقاطع متشابهة دلاليًا
البحث القوي الذي يفهم المعنى
قم بتوصيل الجيل المعزز بالاسترجاع (RAG) حتى يتمكن نموذج اللغة من البحث عن الحقائق قبل كتابتها

التوجيه هو كيفية توجيه النماذج التوليدية - وصف المهمة، وإعطاء أمثلة، ووضع القيود. تخيل الأمر كما لو كنت تكتب مواصفات مفصلة للغاية لمتدرب سريع البديهة: متحمس، وواثق من نفسه أحيانًا.

نصيحة عملية: إذا كان نموذجك يعاني من الهلوسة، فأضف عملية استرجاع، أو شدد على التوجيه، أو قم بالتقييم باستخدام مقاييس واقعية بدلاً من "المشاعر".

الغوص العميق 3 - التقييم بدون أوهام 🧪

إن التقييم الجيد قد يبدو مملًا، وهذا هو الهدف بالضبط.

استخدم مجموعة اختبار مقفلة.
اختر مقياسًا يعكس معاناة المستخدم.
قم بإجراء عمليات الاستئصال حتى تعرف ما الذي ساعدك فعليًا.
سجل الفشل باستخدام أمثلة حقيقية وفوضوية.

في الإنتاج، المراقبة هي تقييمٌ لا يتوقف. يحدث انحراف. تظهر مصطلحاتٌ جديدة، وتُعاد معايرة المستشعرات، وينحرف نموذج الأمس قليلاً. يُعد إطار عمل المعهد الوطني للمعايير والتكنولوجيا مرجعًا عمليًا لإدارة المخاطر والحوكمة المستمرة، وليس وثيقة سياساتٍ تُهمَل [4].

ملاحظة حول الأخلاق والتحيز والموثوقية ⚖️

تعكس أنظمة الذكاء الاصطناعي بياناتها وسياق نشرها. وهذا يُثير مخاطر: تحيز، وأخطاء غير متساوية بين المجموعات، وهشاشة في ظل تحول التوزيع. الاستخدام الأخلاقي ليس اختياريًا، بل هو أمرٌ أساسي. يُشير المعهد الوطني للمعايير والتكنولوجيا (NIST) إلى ممارسات عملية: توثيق المخاطر والآثار، وقياس التحيز الضار، وبناء خطط احتياطية، وإبقاء البشر على اطلاع دائم عندما تكون المخاطر كبيرة [4].

حركات ملموسة تساعد على:

جمع بيانات متنوعة وتمثيلية
قياس الأداء عبر الفئات الفرعية من السكان
بطاقات نماذج المستندات وبياناتها
إضافة الإشراف البشري حيث تكون المخاطر عالية
تصميم أنظمة أمان ضد الفشل عندما يكون النظام غير مؤكد

كيف يعمل الذكاء الاصطناعي؟ كنموذج ذهني يمكنك إعادة استخدامه 🧩

قائمة مرجعية مضغوطة يمكنك تطبيقها على أي نظام ذكاء اصطناعي تقريبًا:

ما هو الهدف؟ التنبؤ، التصنيف، التوليد، التحكم؟
من أين تأتي إشارة التعلم؟ من العلامات، أم المهام ذاتية الإشراف، أم المكافآت؟
ما هي البنية المستخدمة؟ نموذج خطي، مجموعة شجرية، CNN، RNN، محول [3]؟
كيف يتم تحسينه؟ اختلافات الانحدار التدرجي/الخلفية [2]؟
ما هو نظام البيانات؟ مجموعة صغيرة مُصنّفة، بحر من النصوص غير المُصنّفة، بيئة مُحاكاة؟
ما هي أنماط الفشل والضمانات؟ الانحياز، والانحراف، والهلوسة، والكمون، والتكلفة - مرتبطة بـ GOVERN-MAP-MEASURE-MANAGE [4] من NIST.

إذا كنت تستطيع الإجابة على هذه الأسئلة، فأنت تفهم النظام بشكل أساسي، أما الباقي فهو تفاصيل التنفيذ ومعرفة المجال.

