Arabic:الذكاء الاصطناعي والتعلم الآلي
الذكاء الاصطناعي والتعلم الآلي
مقدمة
هذه الدورة موجهة إلى المتعلمين في المرحلة الثانوية المبكرة، تقريبًا من 14 إلى 16 عامًا. ستتعرف فيها إلى معنى الذكاء الاصطناعي والتعلم الآلي، وكيف تتحول البيانات إلى نموذج يستطيع التنبؤ أو التصنيف أو توليد محتوى جديد. وستتدرب أيضًا على اكتشاف الأخطاء والمبالغات، وحماية الخصوصية، واحترام حقوق المؤلف، واستخدام أدوات الذكاء الاصطناعي بمسؤولية.
لا تحتاج إلى خبرة برمجية مسبقة. يكفي أن تكون قادرًا على قراءة جدول بسيط، ومقارنة أمثلة، وطرح أسئلة نقدية مثل: من أين جاءت هذه البيانات؟ هل النتيجة موثوقة؟ ما الذي يمكن أن يخطئ فيه النظام؟ ومن المسؤول عن القرار النهائي؟
تذكّر منذ البداية أن الذكاء الاصطناعي ليس عقلًا سحريًا يعرف كل شيء. هو مجموعة من الأساليب الحاسوبية التي تنفذ مهام محددة اعتمادًا على قواعد أو بيانات أو نماذج متعلمة. لذلك قد يكون مفيدًا جدًا في مهمة ما، وضعيفًا أو غير مناسب في مهمة أخرى.
أهداف التعلم
- تشرح الفرق بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق بأسلوبك الخاص.
- تبيّن دور بيانات التدريب والميزات والتسميات في بناء نموذج تعلم آلي.
- تشرح الفرق بين التدريب واختبار النموذج والاستدلال على بيانات جديدة.
- تذكر أمثلة واقعية على التصنيف والتنبؤ والتوصية والتوليد.
- تشرح كيف ينتج الذكاء الاصطناعي التوليدي نصوصًا أو صورًا جديدة اعتمادًا على أنماط تعلمها من البيانات.
- تتعرف إلى الهلوسة والتحيز وتعرف لماذا يجب التحقق من المخرجات.
- تطبق قواعد عملية لحماية الخصوصية وتجنب مشاركة البيانات الحساسة.
- تشرح بصورة مبسطة لماذا تثير بيانات التدريب والمخرجات أسئلة تتعلق بحقوق المؤلف.
- تستخدم أدوات الذكاء الاصطناعي كمساعد للتعلم مع إبقاء التفكير والقرار والمسؤولية بيد الإنسان.
ما الذكاء الاصطناعي وما التعلم الآلي؟
الذكاء الاصطناعي اسم واسع لبرامج وأنظمة تستطيع أداء مهام نربطها عادة بالذكاء، مثل فهم اللغة، والتعرف إلى أنماط في الصور، واقتراح مسار، وتصنيف الرسائل المزعجة، أو توليد نص وصورة. بعض أنظمة الذكاء الاصطناعي تعتمد على قواعد كتبها البشر مباشرة، وبعضها يتعلم أنماطًا من البيانات.
التعلم الآلي فرع من الذكاء الاصطناعي. بدل أن نكتب للحاسوب قاعدة مفصلة لكل حالة، نعطيه أمثلة وبيانات، ثم تستخدم خوارزمية تدريب هذه الأمثلة لبناء نموذج يتعلم علاقة مفيدة بينها. بعد ذلك يمكن استخدام النموذج مع أمثلة جديدة لم يرها من قبل.
التعلم العميق نوع من التعلم الآلي يستخدم شبكات عصبية ذات طبقات متعددة. هذه الشبكات مفيدة خصوصًا في مهام مثل الصور والصوت واللغة، لكنها تحتاج عادة إلى قدر كبير من البيانات والحوسبة والتقييم الدقيق.
أمثلة من الحياة اليومية: قد يستخدم هاتفك نموذجًا للتعرف إلى الكلام، وقد يستخدم البريد الإلكتروني نموذجًا لتمييز الرسائل المزعجة، وقد تستخدم منصة تعليمية نموذجًا لاقتراح تمرين مناسب، وقد يستخدم تطبيق صور نموذجًا للبحث عن أشياء داخل الصور. هذه الأمثلة لا تعني أن النظام يفهم العالم كما يفهمه الإنسان؛ إنه ينفذ مهمة محددة اعتمادًا على الأنماط التي تعلمها.
