الدرس 6 — الملخّص والأسئلة الشائعة
الدروس الخمسة في صفحة واحدة
الدرس 1 — المشكلة. بعض المهامّ لا يمكن كتابتها في صورة قواعد، لأنّنا عاجزون عن صياغة القواعد التي نستخدمها نحن أنفسنا. تعلّم الآلة يتجاوز العقبة باستنتاج القواعد من أمثلة موسومة. ولم يصبح قابلاً للاستخدام إلا نحو 2012، حين وصلت مجموعات البيانات الضخمة والمعالجات الرسومية معاً أخيراً.
الدرس 2 — التعريف. الذكاء الاصطناعي هو أيّ تقنية تمكّن الآلة من استنتاج سلوكها من البيانات بدل تعليمات مكتوبة يدوياً. وكلّ ما هو منشور اليوم متخصّص: ممتاز في مهمّة، عديم النفع خارجها. ولا نموذج يفهم ما يفعله، وهذا لا بأس به حين يكون الخطأ رخيصاً وظاهراً، ويصبح خطيراً حين لا يكون كذلك.
الدرس 3 — الدوائر الثلاث. الذكاء الاصطناعي هو الهدف، وتعلّم الآلة هو الطريقة المسيطرة، والتعلّم العميق هو الفرع الذي يعالج البيانات الخامّ باكتشاف متغيّراته بنفسه. استخدم التعلّم العميق للصور والصوت والنصّ؛ وابدأ بمجموعة أشجار على الجداول، حيث تفوز غالباً في كلّ الأحوال.
الدرس 4 — الميكانيزم. التدريب يقيّم أخطاء النموذج في صورة رقم ويدفع كلّ معامل نحو تخفيضه، ملايين المرّات. وقلّة الأمث لة تترك النموذج يحفظ بدل أن يعمّم، وهذا الفشل لا يُرى إلا إذا حجزت مجموعة اختبار.
الدرس 5 — الواقع. الذكاء الاصطناعي مُربح في مهامّ ضيّقة عالية الحجم ذات وسوم موثوقة. والتوليدي يعمل كمساعدة مع مراجعة، لا كاستقلال. وتوفّر البيانات وتحمّل الأجوبة الاحتمالية وهدف قابل للقياس تحدّد مصير المشروع قبل أيّ خوارزمية.
معجم المصطلحات التي ستقابلها في كلّ مكان
| المصطلح | معناه ببساطة |
|---|---|
| النموذج | دالة مزوّدة بأرقام قابلة للضبط، يعدّلها التدريب لربط المدخلات بالمخرجات |
| المعاملات / الأوزان | هذه الأرقام القابلة للضبط؛ النموذج اللغوي الكبير يملك مئات المليارات منها |
| التدريب | الحلقة التي تضبط المعاملات لتخفيض الأخطاء على الأمثلة |
| الاستنتاج (inference) | استخدام النموذج المدرَّب للحصول على تنبّؤ؛ رخيص وسريع |
| السمة (feature) | متغيّر مدخل يقرأه النموذج، مثل «مدّة اشتراك العميل بالأشهر» |
| الوسم (label) | الجواب الصحيح الملحق بمثال تدريبي |
| الكلفة (loss) | الرقم الذي يقيّم مقدار خطأ التنبّؤ |
| الحقبة (epoch) | مرور كامل على مجموعة التدريب بأكملها |
| فرط التخصيص | حفظ الأمثلة بدل تعلّم النمط |
| الانزياح (drift) | تغيّر العالم بعد التدريب، فيتراجع النموذج المجمّد تدريجياً |
| الهلوسة | نموذج توليدي ينتج محتوى سلساً وواثقاً وخاطئاً |
| الصقل (fine-tuning) | أخذ نموذج دُرِّب من طرف آخر وتكييفه على بياناتك |
| المحوّل (Transformer) | المعمارية التي تقوم عليها النماذج اللغوية الحديثة، ظهرت في 2017 |
| GPU | المعالج المتوازي الذي يجعل تدريب الشبكات العميقة ممكناً |
الأسئلة الـ14 التي يطرحها الناس فعلاً
1. هل تلزم شهادة دكتوراه للعمل في الذكاء الاصطناعي؟
لا. الدكتوراه شبه ضرورية للـبحث — اختراع معماريات جديدة والنشر. أمّا الغالبية العظمى من الوظائف فليست بحثية: هي تطبيق طرائق معروفة على بيانات مؤسّسة، وهذا يقتضي هندسة جيّدة وتعاملاً دقيقاً مع البيانات وفهماً للمجال. وكثير من الممارسين المنتجين قادمون من تطوير البرمجيات أو تحليل البيانات.
