المراجعة والاختبار النهائي

عشر وحدات للانتقال من نصّ خام في مراجعة عميل إلى مصنّف كامل موصوف الكلفة والجودة. هذه هي الدورة مكثَّفة، ثمّ الخيوط التي تعبرها، ثمّ شجرة قرار عملية، ثمّ الاختبار النهائي.

الدورة في لمحة

الوحدة	الجوهر الواجب حفظه
1. تنظيف النصّ	NFC أوّلًا؛ توحيد الهمزات والألف المقصورة والتاء المربوطة لـTF-IDF فقط، لا قبل النماذج المدرَّبة مسبقًا
2. التقطيع	الوحدات الجزئية تُلغي المجهول؛ العربية تكلّف ضعف الإنجليزية على مقطّعات GPT، والنصف على مقطّعات AraBERT
3. حقيبة الكلمات وTF-IDF	حدّ أدنى قابل للتفسير في دقائق؛ n-غرامات لاستعادة الترتيب؛ يبقى الخيار الصحيح في حالات كثيرة
4. Word2Vec وGloVe	الفرضية التوزيعية؛ Skip-gram مع أخذ العيّنات السلبية؛ التحيّزات المتعلَّمة حقيقيّة وتنتقل صمتًا
5. التضمينات السياقية	متّجه فريد لكلّ ورود؛ BERT وأخواته العربية؛ Sentence-BERT للبحث الدلاليّ بالتشابه الجيبي
6. تصنيف المشاعر	ضبط دقيق بمعدّل تعلّم صغير لثلاث حقب؛ اختلال الأصناف يفسد التقييم؛ مصفوفة الالتباس تكشف الأنماط
7. الكيانات المسمّاة	وسم BIO؛ محاذاة الوسوم مع الوحدات الجزئية حاسمة؛ seqeval بالوضع الصارم لا الدقّة على الجُذاذات
8. التلخيص والإجابة	استخراجي بلا هلوسة، توليدي مع مخاطر؛ ROUGE يقيس اللفظ لا المعنى؛ الاستشهاد يخفّض الهلوسة
9. مكتبة Transformers	ثلاث طبقات (pipeline، AutoModel، الفئات المتخصّصة)؛ احفظ المقطّع دائمًا؛ اقرأ بطاقة النموذج بجدّية
10. المشروع	تنظيف مسارًا بمسار؛ تقسيم واحد للمقارنة الصادقة؛ الفارق بضع نقاط F1 مقابل عشرات الأضعاف في الكلفة

الخيوط التي تعبر الدورة

التنظيف يُصمَّم للمهمّة النهائية، لا كمبدأ عام. توحيد الهمزات نافع في TF-IDF، وضارّ صمتًا في AraBERT. حذف علامات الترقيم مفيد للاسترجاع، ومفسد لتحليل المشاعر. لا يوجد «تنظيف صحيح»؛ يوجد تنظيف مناسب لكلّ مسار. الاحتفاظ بالنصّ الأصلي في عمود منفصل قاعدة ثابتة تسمح بتغيير قواعد التنظيف بلا فقدان مصدر.

الحدّ الأدنى TF-IDF يجب أن يُبنى دائمًا قبل الأثقل. ليس لأنّه سيفوز، بل لأنّه يعطي رقم مرجعيّ لتقييم كلفة النموذج الأثقل. AraBERT بـ0,90 مبهر إلى أن نتذكّر أنّ TF-IDF بلغ 0,86 في دقيقة. الفارق أربع نقاط قد يستحقّ أو لا يستحقّ. بدون الحدّ الأدنى، لا نستطيع اتّخاذ قرار عقلاني.

العربية تكلّف أكثر لأنّها لا تُقاس بالإنجليزية. كلفة الجُذاذات أعلى على مقطّعات GPT (ضعف تقريبًا)، وأداء النماذج متعدّدة اللغات أدنى من نظيراتها المخصّصة على مهامّ العربية. الاختيارات التي تبدو محايدة لغويًّا (نموذج «افتراضي»، تسعيرة بالجُذاذة) تفضّل الإنجليزية عمليًّا. اختيار نموذج مدرَّب على العربية (AraBERT، AraELECTRA، CAMeLBERT) ليس خيارًا وطنيًّا؛ هو خيار اقتصادي.

التوليد يفتح إمكانات ويفتح هلوسة. الجواب المستخرج حرفيًّا من مقطع لا يمكنه أن يخترع. الجواب المولَّد الأنيق قد يخترع الأرقام بثقة عالية. لا تُنشر مخرجات توليديّة في مسار حسّاس بلا تحكيم بشري، أو بلا تحقّق آليّ من وجود المعلومة في المصدر. هذا لا يُلغي التوليد؛ يُقيّده.