شاهد هذا الفيديو العربي الموجّه للطلاب لبناء فكرة أولية عن الذكاء الاصطناعي:
كيف يتعلم الحاسوب من البيانات؟
بيانات التدريب هي الأمثلة التي يستخدمها النظام أثناء التعلم. إذا أردنا تدريب نموذج لتمييز صور أنواع مختلفة من الفواكه، فقد تتكون البيانات من صور مع معلومات عن النوع الصحيح. وإذا أردنا توقع استهلاك الكهرباء، فقد تتكون البيانات من قياسات سابقة مثل الوقت ودرجة الحرارة والاستهلاك الفعلي.
في كثير من المشروعات نستخدم ميزات، أي صفات أو معلومات يعتمد عليها النموذج، وتسميات، أي الإجابات الصحيحة في بيانات التدريب. في مثال الفاكهة قد تكون الميزات اللون والشكل والملمس، وقد تكون التسمية اسم الفاكهة. في بعض الأنظمة الحديثة تتعلم الشبكات العصبية ميزات معقدة تلقائيًا من الصور أو الصوت أو النص.
هناك أكثر من طريقة للتعلم الآلي:
| طريقة التعلم | الفكرة المبسطة | مثال واقعي |
|---|---|---|
| التعلم بإشراف | يتعلم من أمثلة معها إجابات صحيحة | تمييز الرسائل المزعجة من الرسائل العادية |
| التعلم دون إشراف | يبحث عن أنماط أو مجموعات في بيانات بلا تسميات جاهزة | تجميع منتجات متشابهة بحسب خصائصها |
| التعلم بالتعزيز | يتعلم من نتائج الأفعال عبر مكافآت أو عقوبات ضمن بيئة محددة | تعلم وكيل افتراضي اختيار أفعال أفضل في لعبة أو محاكاة |
جودة البيانات مهمة بقدر كميتها. بيانات ناقصة أو قديمة أو غير ممثلة للواقع قد تجعل النموذج ضعيفًا. كذلك قد تؤثر الأخطاء في التسميات على ما يتعلمه النظام.
تجربة صفية بسيطة بلا برمجة
حضّر اثنتي عشرة بطاقة تمثل فواكه افتراضية. اكتب على كل بطاقة ثلاث صفات مثل اللون والملمس والشكل، ثم اكتب النوع الصحيح في الخلف. استخدم ثماني بطاقات كبيانات تدريب وحاول استنتاج قاعدة تصنيف بسيطة، ثم اختبر القاعدة على أربع بطاقات لم تستخدمها. بعد ذلك أضف مثالًا غير مألوف، مثل تفاحة خضراء إذا كانت معظم أمثلة التفاح في التدريب حمراء. ستلاحظ أن القاعدة التي بدت جيدة قد تفشل عندما يظهر مثال جديد. هذه التجربة تحاكي فكرة التعميم: النجاح الحقيقي ليس حفظ أمثلة التدريب، بل الأداء الجيد على أمثلة جديدة.
من بيانات التدريب إلى النموذج
يمكن تلخيص دورة العمل الأساسية هكذا: بيانات مناسبة ← تنظيف وتجهيز ← تدريب ← نموذج متعلم ← اختبار ← استخدام على بيانات جديدة ← مراجعة بشرية.
أثناء التدريب تعدل الخوارزمية أعدادًا داخل النموذج تسمى معلمات لكي تقلل الخطأ في المهمة. النموذج ليس قائمة سحرية بكل الإجابات، بل تمثيل رياضي لأنماط وعلاقات تعلمها من البيانات. وعندما نعطيه إدخالًا جديدًا بعد التدريب تسمى عملية استخدامه لإنتاج تنبؤ أو مخرج الاستدلال.
من المهم الاحتفاظ بجزء من البيانات للاختبار وعدم عرضه على النموذج أثناء التدريب. إذا اختبرنا النموذج فقط على أمثلة سبق أن رآها، فقد يبدو ممتازًا لأنه حفظها. يسمى هذا أحيانًا الإفراط في التكيّف عندما يصبح النموذج مناسبًا جدًا لبيانات التدريب لكنه لا يعمم جيدًا على أمثلة جديدة.
