انتقل إلى المحتوى الرئيسي

الدرس 3 — الذكاء الاصطناعي وتعلّم الآلة والتعلّم العميق

تُستخدم هذه المصطلحات الثلاثة في الصحافة كأنّها مترادفة، وهي ليست كذلك على الإطلاق. هي متداخلة، كالدمى الروسية، ومعرفة أيّها نتحدّث عنه تخبرك بكلفة المشروع.

الدوائر الثلاث​

الذكاء الاصطناعي هو الدائرة الخارجية: هدف جعل الآلات تنجز أموراً ذكية، بأيّ وسيلة. يشمل تعلّم الآلة، ويشمل أيضاً مقاربات أقدم — الأنظمة الخبيرة من الدرس الأول، وخوارزميات البحث، والتخطيط الآلي. محرّك شطرنج يستكشف الحركات بالقوة الغاشمة، دون أن يتعلّم شيئاً، هو ذكاء اصطناعي أيضاً.

تعلّم الآلة هو المجموعة الفرعية المسيطرة: الآلة تستنتج قواعدها من الأمثلة. وهنا يقع تقريباً كلّ ما نسمّيه ذكاءً اصطناعياً في 2026.

التعلّم العميق فرع من تعلّم الآلة يستخدم شبكات عصبية بطبقات كثيرة مكدّسة. وهو يسيطر حين تكون البيانات خامّاً وغير مهيكلة — صور، صوت، نصّ.

الذكاء الاصطناعي التوليدي استخدام للتعلّم العميق ينتج محتوى جديداً بدل وسم. ChatGPT وClaude وMidjourney وStable Diffusion كلّها تسكن هنا.

التمييز الذي يهمّ فعلاً في الممارسة​

خارج التصنيف، هناك فرق واحد يحدّد كيف يسير المشروع: من يخترع المتغيّرات التفسيرية.

تعلّم الآلة الكلاسيكي: أنت تصف، وهو يقرّر​

لنفترض أنّك تريد التنبّؤ بما إذا كان عميل سيلغي اشتراكه. تقدّم للنموذج جدولاً بنيته أنت: مدّة الاشتراك بالأشهر، عدد تذاكر الدعم، متوسّط الإنفاق الشهري، تاريخ آخر اتّصال. النموذج يتعلّم كيف يوزّن هذه الأعمدة. أنت من اختار الأعمدة المهمّة.

يُسمّى هذا هندسة السمات، وفي تعلّم الآلة الكلاسيكي هنا يقع جوهر العمل وجوهر القيمة. خبير في المجال يعرف أنّ «ثلاث تذاكر دعم في أسبوع» هي إشارة الخطر الحقيقية سيتغلّب في كلّ مرّة على خبير متوسّط مسلَّح بخوارزمية أفضل.

التعلّم العميق: يجد المتغيّرات بنفسه​

لنفترض الآن أنّك تريد كشف ورم في صورة مقطعية. لا يوجد جدول. توجد بكسلات. لا أحد يعرف كيف يكتب الأعمدة، ومطالبة طبيب أشعّة بتعداد المؤشّرات البصرية التي يستخدمها تعيدنا مباشرة إلى مفارقة بولاني في الدرس الأول.

الشبكة العميقة تبني بنفسها التمثيلات الوسيطة، طبقةً بعد طبقة. وفحص شبكة رؤية مدرَّبة يكشف تدرّجاً لافتاً: الطبقات الأولى تتفاعل مع الحدود والاتّجاهات، والوسطى مع الملامس والأشكال البسيطة، والعميقة مع أشياء كاملة. لم يبرمج أحد هذا التسلسل. لقد نشأ من البيانات.

هذه هي القوّة الحقيقية للتعلّم العميق، وهي أيضاً مصدر كلفته.

تعلّم الآلة الكلاسيكيالتعلّم العميق
نوع البياناتجداول، أعمدة، مهيكلةصور، صوت، نصّ، خامّ
المتغيّرات التفسيريةتصمّمها أنتيكتشفها النموذج
حجم البيانات المطلوبمئات إلى آلاف الصفوفعشرات الآلاف إلى ملايين
عتاد التدريبحاسوب محمول عاديمعالج رسومي، وأحياناً عدّة
زمن التدريبثوانٍ إلى دقائقساعات إلى أسابيع
قابلية التفسيرمقروء غالباً، وكاملاً أحياناًصعب جدّاً
الدقّة المعتادة على الجداولأفضل في الغالبأفضل نادراً

الخطأ الذي يقع فيه المبتدئون​

لأنّ التعلّم العميق يتصدّر العناوين، تكون ردّة الفعل استخدام شبكة عصبية في كلّ مرّة. وعلى البيانات الجدولية — الجداول التي تشكّل معظم معلومات أيّ مؤسّسة — هذا عادةً الاختيار الخاطئ.

على الجداول المهيكلة، تتغلّب مجموعات الأشجار المعزَّزة بالتدرّج مثل XGBoost أو LightGBM بانتظام على الشبكات العصبية، وتتدرّب في ثوانٍ بدل ساعات، وتعمل على أيّ جهاز، وتنتج قائمة مقروءة بالأعمدة التي رجّحت القرار. وهذا ليس فولكلوراً: يتأكّد في معظم المقارنات المنشورة على المسائل الجدولية.

قاعدة ستنفعك طويلاً

البيانات الخامّ غير المهيكلة — بكسلات، موجات صوتية، نصّ حرّ — تستدعي التعلّم العميق، لأنّ لا أحد يستطيع تصنيع المتغيّرات يدوياً. الجداول المهيكلة تستدعي أوّلاً مجموعة أشجار. وإذا كفت، وهي تكفي غالباً، فقد وفّرت أسابيع من العمل واحتفظت بنموذج تستطيع تفسيره لمراجع.

أين تقع النماذج اللغوية​

النموذج اللغوي الكبير ينتمي إلى التعلّم العميق، ويُبنى على معمارية خاصّة تُسمّى المحوّل (Transformer)، ظهرت في 2017. وما يمنحه هيئة مختلفة عن الأنظمة السابقة ليس المبدأ الأساسي بل واقعتان تتعلّقان بالحجم:

  • دُرِّب على متن يُقاس بـآلاف مليارات الكلمات، أي شريحة كبيرة من المكتوب البشري المتاح علناً.
  • يحتوي مئات المليارات من المعاملات، أي سعة تكفي لحفظ انتظامات دقيقة جدّاً في هذا المتن.

وهدف تدريبه بسيط بشكل مشهور: توقّع الكلمة التالية. وكلّ ما تبقّى — الإجابة عن الأسئلة، كتابة الكود، الترجمة، التلخيص — أثر جانبي لإتقان هذا الشيء الواحد بشكل بالغ، وعلى نطاق هائل. ودورة النماذج اللغوية الكبيرة تفصّل ذلك بعناية.

في ثلاث جمل​

الذكاء الاصطناعي هو الهدف، وتعلّم الآلة هو الطريقة المسيطرة، والتعلّم العميق هو فرع تعلّم الآلة الذي يعالج البيانات الخامّ باكتشاف متغيّراته بنفسه. وخطّ الفصل العملي هو: من يخترع هذه المتغيّرات — أنت في الكلاسيكي، والشبكة في العميق. استخدم التعلّم العميق للصور والصوت والنصّ، وابدأ بمجموعة أشجار على الجداول، حيث تفوز غالباً في كلّ الأحوال.

التالي — الدرس 4: كيف تتعلّم الآلة فعلاً ←