2. كم من الرياضيات مطلوب فعلاً؟
أقلّ ممّا يوحي به الإنترنت، وأكثر من الصفر. لاستخدام المكتبات بكفاءة تحتاج إلى بديهة في ثلاثة مجالات: الجبر الخطّي (المتّجه قائمة أرقام، والمصفوفة تحوّلها)، والاحتمالات (التنبّؤ توزيع لا حكم قاطع)، والاشتقاق (المشتقّة ميل، وهذا بالضبط أساس الانحدار التدرّجي). أمّا التعامل مع البراهين فلا يلزم إلا إذا استهدفت البحث. ودورة الرياضيات للذكاء الاصطناعي تعلّم هذه البديهة بالتحديد.
3. أيّ لغة برمجة أتعلّم؟
بايثون، بلا تردّد. لا لأنّها أجمل لغة، بل لأنّ المنظومة كلّها مبنية بها: NumPy وpandas وscikit-learn وPyTorch وTensorFlow. اختيار لغة أخرى يعني إعادة كتابة أدوات موجودة وفقدان الوصول إلى كلّ الدروس وكلّ تنفيذات الأبحاث. وبايثون للذكاء الاصطناعي تبدأ من هناك.
4. هل سيستبدل الذكاء الاصطناعي مهنتي؟
الأرجح أنّه سيغيّر مضمونها بدل أن يلغي الوظيفة. المهامّ الأكثر تعرّضاً هي المتكرّرة والموثّقة جيّداً: النسخ القياسي، المسوّدة الأولى للنصّ، الكود الروتيني المتكرّر. وما يقاوم هو تحديد ما ينبغي عمله، والموازنة بين قيود متناقضة، وتقديم حساب عن النتيجة. والجواب العملي هو تعلّم العمل مع هذه الأدوات بدل منافستها في ميدانها.
5. هل الذكاء الاصطناعي خطير؟
المخاطر الواقعية ليست مخاطر السينما. هي، بترتيب تقريبي للأضرار الواقعة حالياً: التمييز المؤتمت بنماذج تعيد بأمانة إنتاج التحيّزات التاريخية؛ والقرارات التي لا يقدر أحد على تفسيرها أو الطعن فيها؛ والمراقبة الشاملة التي صارت رخيصة بفضل التعرّف على الوجوه؛ والتضليل الواسع بمحتوى صناعي زهيد الكلفة؛ والثقة في غير موضعها بأنظمة يكون نمط فشلها جواباً خاطئاً واثقاً. هذه الخمسة في الحاضر، وهي مشكلات حَوكمة بقدر ما هي مشكلات تقنية. ودورة أخلاقيات الذكاء الاصطناعي تعالجها.
6. هل يتعلّم ChatGPT من محادثاتي؟
ليس أثناء المحادثة نفسها. معاملات النموذج مجمّدة عند الاستنتاج: هو لا يحدّث نفسه وأنت تتكلّم. وما يخلق الإحساس بالتعلّم هو نافذة السياق، التي تحتوي المحادثة الجارية وتسمح للنموذج بالرجوع إليها. وبانتهاء المحادثة يزول هذا السياق. أمّا المزوّدون فقد يستخدمون المحادثات لتدريب إصدارات مستقبلية: وهذه مسألة خصوصية، لا تعلّم مباشر.
7. لماذا يختلق الذكاء الاصطناعي معلومات؟
لأنّ النموذج اللغوي محسَّن لإنتاج نصّ معقول، لا نصّ صحيح. هو لا يملك قاعدة داخلية يستشيرها ولا تمثيلاً لعدم يقينه. وحين تنقص المعلومة، يكون أكثر الاستمرارات احتمالاً جملةً حسنة التركيب، والجملة الحسنة التركيب المحتوية على مرجع مختلق أكثر احتمالاً من إقرار بالجهل. وتقنيات الاسترجاع من المستندات تقلّص الظاهرة بوضوح بتوفير مصادر حقيقية، دون أن تلغيها.