الشبكة العصبية مثال على نموذج يتكون من طبقات مترابطة. تستقبل الطبقة الأولى معلومات، وتحوّلها الطبقات الداخلية إلى تمثيلات، ثم تنتج طبقة المخرجات نتيجة. في الواقع تكون الشبكات الحديثة أكبر بكثير من الرسم المبسط التالي.
مثال واقعي: إذا دربنا نموذجًا على صور طرق صافية فقط، ثم استخدمناه في ضباب كثيف أو إضاءة مختلفة، فقد ينخفض أداؤه. السبب أن ظروف الاستخدام الجديدة تختلف عن ظروف التدريب. لهذا لا يكفي أن نسأل: هل النموذج دقيق؟ بل نسأل أيضًا: على أي بيانات اختُبر؟ وفي أي ظروف سيُستخدم؟
الذكاء الاصطناعي التوليدي
الذكاء الاصطناعي التوليدي هو نوع من الأنظمة يستطيع إنشاء محتوى جديد مثل نصوص أو صور أو أصوات أو شيفرة برمجية. يتعلم النموذج أنماطًا إحصائية من كمية كبيرة من الأمثلة، ثم يولد مخرجًا جديدًا يتوافق بدرجات مختلفة مع طلب المستخدم.
في نماذج اللغة الكبيرة يُقسّم النص إلى وحدات صغيرة، ثم يتعلم النموذج تقدير الوحدات التي يُرجح أن تأتي بعد السياق السابق. تكرار هذه العملية يسمح بتكوين جمل وفقرات تبدو مترابطة. لكن اختيار كلمات محتملة لا يضمن أن كل معلومة صحيحة.
هناك فرق مبسط بين نموذج تمييزي يحاول تحديد الفئة أو الإجابة المناسبة، ونموذج توليدي ينشئ محتوى جديدًا. قد يميز الأول صورة على أنها قطة، بينما يستطيع الثاني إنشاء صورة جديدة لقطة وفق وصف نصي.
يمكن أن يفيد الذكاء الاصطناعي التوليدي في اقتراح أفكار، وتبسيط شرح، وإنشاء أسئلة للمراجعة، وتلخيص مسودة، أو اقتراح صور أولية. لكنه لا ينبغي أن يكون المصدر الوحيد للحقيقة، ولا بد من التحقق من المعلومة والمصدر والسياق.
شاهد شرحًا عربيًا مختصرًا لمفهوم الذكاء الاصطناعي التوليدي:
ولمزيد من التركيز على المفهوم نفسه للطلاب، يمكنك مشاهدة هذا الفيديو العربي:
قدرات الذكاء الاصطناعي وحدوده
قد تكون أنظمة الذكاء الاصطناعي قوية جدًا عندما تكون المهمة محددة والبيانات مناسبة، لكنها لا تمتلك ضمانًا عامًا للصواب. أفضل طريقة للتفكير فيها هي أنها أدوات احتمالية ذات قدرات محددة، وليست حكمًا نهائيًا.
| المهمة | ما قد ينجح فيه النظام | ما يحتاج إلى انتباه بشري |
|---|---|---|
| تصنيف الصور | العثور على أنماط بصرية متكررة | الصور غير المألوفة وظروف الإضاءة المختلفة |
| الترجمة | تقديم مسودة سريعة بين لغات كثيرة | المعنى الدقيق والمصطلحات والسياق الثقافي |
| التوصية | اقتراح محتوى مشابه لما فضله المستخدم سابقًا | احتمال حصر المستخدم في اختيارات متشابهة أو غير مناسبة |
| تلخيص نص | تقليص نص طويل إلى نقاط رئيسية | احتمال حذف استثناء مهم أو إضافة تفسير غير موجود |
| توليد نص أو صورة | إنشاء مسودات وأفكار متنوعة بسرعة | الدقة والملكية الفكرية والتحيز وسلامة الاستخدام |
من الحدود المهمة أن النموذج قد يعطي إجابات مختلفة لصياغات متقاربة، وقد يواجه صعوبة مع معلومات حديثة جدًا أو نادرة أو خارج نطاق بياناته. كما أن أداءه في اختبار معين لا يعني أنه مناسب لكل موقف. القرارات الطبية والقانونية والمالية وغيرها من القرارات عالية الأثر تحتاج إلى مختصين ومصادر موثوقة، ولا ينبغي تركها لنظام مولد وحده.