مصادر سريعة تستحق الإشارة إليها 🔖

مقدمة بلغة بسيطة لمفاهيم التعلم الآلي (IBM) [1]
الانتشار العكسي باستخدام المخططات والرياضيات البسيطة [2]
ورقة المحول التي غيرت نمذجة التسلسل [3]
إطار عمل إدارة مخاطر الذكاء الاصطناعي التابع للمعهد الوطني للمعايير والتكنولوجيا (الحوكمة العملية) [4]
كتاب التعلم التعزيزي القياسي (مجاني) [5]

جولة سريعة من الأسئلة الشائعة ⚡

هل الذكاء الاصطناعي مجرد إحصاءات؟
هو إحصاءات بالإضافة إلى التحسين، والحوسبة، وهندسة البيانات، وتصميم المنتجات. الإحصاءات هي الهيكل الأساسي، أما الباقي فهو العضلات.

هل النماذج الأكبر حجمًا تفوز دائمًا؟
التوسع مفيد، لكن جودة البيانات وتقييمها وقيود النشر غالبًا ما تكون أكثر أهمية. عادةً ما يكون النموذج الأصغر الذي يحقق هدفك هو الأفضل للمستخدمين والمحافظ.

هل يستطيع الذكاء الاصطناعي الفهم؟
عرّف الفهم. تلتقط النماذج بنية البيانات وتُعمّمها بشكل مُلفت؛ لكنها تُعاني من نقاط ضعف، وقد تُخطئ بالتأكيد. تعامل معها كأدوات قوية، لا كحكماء.

هل سيستمر عصر التحول الرقمي إلى الأبد؟
على الأرجح لا. إنه مهيمن الآن لأن الاهتمام يتوزع ويتوسع بشكل جيد، كما أوضحت الورقة البحثية الأصلية [3]. لكن البحث العلمي لا يتوقف عن التطور.

كيف يعمل الذكاء الاصطناعي؟ طويل جدًا، لم أقرأه 🧵

يتعلم الذكاء الاصطناعي الأنماط من البيانات، ويقلل الخسارة، ويعمم على مدخلات جديدة [1،2].
التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم الذاتي، والتعلم المعزز هي إعدادات التدريب الرئيسية؛ ويتعلم التعلم المعزز من المكافآت [5].
تستخدم الشبكات العصبية الانتشار الخلفي والانحدار التدريجي لضبط ملايين المعلمات بكفاءة [2].
تهيمن المحولات على العديد من مهام التسلسل لأن الاهتمام الذاتي يلتقط العلاقات بالتوازي على نطاق واسع [3].
الذكاء الاصطناعي في العالم الحقيقي هو خط أنابيب - من تأطير المشكلة من خلال النشر والحوكمة - وإطار عمل المعهد الوطني للمعايير والتكنولوجيا يبقيك صادقًا بشأن المخاطر [4].

إذا سأل أحدهم مجدداً: " كيف يعمل الذكاء الاصطناعي؟"، يمكنك الابتسام، واحتساء قهوتك، والقول: إنه يتعلم من البيانات، ويُحسّن دالة الخسارة، ويستخدم بنى مثل المحولات أو مجموعات الأشجار حسب المشكلة. ثم أضف غمزة، لأن هذا بسيط وشامل في آنٍ واحد. 😉

مراجع

[1] IBM - ما هو التعلم الآلي؟
اقرأ المزيد

[2] مايكل نيلسن - كيف تعمل خوارزمية الانتشار الخلفي
اقرأ المزيد

[3] فاسواني وآخرون - الاهتمام هو كل ما تحتاجه (arXiv)
اقرأ المزيد

[4] NIST - إطار عمل إدارة مخاطر الذكاء الاصطناعي (AI RMF 1.0)
اقرأ المزيد

[5] ساتون وبارتو - التعلم المعزز: مقدمة (الطبعة الثانية)
اقرأ المزيد

اكتشف أحدث تقنيات الذكاء الاصطناعي في متجر مساعدي الذكاء الاصطناعي الرسمي

معلومات عنا

العودة إلى المدونة