8. ما الفرق بين الذكاء الاصطناعي والأتمتة؟
الأتمتة تنفّذ عملية حدّدها إنسان: إذا حدث هذا، فافعل ذاك. هي متوقّعة تماماً ولا تتحسّن من نفسها أبداً. أمّا الذكاء الاصطناعي فيستنتج العملية من البيانات، ويعالج حالات لم يعدّها أحد، ويعيد احتمالات بدل يقينيات. قاعدة تحجب كلّ معاملة تفوق عشرة آلاف هي أتمتة. ونموذج يقيّم معاملة باحتمال 3 % أن تكون احتيالية بحسب شكلها هو ذكاء اصطناعي.
9. كم يستغرق الوصول إلى مستوى قابل للتوظيف؟
بجهد جدّي ومنتظم، من ستّة إلى اثني عشر شهراً واقعي للوصول إلى مستوى مبتدئ مهني: بايثون، ومعالجة البيانات، وتعلّم الآلة الكلاسيكي، ومشروعان أو ثلاثة منتهية تعرف شرحها من البداية إلى النهاية. ومشاريع الحافظة تزن أكثر من شهادات الدورات، لأنّها تُظهر أنّك واجهت بيانات حقيقية واتّخذت قرارات.
10. أدوا ت مجانية أو مدفوعة؟
كلّ ما تحتاجه للتعلّم مجاني. بايثون وscikit-learn وPyTorch وTensorFlow مفتوحة المصدر. وGoogle Colab يعيرك معالجاً رسومياً في المتصفّح بلا مقابل. وHugging Face يستضيف مئات آلاف النماذج المدرَّبة مسبقاً. ولا شيء يحتاج إلى شراء قبل أن تدرّب نماذج كبيرة بما يبرّر استئجار عتاد.
11. هل يمكن للذكاء الاصطناعي أن يكون مبدعاً؟
هو يعيد تركيب ما رآه بطرائق كثيراً ما تكون جديدة، وأحياناً مفاجئة فعلاً. وكون ذلك إبداعاً يتوقّف على تعريفك. أمّا ما ينقصه بشكل قابل للإثبات فهو القصد: هو لا يقرّر أن يفعل شيئاً، ولا يعرف لماذا تكون صيغة أفضل من أخرى، ولا مصلحة له في النتيجة. هو آلة رائعة في يد من يملك القصد.
12. لماذا تستهلك النماذج كلّ هذه الطاقة؟
تدريب نموذج كبير يعني إجراء عدد فلكي من العمليات على آلاف المعالجات لأسابيع. وهذه كلفة تُدفَع مرّة واحدة. أمّا الاستنتاج فرخيص لكلّ طلب لكنّه يحدث مليارات المرّات، ولذلك يتجاوز مجموعه غ الباً كلفة التدريب على النطاق الكبير. والنماذج الأصغر والمتخصّصة، التي يتناولها الكتالوج المدفوع، هي كثيراً الجواب العقلاني: نموذج مضغوط مصقول لمهمّة قد يوازي عملاقاً في تلك المهمّة بجزء بسيط من الكلفة.
13. ما الفرق بين النماذج مفتوحة الأوزان والنماذج المملوكة؟
النماذج المملوكة تُستخدم عبر واجهة برمجية: لا بنية تحتية تديرها، وأداء خامّ أفضل عادةً، وبياناتك تخرج من أسوارك. والنماذج مفتوحة الأوزان يمكن تنزيلها وتشغيلها على عتادك: تحكّم كامل بالبيانات، ولا كلفة لكلّ طلب، وعبء التشغيل عليك. والاختيار يُحسم عادةً بالسرّية والحجم، لا بنتائج المقارنات.
14. إلى أين أذهب بعد هذه الدورة؟
بهذا الترتيب: بايثون للذكاء الاصطناعي للأدوات، والرياضيات للذكاء الاصطناعي للبديهة، ثم تعلّم الآلة لبناء أوّل نماذجك الحقيقية. ثم اتبع اهتمامك — التعلّم العميق أو معالجة اللغة أو الرؤية الحاسوبية أو النماذج اللغوية الكبيرة.
هذه الدورة الاستكشافية أعطتك النموذج الذهني. والكتالوج المدفوع للذكاء الاصطناعي يعطيك الممارسة: دفاتر عمل، ومجموعات بيانات حقيقية، ومشاريع، وشهادة قابلة للتحقّق بعد اختبار من 40 سؤالاً. مشمول في كلّ الخطط المدفوعة.
الخطوة الأخيرة — اجتز الاختبار واكتشف شهادتك ←