المخاطر التي يجب أن تعرفها
الهلوسة والتحقق
الهلوسة في الذكاء الاصطناعي التوليدي هي إنتاج معلومة تبدو معقولة لكنها غير صحيحة أو غير مدعومة. قد يختلق النظام تاريخًا أو اسم كتاب أو رابطًا أو نتيجة حسابية، وقد يعرض الخطأ بثقة عالية.
استخدم طريقة تحقق من أربع خطوات: حدّد الادعاء الذي يمكن فحصه، وابحث عنه في مصدر موثوق، وقارن بمصدر مستقل عند أهمية الموضوع، ثم صحح الإجابة قبل استخدامها. إذا ذكر النظام مصدرًا، فتحقق من أن المصدر موجود فعلًا وأنه يقول ما نُسب إليه.
نشاط سريع: إذا أخبرك نموذج أن عالمًا ما حصل على جائزة في سنة محددة، فلا تسأل فقط هل تبدو الجملة منطقية. اسأل: أين الدليل؟ هل أستطيع العثور على صفحة رسمية أو مرجع موثوق يؤكدها؟ هذه عادة تفكير مهمة حتى خارج الذكاء الاصطناعي.
التحيز والإنصاف
التحيز قد يظهر عندما تمثل بيانات التدريب بعض الحالات أو المجموعات أكثر من غيرها، أو عندما تحتوي البيانات على أنماط اجتماعية غير عادلة، أو عندما تكون التسميات نفسها متحيزة، أو عندما يُستخدم النموذج في سياق لم يصمم له. زيادة كمية البيانات وحدها لا تضمن إزالة التحيز إذا بقيت البيانات أو طريقة جمعها غير متوازنة.
على سبيل المثال، قد يعمل نظام رؤية حاسوبية بصورة أفضل في ظروف إضاءة أو أنواع صور كانت شائعة في بياناته، وأضعف في ظروف لم تكن ممثلة جيدًا. لذلك يجب تقييم الأداء على مجموعات وظروف متنوعة، ومراجعة الآثار على الناس، وإبقاء المسؤولية البشرية واضحة.
الخصوصية
عندما تستخدم أداة ذكاء اصطناعي، تعامل مع مربع الكتابة كمساحة قد تخضع لسياسة خدمة محددة، لا كدفتر شخصي سري تلقائيًا. لا تدخل كلمات مرور أو عنوان المنزل أو رقم الهاتف أو بيانات صحية خاصة أو صورًا خاصة أو معلومات حساسة عن زملائك. واتبع قواعد المدرسة وسياسة العمر والخصوصية الخاصة بالأداة.
قبل رفع ملف، اسأل نفسك: هل يحتوي على أسماء أو صور أو بيانات شخصية؟ هل أملك الإذن بمشاركته؟ هل يمكنني إزالة المعلومات غير الضرورية؟ تقليل البيانات التي تشاركها عادة أكثر أمانًا من مشاركة كل شيء ثم محاولة التراجع.
شاهد هذا النقاش العربي حول الخصوصية عند استخدام أنظمة الذكاء الاصطناعي:
حقوق المؤلف
تثير أنظمة الذكاء الاصطناعي التوليدي أسئلة قانونية حول الأعمال المستخدمة في التدريب وحول بعض المخرجات الناتجة. القواعد تختلف بين البلدان وما زالت بعض المسائل موضع نقاش ونزاعات قانونية، لذلك لا تفترض أن كل مادة على الإنترنت أو كل مخرج مولد متاح لإعادة الاستخدام بلا شروط.
في مشروع مدرسي، فضّل الصور والنصوص المرخصة بوضوح أو الموجودة في الملك العام، واذكر المصادر عندما تستخدم أفكارًا أو مواد من الآخرين، ولا ترفع عملاً محميًا أو صورة لشخص آخر إلى أداة توليد من دون إذن مناسب. وإذا استخدمت الذكاء الاصطناعي في إعداد مشروع، اتبع سياسة المدرسة ووضّح مساهمته عندما يُطلب ذلك.
الاستخدام المسؤول
القاعدة الأساسية هي: استخدم الأداة، تحقق من المخرجات، احمِ البيانات، انسب المصادر، واتخذ القرار بنفسك.
- استخدم الذكاء الاصطناعي للمساعدة على الفهم والعصف الذهني والمراجعة، لا لاستبدال تعلمك.
- اطلب شرحًا أو مثالًا ثم حاول الحل بنفسك قبل مقارنة إجابتك بالمقترح.
- تحقق من الحقائق والأرقام والأسماء والمراجع المهمة من مصادر موثوقة.