شجرة القرار: أيّ مقاربة لأيّ مهمّة؟

• هل المهمّة تصنيف نصّ إلى فئات محدودة؟

  • بيانات قليلة (أقلّ من ألفَي مثال)؟ → ضبط دقيق لنموذج مدرَّب مسبقًا.
  • بيانات وافرة (أكثر من عشرة آلاف مثال) وحاجة إلى تفسير؟ → TF-IDF + انحدار لوجستي.
  • بيانات وافرة ولا حاجة إلى تفسير وكلفة استدلال حرجة؟ → تضمينات جُمَل + مصنّف صغير.

• هل المهمّة استخراج معلومات محدّدة (أسماء، تواريخ، مبالغ)؟

  • قوالب مغلقة قابلة للتعبير؟ → تعابير نمطية أو قوائم محدَّدة.
  • مفتوحة؟ → NER مضبوط دقيقًا على وسم BIO.

• هل المهمّة بحث نصّي؟

  • مطابقة كلمات دقيقة (تجاري: SKU، رقم فاتورة)؟ → BM25 أو Elasticsearch بمقياس TF-IDF.
  • بحث دلاليّ عن المعنى؟ → تضمينات جُمَل + FAISS للفهرسة.
  • مزيج؟ → استرجاع هجين (BM25 + دلاليّ) ثمّ إعادة ترتيب.

• هل المهمّة توليد نصّ (تلخيص، إعادة صياغة، إجابة)؟

  • الدقّة الحرفيّة حرجة؟ → استخراجي (LexRank، QA على مؤشّرات).
  • صياغة جديدة مطلوبة؟ → توليدي (mT5، AraT5) مع حلقة تحكيم بشري.
  • الإجابة تحتاج مصادر متعدّدة؟ → RAG (استرجاع دلالي + توليد بمرجع).

• هل المهمّة متعلّقة بمجال متخصّص جدًّا (طبّي، قانوني، صناعي)؟

  • إن أمكن، ضبط دقيق على جسم المجال؛ إلّا فـTF-IDF أقلّ خطرًا من نموذج عام.

الاختبار النهائي

يتضمّن الاختبار 40 سؤالًا تشمل الوحدات العشر: التنظيف والتطبيع، وخوارزميات التقطيع وكلفتها، وبناء وتقييم TF-IDF، وWord2Vec وحدوده وتحيّزاته، والتضمينات السياقية والبحث الدلاليّ، والضبط الدقيق ومعالجة اختلال الأصناف، ومحاذاة وسوم NER ومقاييس seqeval، والفرق بين التلخيص الاستخراجي والتوليدي وقيود ROUGE، وطبقات مكتبة Transformers واختيار النموذج من الـHub، ومقارنة المقاربات في مشروع كامل.

وتعرض عدّة أسئلة حالات للتشخيص: TF-IDF يُنتج معاملًا هائلًا لـال، نموذج «يتوقّع الأغلبيّة دائمًا» يعطي دقّة عالية، وسم I-PROD يظهر بعد O، ملخّص توليدي يذكر نسبة غير موجودة في المصدر، مقطّع افتراضي حُمّل بدل مقطّع التدريب، تسرّب IDF من الاختبار إلى التدريب. المُقيَّم هنا هو الحُكم، لا استظهار الصيغ.

وفي حال النجاح تُمنَح شهادة الإتمام فورًا؛ ورقمها قابل للتحقّق من أيّ طرف على المنصّة.

قبل أن تبدأ

راجع الجدول أعلاه واسأل نفسك عن كلّ سطر: «كيف سأرى أنّني مخطئ هنا؟». إن عرفت أن تقول لماذا يُضِلّ ROUGE في تقييم ملخّصين متكافئَين دلاليًّا، ولماذا يُنتج نموذج NER كيانات مقطَّعة إن أخطأنا في محاذاة الوسوم، ولماذا يكلّف نصّ عربي على GPT ضعف نظيره الإنجليزي، فأنت مستعدّ. حظًّا موفّقًا!

الامتحان النهائي

هل أنت مستعدّ لاعتماد هذه الدورة؟

40 سؤالًا تُختار عشوائيًّا من بنك أسئلة الدورة · حدّ النجاح 70 % · شهادة PDF قابلة للتحقّق تُصدَر فورًا عند النجاح.

ابدأ الامتحان

يلزم تسجيل الدخول إلى حسابك في InSkillML مع اشتراك نشط. يمكنك أيضًا بدء الامتحان من دوراتي.