- لا تشارك بيانات شخصية أو سرية أو صور أشخاص آخرين من دون إذن مناسب.
- راقب احتمال التحيز واسأل من قد يكون غائبًا عن البيانات أو متضررًا من النتيجة.
- احترم حقوق المؤلف وشروط التراخيص وسياسة المدرسة بشأن استخدام الأدوات التوليدية.
- لا تستخدم الذكاء الاصطناعي لإنشاء انتحال أو تنمر أو صور مزيفة مضللة لزملائك أو أي شخص آخر.
| استخدام مسؤول | استخدام غير مسؤول |
|---|---|
| اطلب من الأداة إنشاء ثلاثة أسئلة مراجعة ثم أجب عنها بنفسك | انسخ إجابة كاملة وسلمها باعتبارها عملك الشخصي |
| استخدمها لاقتراح طرق مختلفة لشرح مفهوم ثم تحقق من أفضلها | اعتبر أول إجابة حقيقة نهائية بلا فحص |
| احذف البيانات الشخصية من ملف قبل تحليله إذا كانت الأداة مسموحة | ارفع قائمة بأسماء زملائك ودرجاتهم أو صورهم الخاصة |
| اذكر المصادر ومساهمة الأداة وفق تعليمات المعلم | تخفِ استخدام الأداة عندما تتطلب المهمة الإفصاح عنه |
شاهد هذا الفيديو العربي الذي يناقش أثر الذكاء الاصطناعي التوليدي في التعليم، ثم فكّر: كيف نجعل الأداة تقوي التفكير بدل أن تحل مكانه؟
مهام تفاعلية
اختبار: اختبر معرفتك
ما العلاقة الأدق بين التعلم الآلي والذكاء الاصطناعي؟ (التعلم الآلي فرع من الذكاء الاصطناعي يتعلم أنماطًا من البيانات) (!الذكاء الاصطناعي فرع صغير من التعلم الآلي فقط) (!التعلم الآلي يعني تخزين كل الإجابات في جدول ثابت) (!لا توجد أي علاقة بين المجالين)
ما الدور الأساسي لبيانات التدريب؟ (توفير أمثلة يتعلم منها النموذج أثناء بناء الأنماط) (!ضمان أن كل مخرج مستقبلي سيكون صحيحًا) (!استبدال مرحلة الاختبار نهائيًا) (!منع النموذج من التعامل مع أمثلة جديدة)
ما المقصود بالنموذج في التعلم الآلي؟ (تمثيل متعلم يستخدم الأنماط لإنتاج تنبؤات أو مخرجات) (!قائمة يدوية بكل الأسئلة الممكنة) (!جهاز تخزين لا يقوم بأي حساب) (!ملف يحتوي على كلمات مرور المستخدمين)
لماذا نحتفظ ببيانات اختبار لم يرها النموذج أثناء التدريب؟ (لفحص قدرته على التعميم على أمثلة جديدة) (!لكي يحفظ النموذج هذه البيانات بعد التدريب) (!لزيادة عدد أخطاء النموذج عمدًا) (!لإلغاء الحاجة إلى بيانات التدريب)
أي مثال يمثل استخدامًا للذكاء الاصطناعي التوليدي؟ (إنشاء مسودة قصة جديدة من وصف يكتبه المستخدم) (!قياس درجة حرارة الغرفة بميزان حرارة عادي) (!حفظ ملف نصي من دون تغيير) (!تشغيل مصباح بمفتاح ميكانيكي)
ما الهلوسة في نظام ذكاء اصطناعي توليدي؟ (إنتاج معلومة تبدو مقنعة لكنها غير صحيحة أو غير مدعومة) (!زيادة سرعة اتصال الحاسوب بالإنترنت) (!ضغط الصور لتقليل حجم الملف) (!تحديث نظام التشغيل تلقائيًا)
أي عامل قد يساهم في تحيز نموذج تعلم آلي؟ (بيانات تدريب غير متوازنة أو تسميات تحمل انحيازًا) (!استخدام شاشة أكبر للحاسوب) (!تغيير لون خلفية التطبيق) (!ترتيب الملفات أبجديًا)
ما التصرف الأكثر أمانًا للخصوصية عند استخدام أداة ذكاء اصطناعي؟ (تجنب إدخال البيانات الشخصية والحساسة غير الضرورية) (!إرسال كلمة المرور لكي تكون الإجابة أدق) (!رفع صور الزملاء الخاصة من دون إذن) (!كتابة عنوان المنزل كاملًا في كل محادثة)
ما الممارسة الأنسب عند استخدام صورة في مشروع مدرسي؟ (استخدام مادة مرخصة بوضوح وذكر المصدر عند الحاجة) (!افتراض أن كل صورة على الإنترنت بلا حقوق) (!حذف اسم صاحب العمل ثم نسبه إلى نفسك) (!رفع أي عمل محمي إلى أداة توليد من دون تفكير)
أي سلوك يمثل استخدامًا مسؤولًا للذكاء الاصطناعي في التعلم؟ (استخدامه للمساعدة ثم التحقق والتفكير واتباع سياسة المدرسة) (!نسخ الإجابة كاملة وتسليمها بلا مراجعة) (!اعتبار كل مخرج صحيحًا لمجرد أنه مكتوب بثقة) (!إخفاء استخدام الأداة عندما تطلب المهمة الإفصاح عنه)
لعبة الذاكرة
| بيانات التدريب | أمثلة يستخدمها النظام أثناء بناء النموذج |
| النموذج | تمثيل متعلم ينتج تنبؤًا أو مخرجًا من مدخل جديد |
| الاستدلال | استخدام النموذج بعد التدريب لمعالجة حالة جديدة |
| الهلوسة | معلومة مولدة تبدو معقولة لكنها غير صحيحة أو غير مدعومة |
| التحيز | ميل قد يؤدي إلى أداء أو نتائج غير منصفة بسبب البيانات أو التصميم أو السياق |
| الخصوصية | حماية المعلومات الشخصية وتقليل جمعها ومشاركتها غير الضرورية |
السحب والإفلات
| صِل كل خطوة بالوصف المناسب. | دورة عمل تعلم آلي مسؤول |
|---|---|
| تنظيف البيانات | إزالة الأخطاء الواضحة ومعالجة القيم غير المناسبة قبل التدريب |
| تقسيم البيانات | فصل جزء للتدريب وجزء مستقل للاختبار |
| تدريب النموذج | ضبط المعلمات بالاعتماد على أمثلة التعلم |
| اختبار النموذج | فحص الأداء على أمثلة لم يرها أثناء التدريب |
| تحقق بشري | مراجعة النتيجة والسياق قبل اتخاذ قرار مهم |
| نسب المحتوى | ذكر المصادر ومساهمة الأداة وفق القواعد المطلوبة |
كلمات متقاطعة
| بيانات | ما المادة الأساسية التي يتعلم منها النموذج أثناء التدريب؟ |
| نموذج | ما الناتج المتعلم الذي يستخدم لإنتاج تنبؤات جديدة؟ |
| خوارزمية | ما اسم سلسلة الخطوات الحاسوبية المستخدمة لحل مهمة أو للتعلم؟ |
| هلوسة | ما اسم الظاهرة التي ينتج فيها النظام معلومة مقنعة لكنها خاطئة؟ |
| خصوصية | ما المبدأ الذي يحمي معلومات الأشخاص من المشاركة غير الضرورية؟ |
| تحيز | ما المصطلح الذي يصف ميلًا قد يؤدي إلى نتائج غير منصفة؟ |
مهام مفتوحة
سهل
- خريطة مفاهيم للذكاء الاصطناعي: ارسم خريطة تربط بين الذكاء الاصطناعي والتعلم الآلي وبيانات التدريب والنموذج والاستدلال، وأضف مثالًا واقعيًا لكل مفهوم.
- مصنف ورقي صغير: نفذ تجربة البطاقات الخاصة بالفواكه، وسجل متى نجحت قاعدتك ومتى فشلت، ثم اقترح صفة إضافية قد تحسن التصنيف.
- يوميات أمثلة واقعية: دوّن خمسة استخدامات للذكاء الاصطناعي تراها في المدرسة أو المنزل أو التطبيقات، وحدد المهمة التي يؤديها كل نظام من دون كتابة أي بيانات شخصية.
- تحقق من معلومة مولدة: اختر ادعاءً من إجابة مولدة يوفرها المعلم أو من أداة متاحة بإذن، وتحقق منه عبر مصدرين موثوقين ثم اكتب ما صححته.
متوسط
- مقارنة مخرجات مولدة: اطلب شرح المفهوم نفسه بصيغتين مختلفتين أو استخدم إجابتين يوفرهما المعلم، ثم قارن الدقة والوضوح وما يحتاج إلى تحقق.
- مقابلة حول الاستخدام المسؤول: أجر مقابلة قصيرة مع معلم أو أمين مكتبة أو مختص تقني حول قواعد استخدام الذكاء الاصطناعي في الدراسة، ولخص ثلاث نصائح من دون نشر بيانات شخصية.
- ملصق حماية الخصوصية: صمم ملصقًا أو صورة توعوية تشرح ما الذي لا ينبغي إدخاله في أدوات الذكاء الاصطناعي، واقترح بدائل آمنة لمشاركة أقل قدر من البيانات.
- تجربة التحيز في البيانات: أنشئ مجموعتين صغيرتين من بطاقات تدريب إحداهما متوازنة والأخرى غير متوازنة، واختبر كيف تتغير قاعدة التصنيف ثم فسّر الفرق.
متقدم
- تدقيق تحيز مبسط: صمم خطة لاختبار نموذج افتراضي على ظروف متنوعة مثل إضاءة مختلفة أو صور من مصادر متعددة، وحدد المقاييس أو الملاحظات التي ستستخدمها للحكم على الإنصاف.
- فيديو توعوي قصير: أنشئ فيديو من دقيقتين يشرح الهلوسة وكيفية التحقق من مخرجات الذكاء الاصطناعي، مستخدمًا أمثلة من صنعك ومواد مرخصة فقط.
- تحليل حقوق المؤلف: اختر سيناريو مدرسيًا يتضمن صورة أو نصًا مولدًا، وحدد الأسئلة التي يجب طرحها عن المصدر والترخيص والإذن والإفصاح قبل النشر أو التسليم.
- ميثاق صفّي للاستخدام المسؤول: تعاون مع زملائك على كتابة ميثاق من ست قواعد يوازن بين الاستفادة من الذكاء الاصطناعي والأمانة العلمية والخصوصية والتحقق والإنصاف، ثم ناقشوا سبب كل قاعدة.
مجالات تعلم مرتبطة
ترتبط هذه الدورة بعلوم الحاسوب والرياضيات والإحصاء والتربية الإعلامية والأخلاقيات الرقمية. ويمكنك بعد إتقان المفاهيم الأساسية الانتقال إلى البرمجة وتحليل البيانات والشبكات العصبية وتقييم النماذج بصورة أعمق.
مسرد
- الذكاء الاصطناعي
- مجال يضم أنظمة حاسوبية تنفذ مهام تتطلب عادة قدرات مثل التعرف والتنبؤ واللغة واتخاذ قرارات محددة.
- التعلم الآلي
- أساليب تجعل النظام يتعلم أنماطًا من البيانات بدل كتابة قاعدة منفصلة لكل حالة.
- بيانات التدريب
- الأمثلة المستخدمة أثناء بناء النموذج وتعديل معلماته.
- الميزة
- صفة أو معلومة يعتمد عليها النموذج في التعلم أو التنبؤ.
- التسمية
- الإجابة الصحيحة المرفقة بمثال تدريب في التعلم بإشراف.
- النموذج
- تمثيل متعلم للعلاقات والأنماط يستخدم لإنتاج تنبؤات أو مخرجات.
- التدريب
- عملية تعديل معلمات النموذج اعتمادًا على بيانات وأهداف محددة.
- الاستدلال
- تشغيل النموذج المدرب على مدخل جديد للحصول على نتيجة.
- التعميم
- قدرة النموذج على الأداء الجيد مع أمثلة جديدة لم يرها أثناء التدريب.
- الإفراط في التكيّف
- نجاح زائد على بيانات التدريب مع أداء أضعف على البيانات الجديدة.
- الذكاء الاصطناعي التوليدي
- أنظمة تنشئ محتوى جديدًا اعتمادًا على أنماط تعلمتها من بيانات سابقة.
- الهلوسة
- مخرج مولد يبدو مقنعًا لكنه يتضمن معلومة غير صحيحة أو غير مدعومة.
- التحيز
- ميل في البيانات أو النموذج أو الاستخدام قد يؤدي إلى أداء أو نتائج غير منصفة.
- الخصوصية
- حماية المعلومات الشخصية وتقليل جمعها واستخدامها ومشاركتها بلا ضرورة.
- حقوق المؤلف
- حقوق قانونية تتعلق بالأعمال الإبداعية واستخدامها ونسخها ونشرها وفق القوانين والتراخيص.
